CN112580734B - 目标检测模型训练方法、系统、终端设备及存储介质 - Google Patents
目标检测模型训练方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112580734B CN112580734B CN202011566942.8A CN202011566942A CN112580734B CN 112580734 B CN112580734 B CN 112580734B CN 202011566942 A CN202011566942 A CN 202011566942A CN 112580734 B CN112580734 B CN 112580734B
- Authority
- CN
- China
- Prior art keywords
- target detection
- sample data
- detection model
- difficult
- test
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 261
- 238000012549 training Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims description 147
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 description 19
- 238000013461 design Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种目标检测模型训练方法、系统、终端设备及存储介质，该方法包括：获取目标物体的正样本数据；根据正样本数据和目标物体的分类数量对目标检测模型进行第一次模型训练；获取难分样本数据，并根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理；根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练，直至新增类处理后的目标检测模型满足预设迭代条件。本申请通过对目标检测模型进行新增类处理，并根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行模型训练，能有效防止难分类样本被识别为正样本，防止了模型对难分类别的误检测。
Description
技术领域
本申请属于目标检测技术领域，尤其涉及一种目标检测模型训练方法、系统、终端设备及存储介质。
背景技术
计算机视觉(CV)是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，实现人的大脑中(主要是视觉皮层区)的视觉能力。而目标检测(Object Detection)是计算机视觉领域所要完成的主要任务之一。目标检测通常是指在给定的一张图片或者视频帧中找出所有目标的位置，并给出每个目标的具体类别。
当前的目标检测通常是通过基于深度学习的目标识别技术来实现的。而在当前的各种基于深度学习的目标识别中，数据集的采集和目标检测模型的训练都是必不可少的一环。因此，如何进行数据集的采集以及目标检测模型的训练是目标检测所要解决的关键问题之一。
现有的目标检测模型训练过程中，均是根据目标物体的分类数量进行目标检测模型的训练，使得模型训练过程中，难分样本容易被识别为正样本，进而导致了难分样本对正样本的干扰，降低了目标检测模型训练的准确性。
发明内容
本申请实施例提供了一种目标检测模型训练方法、系统、终端设备及存储介质，旨在解决现有的目标检测模型训练过程中，由于根据目标物体的分类数量进行目标检测模型训练，所导致的目标检测模型训练准确性低下的问题。
第一方面，本申请实施例提供了一种目标检测模型训练方法，所述方法包括：
获取目标物体的正样本数据，所述正样本数据包括所述目标物体的显示图像、针对所述显示图像的类别标注、选取框标注和所述目标物体的分类数量；
根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练；
获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理，所述新增类处理用于根据所述难分样本数据的分类数量增大第一次模型训练后的所述目标检测模型的分类数量；
根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件。
本申请实施例与现有技术相比存在的有益效果是：通过根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得在第一次模型训练后的目标检测模型中有新增难分样本数据对应的新分类，基于第一次模型训练后的目标检测模型中新增的新分类，使得根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练时，难分类样本数据只会被目标检测模型识别为新增的新分类中的某一类，并不会被目标检测模型识别为正样本数据对应的分类，进而防止了难分类样本被识别为正样本，防止了模型对难分类别的误检测，提高了目标检测模型训练的准确性。
进一步地，所述获取难分样本数据，包括：
将第一次模型训练后的所述目标检测模型对测试图片进行测试，得到目标检测结果，并根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误；
若第一次模型训练后的所述目标检测模型对所述测试图片的测试错误，则对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据。
进一步地，所述根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误，包括：
获取所述目标物体在所述测试图片中的类别标注和选取框标注；
将所述目标检测结果中针对所述目标物体的类别标注和选取框标注与所述测试图片中的类别标注和选取框标注进行比对；
若所述目标检测结果和所述测试图片中针对同一所述目标物体的类别标注和/或选取框标注不相同，则判定第一次模型训练后的所述目标检测模型对所述测试图片的测试错误。
进一步地，所述判定第一次模型训练后的所述目标检测模型对所述测试图片的测试错误之后，还包括：
获取所述测试图片中不相同的类别标注和/或选取框标注对应的图片区域；
将获取到的所述图片区域设置为误检测区域；
所述对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据，包括：
对所述误检测区域进行难分样本标注，得到所述难分样本数据。
进一步地，所述获取难分样本数据，包括：
查询所述目标物体的相似物体，所述相似物体与所述目标物体之间的相似度大于相似度阈值；
获取所述相似物体的相似图片，并对所述相似图片进行难分样本标注，得到所述难分样本数据。
进一步地，所述获取目标物体的正样本数据，包括：
获取待检测环境的环境图片，并检测所述环境图片中是否存在所述目标物体；
若检测到所述环境图片中存在所述目标物体，则查询所述目标物体的物体类别和物体选取框；
根据所述物体选取框对所述环境图片中所述目标物体所在的区域进行框选，并根据所述物体类别对所述物体选取框内的所述目标物体进行数据标注，得到所述正样本数据。
进一步地，所述根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误之后，还包括：
若第一次模型训练后的所述目标检测模型对所述测试图片的测试均正确，则针对第一次模型训练后的所述目标检测模型发送难分样本获取错误提示。
第二方面，本申请实施例提供了一种目标检测模型训练系统，包括：
正样本数据获取模块，用于获取目标物体的正样本数据，所述正样本数据包括所述目标物体的显示图像、针对所述显示图像的类别标注、选取框标注和所述目标物体的分类数量；
第一模型训练模块，用于根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练；
新增类处理模块，用于获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理，所述新增类处理用于根据所述难分样本数据的分类数量增大第一次模型训练后的所述目标检测模型的分类数量；
第二模型训练模块，用于根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的目标检测模型训练方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请第一实施例提供的目标检测模型训练方法的流程图；
图2是本申请第二实施例提供的目标检测模型训练方法的流程图；
图3是本申请第三实施例提供的目标检测模型训练方法的流程图；
图4是本申请第四实施例提供的目标检测模型训练系统的结构示意图；
图5是本申请第五实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一
请参阅图1，是本申请第一实施例提供的目标检测模型训练方法的流程图，包括步骤：
步骤S10，获取目标物体的正样本数据；
其中，该正样本数据包括目标物体的显示图像、针对显示图像的类别标注、选取框标注。所有正样本数据中目标物体的类别标注所指示的不同类别的数量为目标物体的分类数量，该目标物体的类别和数量均可以根据需求进行设置，例如，该目标物体包括人物、车辆或房屋等物体。
具体的，该显示图像中存储有该目标物体的图像特征，不同目标物体对应的类别标注不相同，该类别标注用于对不同类别的目标物体进行区分，该类别标注可以采用文字、数字或字母等标注方式对目标物体进行标注，例如，当该目标物体为人物时，则可以采用文字“人类”对该目标物体进行类别标注，当该目标物体为车辆时，则可以采用文字“汽车”对该目标物体进行类别标注。
该步骤中，该选取框标注用于标注该目标图像的显示位置，该目标物体的分类数量为不同类别标注的总数，例如，该目标物体的类别包括“人类”、“汽车”和“猫”时，则该目标物体的分类数量为3个。
可选的，该步骤中，可以采用人工标注或自动标注的方式生成该类别标注和选取框标注，当采用自动标注的方式生成该类别标注和选取框标注时，则所述获取目标物体的正样本数据，包括：
获取待检测环境的环境图片，并检测所述环境图片中是否存在所述目标物体；
若检测到所述环境图片中存在所述目标物体，则查询所述目标物体的物体类别和物体选取框；
根据所述物体选取框对所述环境图片中所述目标物体所在的区域进行框选，并根据所述物体类别对所述物体选取框内的所述目标物体进行数据标注，得到所述正样本数据。
步骤S20，根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练；
其中，该目标检测模型可以采用R-CNN模型、SSD模型或YOLO模型等，该目标检测模型用于识别输入的待检测图片中是否存在目标物体，若存在目标物体时，识别该目标物体的位置和类别，并将识别到的目标物体的位置和类别进行输出。
该步骤中，通过根据正样本数据对目标检测模型进行第一次模型训练，使得第一次模型训练后的目标检测模型能识别到对应类别的目标物体，并输出待检测图片中存在的目标物体的位置和类别。
可选的，该步骤中，针对YOLO模型进行第一次模型训练过程的说明：
该YOLO模型包括卷积层和全连接层，卷积层用于提取目标物体的图像特征，全连接层用于根据卷积层提取的图像特征进行类别预测和显示位置的预测，得到预测输出概率，该步骤中，通过根据该正样本数据生成标签文件，该标签文件中存储有对应目标物体的尺寸、类别标注和显示坐标，根据该正样本数据和标签文件对YOLO模型中的卷积层和全连接层进行深度学习训练，使得训练后的YOLO模型能识别到对应分类数量的目标物体，并输出待检测图片中存在的目标物体的位置和类别。
步骤S30，获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理；
其中，该难分样本数据为针对正样本数据设置的相似样本数据，该难分样本数据中的难分样本可以根据需求进行设置，该难分样本包括难分物体的难分图像、针对难分图像的类别标注和选取框标注。
该步骤中，通过根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得在第一次模型训练后的目标检测模型中有新增难分样本数据对应的新分类，其中，新分类的类别与正样本数据中目标物体对应的类别不相同。
例如，当正样本数据中的目标物体的类别标注包括“皮卡车”和“轿车”时，难分样本数据中的难分物体可以为“面包车”和“越野车”，该步骤中，根据该正样本数据训练后的目标检测模型可以识别到2个类别的目标物体，即能输出待检测图片中“皮卡车”和“轿车”的位置和类别，通过根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得在第一次模型训练后的目标检测模型中增加“面包车”和“越野车”对应的类别。
步骤S40，根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件；
其中，通过根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练，使得第二次模型训练中的目标检测模型能针对难分样本数据中的难分物体的图像特征进行深度学习，且第一次模型训练后的目标检测模型在第二次模型训练过程中，难分类样本数据只会被第一次模型训练后的目标检测模型识别为新增的新分类中的某一类，并不会被第一次模型训练后的目标检测模型识别为正样本数据对应的分类，使得第一次模型训练后的目标检测模型在第二次模型训练时，可以直接地学习到目标物体与难分物体之间的特征区别，使得第二次模型训练后的目标检测模型能有效地对待检测图片中的目标物体和难分物体进行区分，防止了由于将难分物体识别为目标物体所导致的检测准确性低下的问题，提高了第二次模型训练后目标检测模型的准确性。
例如，根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练过程中，难分样本数据中的难分样本会被识别为“面包车”或“越野车”的分类，而并不会被识别为“皮卡车”或“轿车”的分类，使得第二次模型训练中的目标检测模型可以直接地学习到“皮卡车”与“面包车”、“皮卡车”与“越野车”、“轿车”与“面包车”、“轿车”与“越野车”之间的特征区别，防止了第二次模型训练后目标检测模型对“皮卡车”、“面包车”、“面包车”或“越野车”的错误识别。
可选的，该步骤中，可以采用迁移学习(Transfer Learning)的方式根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练，该迁移学习用于维持第一次模型训练后的目标检测模型中除最后一个全连接层不变的情况下，根据该难分样本数据和正样本数据对最后一个全连接层进行深度学习，以达到根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练的效果。
例如，当正样本数据中的目标物体的类别标注包括“皮卡车”和“轿车”时，难分样本数据中的难分物体为“面包车”和“越野车”，当该目标检测模型包括7个卷积层和2个全连接层，通过步骤S20根据正样本数据和目标物体的分类数量对目标检测模型进行第一次模型训练，使得第一次模型训练后的目标检测模型对待检测图像中的“皮卡车”和“轿车”进行检测，即经过步骤S20第一次模型训练后的目标检测网络可以识别到2个分类的目标物体，根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得目标检测网络需要进行4个分类的物体识别，该4个分类的物体分别为“皮卡车”、“轿车”、“面包车”和“越野车”，步骤S40实施时，将步骤S20第一次模型训练后的目标检测网络中7个卷积层和第一个全连接的参数权重维持不变，并根据该难分样本数据和正样本数据对最后一个全连接层进行深度学习，使得最后一个全连接层能有效地对该4个分类的物体进行识别，进而防止了第二次模型训练后的目标检测模型对“皮卡车”、“面包车”、“面包车”或“越野车”的错误识别，提高了目标检测模型的准确性。
可选的，该步骤中，当第一次模型训练后的目标检测模型根据难分样本数据和正样本数据进行第二次模型训练后，针对待检测图片中的难分类物体可以不输出检测结果，只针对待检测图片中的目标物体输出检测结果。
此外，该步骤中，该预设迭代条件可以根据需求进行设置，该预设迭代条件可以设置为：判断第二次模型训练中目标检测模型的当前迭代次数是否大于次数阈值，若第二次模型训练中目标检测模型的当前迭代次数大于次数阈值，则判定该目标检测模型满足该预设迭代条件，或该预设迭代条件可以设置为：判断该第二次模型训练中目标检测模型输出的模型损失值(loss)是否小于损失阈值，若第二次模型训练中目标检测模型输出的模型损失值小于损失阈值，则判定该目标检测模型满足该预设迭代条件。
本实施例中，通过根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得在第一次模型训练后的目标检测模型中有新增难分样本数据对应的新分类，基于第一次模型训练后的目标检测模型中新增的新分类，使得根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练时，难分类样本数据只会被目标检测模型识别为新增的新分类中的某一类，并不会被目标检测模型识别为正样本数据对应的分类，进而防止了难分类样本被识别为正样本，防止了模型对难分类别的误检测，提高了目标检测模型训练的准确性。
实施例二
请参阅图2，是本申请第二实施例提供的目标检测模型训练方法的流程图，该第二实施例用于对第一实施例中步骤S30进行细化，以细化描述如何获取难分样本数据的步骤，包括步骤：
步骤S31，将第一次模型训练后的所述目标检测模型对测试图片进行测试，得到目标检测结果；
其中，该测试图片可以根据需求进行设置，该测试图片用于对步骤S31中第一次模型训练后的目标检测模型进行性能测试，该目标测试结果为第一次模型训练后的目标检测模型针对测试图片进行测试后的输出图片，该输出图片与测试图片中物体和背景的显示图像均相同，但在该输出图片中存储有第一次模型训练后的目标检测模型对测试图片中物体的类别标注和选取框标注。
步骤S32，根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误；
其中，通过根据目标检测结果判断第一次模型训练后的目标检测模型对测试图片的测试是否错误的设计，以判断第一次模型训练后的目标检测模型对该测试图片的测试是否正确，即判断第一次模型训练后的目标检测模型对该测试图片中目标物体的分类和区域框选是否正确。
具体的，该步骤中，所述根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误，包括：
获取所述目标物体在所述测试图片中的类别标注和选取框标注；
将所述目标检测结果中针对所述目标物体的类别标注和选取框标注与所述测试图片中的类别标注和选取框标注进行比对；
若所述目标检测结果和所述测试图片中针对同一所述目标物体的类别标注和/或选取框标注不相同，则判定第一次模型训练后的所述目标检测模型对所述测试图片测试错误；
其中，若目标检测结果和测试图片中针对同一目标物体的类别标注不相同，则判定第一次模型训练后的目标检测模型对该测试图片中目标物体的分类不正确，例如，该输出图片中针对目标物体A的类别标注为标注A，而在测试图片中针对目标物体A预先设置的类别标注为标注a，则判定第一次模型训练后的目标检测模型对该测试图片中目标物体A的分类不正确，则判定第一次模型训练后的目标检测模型对所述测试图片测试错误。
该步骤中，若目标检测结果和测试图片中针对同一目标物体的选取框标注不相同，则判定该第一次模型训练后的目标检测模型对该测试图片中目标物体的区域框选不正确，例如，该输出图片中针对目标物体B的选取框标注对应的框选区域为B，而在测试图片中针对目标物体B的选取框标注对应的框选区域为b，则判定该第一次模型训练后的目标检测模型对该测试图片中目标物体B的区域框选不正确，则判定第一次模型训练后的目标检测模型对测试图片测试错误。
可选的，该步骤中，所述判定第一次模型训练后的所述目标检测模型对所述测试图片测试错误之后，还包括：获取所述测试图片中不相同的类别标注和/或选取框标注对应的图片区域，并将获取到的所述图片区域设置为误检测区域，其中，通过将该获取到的图片区域设置为误检测区域的设计，有效地提高了后续针对测试图片的难分样本标注的准确性。
步骤S33，若第一次模型训练后的所述目标检测模型对所述测试图片的测试错误，则对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据；
其中，若第一次模型训练后的目标检测模型对测试图片的测试错误，则判定第一次模型训练后的目标检测模型不能有效地对测试错误的测试图片中的目标物体进行分类和位置的识别，因此，通过对测试错误的测试图片进行难分样本标注得到难分样本数据的设计，使得根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新分类的增加，并基于第一次模型训练后的目标检测模型中新增的新分类，使得新增类处理后的目标检测模型在第二次模型训练过程中，能有效地学习到正样本数据与难分样本数据之间的区别特征，即能有效地学习到测试错误的测试图片与正样本数据中目标物体之间的区别特征，进而提高了第二次模型训练后目标检测模型的准确性。
该步骤中，所述对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据，包括：对所述误检测区域进行难分样本标注，得到所述难分样本数据，其中，只需要针对测试图片中不相同的类别标注和/或选取框标注对应的图片区域进行难分样本标注，得到难分样本数据的设计，有效地提高了难分样本标注的准确性，无需对测试错误的测试图片的整个图像进行难分样本标注。
步骤S34，若第一次模型训练后的所述目标检测模型对所述测试图片的测试均正确，则检测模型针对第一次模型训练后的所述目标检测模型发送难分样本获取错误提示；
其中，若第一次模型训练后的目标检测模型对测试图片的测试均正确，则判定该测试图片中不存在检测错误的图片，通过针对第一次模型训练后的目标检测模型发送难分样本获取错误提示的设计，以提示用户重新进行该第一次模型训练后的目标检测模型的性能测试。
本实施例中，通过将第一次模型训练后的目标检测模型对测试图片进行测试的设计，以检测第一次模型训练后的目标检测模型对目标物体的检测效果，若第一次模型训练后的目标检测模型对测试图片的测试错误，则判定第一次模型训练后的目标检测模型不能有效地对测试错误的测试图片中的目标物体进行分类和位置的识别，通过对测试错误的测试图片进行难分样本标注得到该难分样本数据的设计，使得根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新分类的增加，并基于第一次模型训练后的目标检测模型中新增的新分类，使得新增类处理后的目标检测模型在第二次模型训练过程中，能有效地学习到正样本数据与难分样本数据之间的区别特征，即能有效地学习到测试错误的测试图片与正样本数据中目标物体之间的区别特征，进而提高了第二次模型训练后目标检测模型的准确性。
实施例三
请参阅图3，是本申请第三实施例提供的目标检测模型训练方法的流程图，该第三实施例用于对第一实施例中步骤S30进行细化，以细化描述如何获取难分样本数据的步骤，包括步骤：
步骤S35，查询所述目标物体的相似物体；
其中，该相似物体与该目标物体之间的相似度大于相似度阈值，该相似度阈值可以根据需求进行设置，例如，该相似度阈值可以设置为80％、90％或95％等。
可选的，本实施例中预存储有相似物查询表，该相似物查询表中存储有不同目标物体的物体标识与对应相似物体之间的对应关系，该物体标识可以采用文字、数字、字母或图像的方式存储在该相似物查询表中。
具体的，该步骤中，通过将该目标物体的物体标识与该相似物查询表进行匹配，以得到该相似物体，例如，当该目标物体为皮卡车时，则该相似物体可以为面包车或越野车等。
步骤S36，获取所述相似物体的相似图片，并对所述相似图片进行难分样本标注，得到所述难分样本数据；
其中，该相似图片为针对对应相似物体预先采集的图片，不同相似物体对应的相似图片不相同，通过对相似图片进行难分样本标注得到难分样本数据的设计，使得根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新分类的增加时，在第一次模型训练后的目标检测模型中能针对相似物体进行分类的增加，并基于目标检测模型中对相似物体的分类增加，使得新增类处理后的目标检测模型在第二次模型训练过程中，能有效地学习到正样本数据中目标物体与相似物体之间的区别特征，使得第二次模型训练后的目标检测模型能对待检测图片中的目标物体和相似物体进行区分，提高了第二次模型训练后目标检测模型的准确性。
可选的，该步骤中，可以分别对该相似图片和测试错误的测试图片进行难分样本标注，得到该难分样本数据，使得根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新分类的增加时，在目标检测模型中能针对相似物体和难分样本进行分类的增加，并基于目标检测模型中对相似物体和难分物体进行分类的增加，使得新增类处理后的目标检测模型在第二次模型训练过程中，能有效地学习到目标物体与相似物体、难分物体之间的区别特征，使得第二次模型训练后的目标检测模型能对待检测图片中的目标物体、相似物体和难分物体进行区分，提高了第二次模型训练后目标检测模型的准确性。
本实施例中，通过相似图片进行难分样本标注得到难分样本数据的设计，使得根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新分类的增加时，在目标检测模型中能针对相似物体进行分类的增加，并基于目标检测模型中对相似物体的分类增加，使得新增类处理后的目标检测模型在第二次模型训练过程中，能有效地学习到正样本数据中目标物体与相似物体之间的区别特征，使得第二次模型训练后的目标检测模型能对待检测图片中的目标物体和相似物体进行区分，提高了第二次模型训练后目标检测模型的准确性。
实施例四
对应于上文实施例所述的目标检测模型训练方法，图4示出了本申请第四实施例提供的目标检测模型训练系统100的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该系统包括：正样本数据获取模块10、第一模型训练模块11、新增类处理模块12和第二模型训练模块13，其中：
正样本数据获取模块10，用于获取目标物体的正样本数据，所述正样本数据包括所述目标物体的显示图像、针对所述显示图像的类别标注、选取框标注和所述目标物体的分类数量。
其中，所述正样本数据获取模块10还用于：获取待检测环境的环境图片，并检测所述环境图片中是否存在所述目标物体；
若检测到所述环境图片中存在所述目标物体，则查询所述目标物体的物体类别和物体选取框；
根据所述物体选取框对所述环境图片中所述目标物体所在的区域进行框选，并根据所述物体类别对所述物体选取框内的所述目标物体进行数据标注，得到所述正样本数据。
第一模型训练模块11，用于根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练。
新增类处理模块12，用于获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理，所述新增类处理用于根据所述难分样本数据的分类数量增大第一次模型训练后的所述目标检测模型的分类数量。
其中，所述新增类处理模块12还用于：将第一次模型训练后的所述目标检测模型对测试图片进行测试，得到目标检测结果，并根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误；
若第一次模型训练后的所述目标检测模型对所述测试图片的测试错误，则对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据。
可选的，所述新增类处理模块12还用于：若第一次模型训练后的所述目标检测模型对所述测试图片的测试均正确，则检测模型针对第一次模型训练后的所述目标检测模型发送难分样本获取错误提示。
可选的，所述新增类处理模块12还用于：获取所述目标物体在所述测试图片中的类别标注和选取框标注；
将所述目标检测结果中针对所述目标物体的类别标注和选取框标注与所述测试图片中的类别标注和选取框标注进行比对；
若所述目标检测结果和所述测试图片中针对同一所述目标物体的类别标注和/或选取框标注不相同，则判定第一次模型训练后的所述目标检测模型对所述测试图片测试错误。
可选的，所述新增类处理模块12还用于：获取所述测试图片中不相同的类别标注和/或选取框标注对应的图片区域；
将获取到的所述图片区域设置为误检测区域；
所述对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据，包括：
对所述误检测区域进行难分样本标注，得到所述难分样本数据。
可选的，所述新增类处理模块12还用于：查询所述目标物体的相似物体，所述相似物体与所述目标物体之间的相似度大于相似度阈值；
获取所述相似物体的相似图片，并对所述相似图片进行难分样本标注，得到所述难分样本数据。
第二模型训练模块13，用于根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件。
本实施例中，通过根据难分样本数据中物体的分类数量对第一次模型训练后的目标检测模型进行新增类处理，使得在第一次模型训练后的目标检测模型中有新增难分样本数据对应的新分类，基于第一次模型训练后的目标检测模型中新增的新分类，使得根据难分样本数据和正样本数据对新增类处理后的目标检测模型进行第二次模型训练时，难分类样本数据只会被目标检测模型识别为新增的新分类中的某一类，并不会被目标检测模型识别为正样本数据对应的分类，进而防止了难分类样本被识别为正样本，防止了模型对难分类别的误检测，提高了目标检测模型训练的准确性。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请第五实施例提供的终端设备2的结构示意图。如图5所示，该实施例的终端设备2包括：至少一个处理器20(图5中仅示出一个处理器)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。
所述终端设备2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图5仅仅是终端设备2的举例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种目标检测模型训练方法，其特征在于，所述方法包括：
获取目标物体的正样本数据，所述正样本数据包括所述目标物体的显示图像、针对所述显示图像的类别标注、选取框标注和所述目标物体的分类数量；
根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练；
获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理，所述新增类处理用于根据所述难分样本数据的分类数量增大第一次模型训练后的所述目标检测模型的分类数量；
根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件；
其中，所述获取难分样本数据，包括：
将第一次模型训练后的所述目标检测模型对测试图片进行测试，得到目标检测结果，并根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误；
若第一次模型训练后的所述目标检测模型对所述测试图片的测试错误，则对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据；
所述根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误，包括：
获取所述目标物体在所述测试图片中的类别标注和选取框标注；
将所述目标检测结果中针对所述目标物体的类别标注和选取框标注与所述测试图片中的类别标注和选取框标注进行比对；
若所述目标检测结果和所述测试图片中针对同一所述目标物体的类别标注和/或选取框标注不相同，则判定第一次模型训练后的所述目标检测模型对所述测试图片的测试错误；
获取所述测试图片中不相同的类别标注和/或选取框标注对应的图片区域；
将获取到的所述图片区域设置为误检测区域；
所述对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据，包括：
对所述误检测区域进行难分样本标注，得到所述难分样本数据。
2.如权利要求1所述的目标检测模型训练方法，其特征在于，所述获取难分样本数据，还包括：
查询所述目标物体的相似物体，所述相似物体与所述目标物体之间的相似度大于相似度阈值；
获取所述相似物体的相似图片，并对所述相似图片进行难分样本标注，得到所述难分样本数据。
3.如权利要求1所述的目标检测模型训练方法，其特征在于，所述获取目标物体的正样本数据，包括：
获取待检测环境的环境图片，并检测所述环境图片中是否存在所述目标物体；
若检测到所述环境图片中存在所述目标物体，则查询所述目标物体的物体类别和物体选取框；
根据所述物体选取框对所述环境图片中所述目标物体所在的区域进行框选，并根据所述物体类别对所述物体选取框内的所述目标物体进行数据标注，得到所述正样本数据。
4.如权利要求1所述的目标检测模型训练方法，其特征在于，所述根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误之后，还包括：
若第一次模型训练后的所述目标检测模型对所述测试图片的测试均正确，则针对第一次模型训练后的所述目标检测模型发送难分样本获取错误提示。
5.一种目标检测模型训练系统，其特征在于，包括：
正样本数据获取模块，用于获取目标物体的正样本数据，所述正样本数据包括所述目标物体的显示图像、针对所述显示图像的类别标注、选取框标注和所述目标物体的分类数量；
第一模型训练模块，用于根据所述正样本数据和所述目标物体的分类数量对目标检测模型进行第一次模型训练；
新增类处理模块，用于获取难分样本数据，并根据所述难分样本数据中物体的分类数量对第一次模型训练后的所述目标检测模型进行新增类处理，所述新增类处理用于根据所述难分样本数据的分类数量增大第一次模型训练后的所述目标检测模型的分类数量；
第二模型训练模块，用于根据所述难分样本数据和所述正样本数据对所述新增类处理后的所述目标检测模型进行第二次模型训练，直至所述新增类处理后的目标检测模型满足预设迭代条件；
其中，所述新增类处理模块具体用于将第一次模型训练后的所述目标检测模型对测试图片进行测试，得到目标检测结果，并根据所述目标检测结果判断第一次模型训练后的所述目标检测模型对所述测试图片的测试是否错误；若第一次模型训练后的所述目标检测模型对所述测试图片的测试错误，则对测试错误的所述测试图片进行难分样本标注，得到所述难分样本数据；
所述新增类处理模块还用于：获取所述目标物体在所述测试图片中的类别标注和选取框标注；将所述目标检测结果中针对所述目标物体的类别标注和选取框标注与所述测试图片中的类别标注和选取框标注进行比对；若所述目标检测结果和所述测试图片中针对同一所述目标物体的类别标注和/或选取框标注不相同，则判定第一次模型训练后的所述目标检测模型对所述测试图片的测试错误；获取所述测试图片中不相同的类别标注和/或选取框标注对应的图片区域；将获取到的所述图片区域设置为误检测区域；对所述误检测区域进行难分样本标注，得到所述难分样本数据。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566942.8A CN112580734B (zh) | 2020-12-25 | 2020-12-25 | 目标检测模型训练方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566942.8A CN112580734B (zh) | 2020-12-25 | 2020-12-25 | 目标检测模型训练方法、系统、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112580734A CN112580734A (zh) | 2021-03-30 |
| CN112580734B true CN112580734B (zh) | 2023-12-29 |
Family
ID=75139804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011566942.8A Active CN112580734B (zh) | 2020-12-25 | 2020-12-25 | 目标检测模型训练方法、系统、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580734B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065607A (zh) * | 2021-04-20 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像检测方法、装置、电子设备及介质 |
| CN113469090B (zh) * | 2021-07-09 | 2023-07-14 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN114460990B (zh) * | 2022-01-24 | 2023-05-23 | 苏州纽克斯电源技术股份有限公司 | 一种植物生长环境的控制方法、装置、设备及存储介质 |
| CN114495291B (zh) * | 2022-04-01 | 2022-07-12 | 杭州魔点科技有限公司 | 活体检测的方法、系统、电子装置和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532314A (zh) * | 2019-08-30 | 2019-12-03 | 国家电网有限公司 | 高压电器质量检测的方法及终端设备 |
| CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
| CN111028224A (zh) * | 2019-12-12 | 2020-04-17 | 广西医准智能科技有限公司 | 数据标注、模型训练和图像处理方法、装置及存储介质 |
| CN111160434A (zh) * | 2019-12-19 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 目标检测模型的训练方法、装置及计算机可读存储介质 |
| CN111414930A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
| CN111523596A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN112085056A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 目标检测模型生成方法、装置、设备及存储介质 |
| CN112101542A (zh) * | 2020-07-24 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 机器学习模型的训练方法、装置、人脸的识别方法和装置 |
-
2020
- 2020-12-25 CN CN202011566942.8A patent/CN112580734B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111414930A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 深度学习模型训练方法及装置、电子设备及存储介质 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN110532314A (zh) * | 2019-08-30 | 2019-12-03 | 国家电网有限公司 | 高压电器质量检测的方法及终端设备 |
| CN110674881A (zh) * | 2019-09-27 | 2020-01-10 | 长城计算机软件与系统有限公司 | 商标图像检索模型训练方法、系统、存储介质及计算机设备 |
| CN111028224A (zh) * | 2019-12-12 | 2020-04-17 | 广西医准智能科技有限公司 | 数据标注、模型训练和图像处理方法、装置及存储介质 |
| CN111160434A (zh) * | 2019-12-19 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 目标检测模型的训练方法、装置及计算机可读存储介质 |
| CN111523596A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
| CN112101542A (zh) * | 2020-07-24 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 机器学习模型的训练方法、装置、人脸的识别方法和装置 |
| CN112085056A (zh) * | 2020-08-05 | 2020-12-15 | 深圳市优必选科技股份有限公司 | 目标检测模型生成方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112580734A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580734B (zh) | 目标检测模型训练方法、系统、终端设备及存储介质 | |
| CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN111078908B (zh) | 一种数据标注的检测方法和装置 | |
| CN111626177A (zh) | 一种pcb元件识别方法及装置 | |
| US12051256B2 (en) | Entry detection and recognition for custom forms | |
| CN110889816A (zh) | 一种图像分割方法与装置 | |
| CN110046009B (zh) | 录制方法、装置、服务器及可读存储介质 | |
| CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
| CN112837384B (zh) | 车辆标记方法、装置和电子设备 | |
| CN111967450B (zh) | 自动驾驶模型用样本获取方法、训练方法、装置及系统 | |
| CN113505653A (zh) | 目标检测方法、装置、设备、介质及程序产品 | |
| CN112306040A (zh) | 车辆检测方法、装置、设备及服务器 | |
| CN116580230A (zh) | 一种目标检测方法及一种分类模型的训练方法 | |
| CN110555344B (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
| US11961284B2 (en) | Task appropriateness determination apparatus | |
| CN115294576A (zh) | 基于人工智能的数据处理方法、装置、计算机设备及介质 | |
| CN114153730A (zh) | 埋点配置页面生成方法及相关设备 | |
| CN113284141A (zh) | 用于缺陷检测的模型确定方法、装置和设备 | |
| CN109948656B (zh) | 一种信息处理方法、装置及存储介质 | |
| CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
| CN114118449B (zh) | 基于偏标记学习模型的图片标签识别方法、介质及设备 | |
| US20240221370A1 (en) | Computer-implemented method and system for ascertaining a misclassification value during the classification of images into at least one image category by a classification algorithm | |
| CN118135545A (zh) | 车内遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN117788421A (zh) | 缺陷检测方法和装置 | |
| CN118135272A (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |