CN111078984A - 网络模型发布方法、装置、计算机设备和存储介质 - Google Patents
网络模型发布方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111078984A CN111078984A CN201911071752.6A CN201911071752A CN111078984A CN 111078984 A CN111078984 A CN 111078984A CN 201911071752 A CN201911071752 A CN 201911071752A CN 111078984 A CN111078984 A CN 111078984A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- category
- target
- target element
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000002372 labelling Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本申请提供了一种网络模型发布方法、装置、计算机设备和存储介质。所述方法包括：获取第一图像标注数据；所述图像标注数据包括多帧图像的元素类别；从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；获取所述第一目标元素类别对应的目标图像；将所述目标图像按比例拆分为当前训练图像和当前预测图像；确定待训练的网络模型，通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；通过所述当前预测图像对所述检测模型进行预测，得到预测参考值；根据所述预测参考值确定所述检测模型的发布。采用本方法能够提高模型发布的效率。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种网络模型发布方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展，人工智能技术得到了更广泛的应用，比如在服务机器人、智能终端、搜索、大数据、信息分类等领域都起到了巨大的推动作用。
目前，大部分平台都推出了基于人工智能网络模型的推荐和搜索服务，但是这种推荐和搜索服务通常需要在平台中内置人工智能网络模型来实现。这些模型需要算法专家从业务侧获取训练数据进行训练，并将训练好的模型返回给业务侧进行测试，反复执行上述步骤直到测试通过后，将最终训练得到的模型发布到平台上，供用户使用。
然而，目前的网络模型从训练到发布的过程，全程都需要算法专家参与，需要算法专家和业务侧进行反复沟通和确认，导致模型发布的周期较长而且成本较高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高模型发布效率的网络模型发布方法、装置、计算机设备和存储介质。
一种网络模型发布方法，所述方法包括：
获取第一图像标注数据；所述图像标注数据包括多帧图像的元素类别；
从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；
获取所述第一目标元素类别对应的目标图像；将所述目标图像按比例拆分为当前训练图像和当前预测图像；
确定待训练的网络模型，通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；
通过所述当前预测图像对所述检测模型进行预测，得到预测参考值；
根据所述预测参考值确定所述检测模型的发布。
在一个实施例中，所述标注条件包括待标注图像的元素类别；所述方法还包括：
获取视频流数据；所述视频数据包括多帧图像；
加载多个元素识别模型，通过所述多个元素识别模型处理所述多帧图像，得到每帧图像所对应的一个或多个元素类别；
从所述多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；
对所述第二目标元素类别所对应的图像中的元素进行标注；得到所述视频流数据的图像标注数据。
在一个实施例中，所述方法还包括：
当所述标注条件更新时，根据所述更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；
基于所述第三目标元素类别与所述第二目标元素类别确定新增目标元素类别；
对所述新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；
基于新增图像标注数据对图像标注数据增量更新。
在一个实施例中，所述模型发布条件包括待提取图像的元素类别；所述从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别包括：
当所述多帧图像所包含的元素类别不包含所述待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与所述待提取图像的元素类别相关联的元素类别；
将筛选得到的元素类别作为符合所述模型发布条件的第一目标元素类别。
在一个实施例中，所述根据所述预测参考值确定所述检测模型的发布包括：
判断所述预测参考值是否超过阈值；
若是，则将待发布的所述检测模型传输至相应的智能设备或服务器；
若否，获取所述第一目标元素类别对应的下一个训练图像，将所述训练图像作为当前训练图像，返回通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；通过所述当前预测图像对所述检测模型进行预测，得到预测参考值的步骤，直至满足所述预测参考值超过阈值时，得到待发布的检测模型。
一种网络模型发布装置，所述装置包括：
标注数据获取模块，用于获取第一图像标注数据；所述图像标注数据包括每帧图像的元素类别；
元素类别筛选模块，用于从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；
数据集确定模块，用于获取所述第一目标元素类别对应的目标图像；将所述目标图像按比例拆分为当前训练图像和当前预测图像；
模型生成和发布模块，用于确定待训练的网络模型，通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；通过所述当前预测图像对所述检测模型进行预测，得到预测参考值；根据所述预测参考值确定是否发布所述检测模型；若是，则将待发布的所述检测模型传输至相应的智能设备或服务器。
在一个实施例中，所述标注条件包括待标注图像的元素类别；所述装置还包括图像标注模块，用于获取视频流数据；所述视频数据包括多帧图像；加载多个元素识别模型，通过所述多个元素识别模型处理所述多帧图像，得到每帧图像所对应的一个或多个元素类别；从所述多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对所述第二目标元素类别所对应的图像中的元素进行标注；得到所述视频流数据的图像标注数据。
在一个实施例中，所述图像标注模块还用于当所述标注条件更新时，根据所述更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于所述第三目标元素类别与所述第二目标元素类别确定新增目标元素类别；对所述新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述网络模型发布方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述网络模型发布方法的步骤。
上述网络模型发布方法、装置、计算机设备和存储介质，基于获取的第一图像标注数据筛选符合模型发布条件的第一目标元素类别，进而得到第一目标元素类别对应的目标图像，并将目标图像按拆分为训练图像和预测图像，通过训练数据对确定的网络模型进行训练得到检测模型，进一步通过检测模型对预测数据进行预测得到预测参考值，根据预测参考值判断检测模型是否达到发布要求，从而实现模型的自动发布，提高了模型发布的效率。
附图说明
图1为一个实施例中网络模型发布方法的应用场景图；
图2为一个实施例中网络模型发布方法的流程示意图；
图3为一个实施例中网络模型发布装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的网络模型发布方法，可以应用于如图1所示的应用环境中。该网络模型发布方法应用于网络模型发布系统中。该网络模型发布系统包括终端102与服务器104。其中，终端102与服务器104通过网络进行通信。终端102可以用于网络模型的发布，还可以用于对视频流数据的图像进行标注。终端102从服务器104中获取图像标注数据，该图像标注数据包括每帧图像的元素类别，进而终端102从多帧图像的元素类别中筛选出符合模型发布条件的第一目标元素类别，将第一目标元素类别对应的目标图像拆分为训练图像和预测图像，从而，通过训练图像对确定的待训练的网络模型进行训练以此得到检测模型，进一步通过检测模型对预测图像进行预测得到预测参考值，根据参考值以此确定是否发布当前得到的检测模型。终端102也可以从内存中获取图像标注数据，并根据图像标注数据确定目标图像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种网络模型发布方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取第一图像标注数据；图像标注数据包括每帧图像的元素类别。
具体地，终端从本地缓存中获取第一图像标注数据，也可以从服务器中获取预在设时时间内的第一图像标注数据。其中，第一图像标注数据包括每帧图像的元素类别，还包括该元素类别对应的图像标识以及元素的位置。元素类别用于唯一区分各图像元素的标识，元素类别可以采用数字、字母、字符中的一种或多种组合。
步骤S204，从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别。
具体地，基于多帧图像对应的元素类别，终端可以根据预先设置的标注条件从该元素类别中筛选出与待提取图像的元素类别一致的元素类别作为第一目标元素类别。终端也可以获取用户输入的模型发布条件，从全部元素类别中选取符合待提取图像的元素类别作为第一目标元素类别。终端检测到用户输入的模型发布条件，获取模型发布条件所携带的待提取图像的元素类别，从多帧图像对应的元素类别中筛选与待提取图像的元素类别一致的第一目标元素类别。其中，模型发布条件包括待提取图像的元素类别。
在其中一个实施例中，从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别包括：当多帧图像所包含的元素类别不包含待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与待提取图像的元素类别相关联的元素类别；将筛选得到的元素类别作为符合模型发布条件的第一目标元素类别。
具体地，由于第一图像标注数据中的元素类别有限，当第一图像标注数据中没有与用户输入的待提取图像的元素类别一致的元素类别时，根据预先构建的元素类别与元素类别之间的映射关系，终端从该映射关系中筛选出与待提取图像的元素类别对应的元素类别作为第一目标元素类别。
例如，用户要提取的图像元素是“自行车”，但是第一图像标注数据中没有“自行车”的元素类别，此时，终端根据元素类别之间的映射关系，筛选出与“自行车”相关的其他元素类别作为目标元素类别，比如可以筛选出“人”和“圆形”的元素类别作为第一目标元素类别。
步骤S206，获取第一目标元素类别对应的目标图像；将目标图像按比例拆分为当前训练图像和当前预测图像。
其中，当前训练图像用于对网络模型进行训练，调整网络模型的模型参数；当前预测图像用于对训练好的网络模型进行预测，得到预测结果。
具体地，基于获得的第一目标元素类别，终端根据第一目标元素类别从服务器中获取对应的目标图像，并按照预设比例拆分目标图像，得到当前训练图像和当前预测图像。为了提高对网络模型的训练效果，通常，当前训练图像的数量在目标图像中占比较多，预设比例可以设置为当前训练图像为90％，当前预测图像为10％。
步骤S208，确定待训练的网络模型，通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型。
具体地，服务器中存储有标准的多种类别的网络模型，并存储各个网络模型的网络类型，模型标识以及模型说明的模型对应关系。在确定待训练的网络模型时，终端从服务器或本次缓存中获取该模型对应关系，用户根据模型说明选取对应的标注网络模型进行训练。终端也根据预先设置的待发布网络模型的网络类型，从服务器中获取对应网络类型中任意网络模型进行训练。终端也可以根据预先设置的待发布网络模型的模型标识从服务器中确定待训练的网络模型。其中，网络类型包括循环网络、卷积网络、普通深度神经网络、神经网络等类型。模型标识用于区别各个网络模型的标识，可以是模型名称。模型说明用于说明对应模型的具体功能和应用范围。基于确定好的待训练网络模型，通过当前训练图像对该网络模型进行训练，得到训练后的检测模型。
步骤S210，通过当前预测图像对检测模型进行预测，得到预测参考值。
步骤S212，根据预测参考值确定检测模型的发布。
具体地，基于训练后得到的检测模型，进一步通过检测模型对当前预测图像进行预测，得到对应的预测参考值，基于预测参考值与阈值的比较确定检测模型的发布。基于当前预测图像所包含的多帧图像以及每帧图像对应的已知元素类别，将多帧图像输入至检测模型中，通过检测模型对多帧图像进行预测得到每帧图像的预测元素类别，将每帧图像的预测元素类别与对应的已知元素类别进行比对，若一致，则表明该帧图像预测正确，否则，该帧图像预测错误。计算预测正确的图像的数量与当前预测图像中全部图像的数量的比值，当该比值超过阈值时，终端将训练得到的检测模型传输至相应的智能设备或服务器。
在其中一个实施例中，根据预测参考值确定检测模型的发布包括：判断预测参考值是否超过阈值；若是，则将待发布的检测模型传输至相应的智能设备或服务器；若否，获取第一目标元素类别对应的训练图像，返回通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值的步骤，直至满足预测参考值超过阈值时，得到待发布的检测模型。其中，智能设备包括光学组件和处理器，光学组件和处理器直线连接。
具体地，终端将预测参考值与阈值进行比较，当预测参考值超过阈值时，表明当前训练的检测模型达到模型发布的精度要求，终端将当前训练得到的检测模型传输至对应的智能设备或服务器中。当预测参考值小于或等于阈值时，终端获取第一目标元素类别对应的下一个训练图像，通过该训练图像对上一次训练得到的检测模型再次进行训练，得到当前训练后的检测模型；进而通过当前预测图像对该检测模型进行再次预测，得到预测参考值，直到该预测参考值超过阈值，将该预测参考值对应的检测模型作为待发布的检测模型。
在其中一个实施例中，当预测参考值小于或等于阈值时，终端获取第一目标元素类别对应的下一个训练图像和上一个训练图像一起作为当前训练图像，返回通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值的步骤，直至满足预测参考值超过阈值时，得到待发布的检测模型。本实施例中，通过比较预测参考值和阈值，得到符合要求的待发布的检测模型，当预测参考值小于或等于阈值时，重新获取另一训练图像并对上一次训练得到的检测模型进行训练，以此得到当前训练后的检测模型，进而采用当前预测图像对检测模型进行再次预测，在不满足模型发布精度的条件下，自动增加训练样本对模型再次训练以此调整模型的准确性，从而可以实现模型的自动发布。
服务器接收检测模型，并存储该检测模型的模型标识、模型说明和网络类型的对应关系。智能设备在接收到检测模型后，通过监测模型对获取的数据进行识别检测，得到检测结果。
例如，智能设备包括光学组件和处理器，该智能设备是一个边缘推论设备。智能设备通过光学组件采集视频流数据，并将采集到的视频流数据传输至处理器，智能设备通过处理器加载接收到的检测模型，通过检测模型处理获取到的视频流数据，得到检测结果。比如该检测模型是识别用户某种异常行为的模型，当识别到异常行为时，处理器根据异常行为与告警信息的映射关系获取到异常行为对应的告警信息，并将告警信息传输至对应的多媒体设备，以此实现异常行为的自动报警。
上述实施例中，基于获取的第一图像标注数据筛选符合模型发布条件的第一目标元素类别，进而得到第一目标元素类别对应的目标图像，并将目标图像按拆分为训练图像和预测图像，通过训练数据对确定的网络模型进行训练得到检测模型，进一步通过检测模型对预测数据进行预测得到预测参考值，根据预测参考值判断检测模型是否达到发布要求，从而实现模型的自动发布，提高了模型发布的效率。
在一个实施例中，标注条件包括待标注图像的元素类别；方法还包括：获取视频流数据；视频数据包括多帧图像；加载多个元素识别模型，通过多个元素识别模型处理多帧图像，得到每帧图像所对应的一个或多个元素类别；从多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对第二目标元素类别所对应的图像中的元素进行标注；得到视频流数据的图像标注数据。
具体地，服务器中存储有大量的视频流数据，终端在预设时间从服务器中获取视频流数据，并对获取的视频流数据进行视频解码，得到具有统一图片格式的多帧图像。服务器也可以直接将存储的视频流数据按序传输至终端。
终端从存储器中加载多个元素识别模型，通过元素识别模型对获取到的视频流数据中的多帧图像进行元素识别，得到每帧图像所对应的一个或多个元素类别。元素类别可以采用数字、字母、字符中的一种或多种组合。其中，元素识别模型是指通过具有相同图像元素的样本图像对元素识别模型进行训练，得到具有识别该图像元素的识别模型，元素识别模型与元素具有一一映射关系。每个元素具有唯一区分各图像元素的元素类别。
具体地，基于多帧图像对应的全部元素类别，终端可以根据预先设置的标注条件从该元素类别中筛选与待标注图像的元素类别一致的元素类别作为第二目标元素类别。终端也可以获取用户输入的标注条件，从全部元素类别中选取符合待标注图像的元素类的元素类别作为第二目标元素类别。终端检测到用户输入的标注条件，获取标注条件所携带的待标注图像的元素类别，从多帧图像对应的元素类别中筛选与待标注图像的元素类别一致的第二目标元素类别。其中，标注条件包括标注待标注图像的元素类别。
在其中一个实施例中，上述方法还包括：当标注条件更新时，根据更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于第三目标元素类别与第二目标元素类别确定新增目标元素类别；对新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
具体地，当检测到标注条件发生更新的信息或指令时，终端根据更新后的标注条件从多帧图像的元素类别中筛选出第三目标元素类别，进一步，确定第三目标元素类别相对第二元素类别所增加的新增目标元素类别，终端对新增通目标元素类别对应的图像进行标注得到新增图像标注数据，将该新增图像标注数据记载至图像标注数据中，得到更新后的图像标注数据。
在本实施例中，基于获取到的视频流数据，通过加载的多个元素识别模型对视频流数据中的多帧图像进行识别，得到每帧图像对应的一个或多个元素类别，通过元素类别可以有效的给视频流数据中的多帧图像进行元素标记，为后续的图像标注提供了索引基础；进一步，从多帧图像对应的元素类别中筛选符合标注条件的第二目标元素类别，基于第二目标元素类别对应的图像的元素进行标注，缩小了标注图像的范围，减少图像标注的工作量，提高标注效率，可以更快速的为模型发布提供训练数据和预测数据，以此提高模型发布的速率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种网络模型发布装置300，包括：标注数据获取模块302、元素类别筛选模块304、数据集确定模块306和模型生成和发布模块308，其中：
标注数据获取模块302，用于获取第一图像标注数据；图像标注数据包括每帧图像的元素类别。
元素类别筛选模块304，用于从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别。
数据集确定模块306，用于获取第一目标元素类别对应的目标图像；将目标图像按比例拆分为当前训练图像和当前预测图像。
模型生成和发布模块308，用于确定待训练的网络模型，通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值；根据预测参考值确定是否发布检测模型；若是，则将待发布的检测模型传输至相应的智能设备或服务器。
在一个实施例中，标注条件包括待标注图像的元素类别；装置还包括图像标注模块，用于获取视频流数据；视频数据包括多帧图像；加载多个元素识别模型，通过多个元素识别模型处理多帧图像，得到每帧图像所对应的一个或多个元素类别；从多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对第二目标元素类别所对应的图像中的元素进行标注；得到视频流数据的图像标注数据。
在一个实施例中，图像标注模块还用于当标注条件更新时，根据更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于第三目标元素类别与第二目标元素类别确定新增目标元素类别；对新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
在一个实施例中，上述元素类别筛选模块还用于当多帧图像所包含的元素类别不包含待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与待提取图像的元素类别相关联的元素类别；将筛选得到的元素类别作为符合模型发布条件的第一目标元素类别。
在一个实施例中，上述模型生成和发布模块还用于判断预测参考值是否超过阈值；若是，则将待发布的检测模型传输至相应的智能设备或服务器；若否，获取第一目标元素类别对应的下一个训练图像，将训练图像作为当前训练图像，返回通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值的步骤，直至满足预测参考值超过阈值时，得到待发布的检测模型。
在本实施例中，基于获取的第一图像标注数据筛选符合模型发布条件的第一目标元素类别，进而得到第一目标元素类别对应的目标图像，并将目标图像按拆分为训练图像和预测图像，通过训练数据对确定的网络模型进行训练得到检测模型，进一步通过检测模型对预测数据进行预测得到预测参考值，根据预测参考值判断检测模型是否达到发布要求，从而实现模型的自动发布，提高了模型发布的效率。
关于网络模型发布装置的具体限定可以参见上文中对于网络模型发布方法的限定，在此不再赘述。上述网络模型发布装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种第一图像标注数据方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取第一图像标注数据；图像标注数据包括多帧图像的元素类别；从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；获取第一目标元素类别对应的目标图像；将目标图像按比例拆分为当前训练图像和当前预测图像；确定待训练的网络模型，通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值；根据预测参考值确定检测模型的发布。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取视频流数据；视频数据包括多帧图像；加载多个元素识别模型，通过多个元素识别模型处理多帧图像，得到每帧图像所对应的一个或多个元素类别；从多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对第二目标元素类别所对应的图像中的元素进行标注；得到视频流数据的图像标注数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当标注条件更新时，根据更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于第三目标元素类别与第二目标元素类别确定新增目标元素类别；对新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当多帧图像所包含的元素类别不包含待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与待提取图像的元素类别相关联的元素类别；将筛选得到的元素类别作为符合模型发布条件的第一目标元素类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：判断预测参考值是否超过阈值；若是，则将待发布的检测模型传输至相应的智能设备或服务器；若否，获取第一目标元素类别对应的下一个训练图像，将训练图像作为当前训练图像，返回通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值的步骤，直至满足预测参考值超过阈值时，得到待发布的检测模型。
在本实施例中，基于获取的第一图像标注数据筛选符合模型发布条件的第一目标元素类别，进而得到第一目标元素类别对应的目标图像，并将目标图像按拆分为训练图像和预测图像，通过训练数据对确定的网络模型进行训练得到检测模型，进一步通过检测模型对预测数据进行预测得到预测参考值，根据预测参考值判断检测模型是否达到发布要求，从而实现模型的自动发布，提高了模型发布的效率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取第一图像标注数据；图像标注数据包括多帧图像的元素类别；从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；获取第一目标元素类别对应的目标图像；将目标图像按比例拆分为当前训练图像和当前预测图像；确定待训练的网络模型，通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值；根据预测参考值确定检测模型的发布。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取视频流数据；视频数据包括多帧图像；加载多个元素识别模型，通过多个元素识别模型处理多帧图像，得到每帧图像所对应的一个或多个元素类别；从多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对第二目标元素类别所对应的图像中的元素进行标注；得到视频流数据的图像标注数据。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：当标注条件更新时，根据更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于第三目标元素类别与第二目标元素类别确定新增目标元素类别；对新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：当多帧图像所包含的元素类别不包含待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与待提取图像的元素类别相关联的元素类别；将筛选得到的元素类别作为符合模型发布条件的第一目标元素类别。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：判断预测参考值是否超过阈值；若是，则将待发布的检测模型传输至相应的智能设备或服务器；若否，获取第一目标元素类别对应的下一个训练图像，将训练图像作为当前训练图像，返回通过当前训练图像对待训练的网络模型进行训练，得到训练后的检测模型；通过当前预测图像对检测模型进行预测，得到预测参考值的步骤，直至满足预测参考值超过阈值时，得到待发布的检测模型。
在本实施例中，基于获取的第一图像标注数据筛选符合模型发布条件的第一目标元素类别，进而得到第一目标元素类别对应的目标图像，并将目标图像按拆分为训练图像和预测图像，通过训练数据对确定的网络模型进行训练得到检测模型，进一步通过检测模型对预测数据进行预测得到预测参考值，根据预测参考值判断检测模型是否达到发布要求，从而实现模型的自动发布，提高了模型发布的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络模型发布方法，所述方法包括：
获取第一图像标注数据；所述图像标注数据包括多帧图像的元素类别；
从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；
获取所述第一目标元素类别对应的目标图像；将所述目标图像按比例拆分为当前训练图像和当前预测图像；
确定待训练的网络模型，通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；
通过所述当前预测图像对所述检测模型进行预测，得到预测参考值；
根据所述预测参考值确定所述检测模型的发布。
2.根据权利要求1所述的方法，其特征在于，所述标注条件包括待标注图像的元素类别；所述方法还包括：
获取视频流数据；所述视频数据包括多帧图像；
加载多个元素识别模型，通过所述多个元素识别模型处理所述多帧图像，得到每帧图像所对应的一个或多个元素类别；
从所述多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；
对所述第二目标元素类别所对应的图像中的元素进行标注；得到所述视频流数据的图像标注数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述标注条件更新时，根据所述更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；
基于所述第三目标元素类别与所述第二目标元素类别确定新增目标元素类别；
对所述新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；
基于新增图像标注数据对图像标注数据增量更新。
4.根据权利要求1所述的方法，其特征在于，所述模型发布条件包括待提取图像的元素类别；所述从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别包括：
当所述多帧图像所包含的元素类别不包含所述待提取图像的元素类别时；根据元素类别之间的关联关系，筛选与所述待提取图像的元素类别相关联的元素类别；
将筛选得到的元素类别作为符合所述模型发布条件的第一目标元素类别。
5.根据权利要求1所述的方法，其特征在于，所述根据所述预测参考值确定所述检测模型的发布包括：
判断所述预测参考值是否超过阈值；
若是，则将待发布的所述检测模型传输至相应的智能设备或服务器；
若否，获取所述第一目标元素类别对应的下一个训练图像，将所述训练图像作为当前训练图像，返回通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；通过所述当前预测图像对所述检测模型进行预测，得到预测参考值的步骤，直至满足所述预测参考值超过阈值时，得到待发布的检测模型。
6.一种网络模型发布装置，其特征在于，所述装置包括：
标注数据获取模块，用于获取第一图像标注数据；所述图像标注数据包括每帧图像的元素类别；
元素类别筛选模块，用于从多帧图像的元素类别中筛选符合模型发布条件的第一目标元素类别；
数据集确定模块，用于获取所述第一目标元素类别对应的目标图像；将所述目标图像按比例拆分为当前训练图像和当前预测图像；
模型生成和发布模块，用于确定待训练的网络模型，通过所述当前训练图像对所述待训练的网络模型进行训练，得到训练后的检测模型；通过所述当前预测图像对所述检测模型进行预测，得到预测参考值；根据所述预测参考值确定是否发布所述检测模型；若是，则将待发布的所述检测模型传输至相应的智能设备或服务器。
7.根据权利要求6所述的装置，其特征在于，所述标注条件包括待标注图像的元素类别；所述装置还包括图像标注模块，用于获取视频流数据；所述视频数据包括多帧图像；加载多个元素识别模型，通过所述多个元素识别模型处理所述多帧图像，得到每帧图像所对应的一个或多个元素类别；从所述多帧图像的元素类别中筛选符合标注条件的第二目标元素类别；对所述第二目标元素类别所对应的图像中的元素进行标注；得到所述视频流数据的图像标注数据。
8.根据权利要求7所述的装置，其特征在于，所述图像标注模块还用于当所述标注条件更新时，根据所述更新后的标注条件从所多帧图像的元素类别中筛选第三目标元素类别；基于所述第三目标元素类别与所述第二目标元素类别确定新增目标元素类别；对所述新增目标元素类别所对应的图像中的元素进行标注，得到新增图像标注数据；基于新增图像标注数据对图像标注数据增量更新。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911071752.6A CN111078984B (zh) | 2019-11-05 | 2019-11-05 | 网络模型发布方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911071752.6A CN111078984B (zh) | 2019-11-05 | 2019-11-05 | 网络模型发布方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111078984A true CN111078984A (zh) | 2020-04-28 |
| CN111078984B CN111078984B (zh) | 2024-02-06 |
Family
ID=70310673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911071752.6A Active CN111078984B (zh) | 2019-11-05 | 2019-11-05 | 网络模型发布方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111078984B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164227A (zh) * | 2020-08-26 | 2021-01-01 | 深圳奇迹智慧网络有限公司 | 违停车辆告警方法、装置、计算机设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
| CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
| CN107958268A (zh) * | 2017-11-22 | 2018-04-24 | 用友金融信息技术股份有限公司 | 一种数据模型的训练方法及装置 |
| CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
| CN109271602A (zh) * | 2018-09-05 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 深度学习模型发布方法及装置 |
| CN109299279A (zh) * | 2018-11-29 | 2019-02-01 | 北京奇安信科技有限公司 | 一种数据处理方法、设备、系统和介质 |
| CN109598307A (zh) * | 2018-12-06 | 2019-04-09 | 北京达佳互联信息技术有限公司 | 数据筛选方法、装置、服务器及存储介质 |
| CN109710933A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 训练语料的获取方法、装置、计算机设备和存储介质 |
| CN109740676A (zh) * | 2019-01-07 | 2019-05-10 | 电子科技大学 | 基于相似目标的物体检测迁移方法 |
-
2019
- 2019-11-05 CN CN201911071752.6A patent/CN111078984B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104665849A (zh) * | 2014-12-11 | 2015-06-03 | 西南交通大学 | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 |
| CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
| CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
| CN107958268A (zh) * | 2017-11-22 | 2018-04-24 | 用友金融信息技术股份有限公司 | 一种数据模型的训练方法及装置 |
| CN109271602A (zh) * | 2018-09-05 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 深度学习模型发布方法及装置 |
| CN109299279A (zh) * | 2018-11-29 | 2019-02-01 | 北京奇安信科技有限公司 | 一种数据处理方法、设备、系统和介质 |
| CN109598307A (zh) * | 2018-12-06 | 2019-04-09 | 北京达佳互联信息技术有限公司 | 数据筛选方法、装置、服务器及存储介质 |
| CN109710933A (zh) * | 2018-12-25 | 2019-05-03 | 广州天鹏计算机科技有限公司 | 训练语料的获取方法、装置、计算机设备和存储介质 |
| CN109740676A (zh) * | 2019-01-07 | 2019-05-10 | 电子科技大学 | 基于相似目标的物体检测迁移方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164227A (zh) * | 2020-08-26 | 2021-01-01 | 深圳奇迹智慧网络有限公司 | 违停车辆告警方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111078984B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108711110B (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
| CN107844634B (zh) | 多元通用模型平台建模方法、电子设备及计算机可读存储介质 | |
| CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
| CN107315810B (zh) | 一种物联网设备行为画像方法 | |
| CN110620905A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
| CN108804133B (zh) | 虚拟资源的获取方法、系统、计算机设备和存储介质 | |
| CN108809718B (zh) | 基于虚拟资源的网络访问方法、系统、计算机设备和介质 | |
| CN111145910A (zh) | 基于人工智能的异常案例识别方法、装置、计算机设备 | |
| CN111414874B (zh) | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 | |
| CN110674144A (zh) | 用户画像生成方法、装置、计算机设备和存储介质 | |
| CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
| CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
| CN112395500A (zh) | 内容数据推荐方法、装置、计算机设备及存储介质 | |
| CN110555164A (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
| CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
| CN113918738B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
| CN110659435A (zh) | 页面数据采集处理方法、装置、计算机设备和存储介质 | |
| CN111080697A (zh) | 检测目标对象方向的方法、装置、计算机设备和存储介质 | |
| CN111078984B (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
| CN113010785A (zh) | 用户推荐方法及设备 | |
| CN110598090B (zh) | 兴趣标签的生成方法、装置、计算机设备和存储介质 | |
| CN110163183B (zh) | 目标检测算法的评估方法、装置、计算机设备和存储介质 | |
| CN111737577A (zh) | 一种基于业务平台的数据查询方法、装置、设备和介质 | |
| CN111898035A (zh) | 基于物联网的数据处理策略配置方法、装置和计算机设备 | |
| CN108596068B (zh) | 一种动作识别的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |