CN112764764A - 场景模型部署方法、装置、设备及存储介质 - Google Patents
场景模型部署方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112764764A CN112764764A CN202011628258.8A CN202011628258A CN112764764A CN 112764764 A CN112764764 A CN 112764764A CN 202011628258 A CN202011628258 A CN 202011628258A CN 112764764 A CN112764764 A CN 112764764A
- Authority
- CN
- China
- Prior art keywords
- model
- analysis
- target
- scene
- target analysis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 454
- 238000012545 processing Methods 0.000 claims description 28
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 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
- 238000001914 filtration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本申请提供一种场景模型部署方法、装置、设备及存储介质,涉及计算机技术领域。该方法包括:获取目标分析场景的模型编排文件,所述模型编排文件包括:所述目标分析场景所需的模型信息,和所述目标分析场景对应的模型链执行顺序;根据所述模型信息,确定所述目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应所述目标分析场景中的一个分析需求;根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果。本申请可实现了针对目标分析场景的模型动态部署,模型部署的流程更通用,也更简单。
Description
技术领域
本发明涉及人工智能(Artificial Intelligence,AI)技术领域,具体而言,涉及一种场景模型部署方法、装置、设备及存储介质。
背景技术
随着AI技术的发展,很多的应用场景中,采用模型进行相应的分析。
由于不同的分析场景中,分析需求可能不同,而一个分析场景中,可能存在多种分析需求,因此,目前的技术中,针对该分析场景,需单独定制开发对应的分析模型。
但是单独针对分析场景开发部署对应的分析模型,其模型部署成本较高,并且,分析模型部署通用性不好,一旦具有新的分析场景,无法实现针对该新的分析场景,实现模型的动态部署,还需重新定制部署。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种场景模型部署方法、装置、设备及存储介质,以降低模型部署成本,提高模型部署的通用性。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种场景模型部署方法,包括:
获取目标分析场景的模型编排文件,所述模型编排文件包括:所述目标分析场景所需的模型信息,和所述目标分析场景对应的模型链执行顺序;
根据所述模型信息,确定所述目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应所述目标分析场景中的一个分析需求;
根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果。
可选的,所述模型编排文件还包括:模型串联参数;所述基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果,包括:
根据所述模型串联参数,对所述模型链中相邻目标分析模型的输入输出参数的处理方式进行配置;
根据配置之后的所述模型链,得到所述场景分析结果。
可选的,每类目标分析模型的模型描述文件中包括:所述每类目标分析模型的输出对象;
所述根据配置之后的所述模型链,得到所述场景分析结果包括:
对配置之后的所述模型链中所述多类目标分析模型的输出对象进行结构化处理,得到所述场景分析结果,所述场景分析结果为:由所述多类目标分析模型的输出对象组成的结构化数据。
可选的,所述每类目标分析模型的输出对象包括:所述每类目标分析模型所针对的目标对象和/或所述目标对象的属性信息;
所述对配置之后的所述模型链中所述多类目标分析模型的输出对象进行结构化处理,得到所述场景分析结果,包括:
根据所述模型链执行顺序,对所述多类目标分析模型的至少一个分析目标进行顺序排布,并将每个分析目标的属性信息与所述每个分析目标进行关联,得到所述场景分析结果,所述场景分析结果包括:所述至少一个分析目标、所述每个分析目标的属性信息、所述至少一个分析目标中分析目标对象之间的关联关系、所述每个分析目标与属性信息的关联关系。
可选的,所述方法还包括:
将所述模型链和所述场景分析结果输出至目标业务系统,以使得所述目标业务系统基于所述目标分析场景对所述模型链和所述场景分析结果进行业务适配。
可选的,所述根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件之前,所述方法还包括:
根据多个分析场景中的分析模型的输出特征值,分别对所述多个分析场景中的分析模型进行分类,得到多类分析模型,不同类的分析模型的输出特征值为不同类型的特征值。
可选的,所述多类目标分析模型包括如下至少两种分析模型包括:
检测器、分类器、分割器、字符提取器、关键点提取器、特征提取器。
第二方面,本申请实施例还提供一种场景模型部署装置,包括:
获取模块,用于获取目标分析场景的模型编排文件,所述模型编排文件包括:所述目标分析场景所需的模型信息,和所述目标分析场景对应的模型链执行顺序;
确定模块,用于根据所述模型信息,确定所述目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应一个分析需求;
加载模块,用于根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果。
第三方面,本申请实施例还提供一种计算机设备,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的场景模型部署方法。
第四方面,本申请实施例还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述第一方面中任一项所述的场景模型部署方法。
本申请的有益效果是:
本申请所提供的场景模型部署方法、装置、设备及存储介质中,可通过获取目标分析场景的模型编排文件,模型编排文件包括:目标分析场景所需的模型信息,和目标分析场景对应的模型链执行顺序,并根据该模型信息,确定该目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应该目标分析场景中的一个分析需求;继而根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到该目标分析场景对应的场景分析结果。该场景模型部署方法中,无需针对新场景如该目标分析场景进行多次重复的模型部署工作,简化了模型部署流程,只需根据预先定义的该目标分析场景的模型编排文件,以及该目标分析场景所需的多类目标分析模型的模型描述文件,即可实现模型链的部署,实现了针对目标分析场景的模型动态部署,模型部署的流程更通用,也更简单。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为传统模型部署的示意图;
图2为本申请实施例所提供的模型动态部署的示意图;
图3为本申请实施例提供的一种场景模型部署方法的流程示意图;
图4为本申请实施例提供的另一种场景模型部署方法的流程图;
图5为本申请实施例提供的一种输出数据结构的示意图;
图6为本申请实施例提供的一种场景模型部署装置的示意图;
图7为本申请实施例提供的计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
为更清楚的展示本申请所提供的场景模型部署方法和传统模型部署流程的区别,在描述本申请的场景模型部署方法之前,先结合附图对传统模型部署流程进行示例解释说明。图1为传统模型部署的示意图。如图1可知,在传统模型部署流程中,可先对分析场景进行需求分析,以确定分析场景的多个分析需求,如图1中的分析需求1和分析需求2,继而分别根据每个分析需求,分别训练该每个分析需求对应的分析模型。例如根据分析需求1进行模型训练,得到分析模型1,根据分析需求2进行模型训练,得到分析模型2。在得到多个分析需求对应的分析模型之后,还需根据该分析场景重复进行多次的模型定制部署,如重复多次对多个分析需求对应的分析模型进行参数处理的配置,在完成重复多次的分析模型的定制部署之后,才可将模型输出至业务系统进行后续开发处理。
由此可知,传统模型部署流程,需要繁琐的复杂的模型开发工作,无法实现模型的动态部署。
为解决传统模型部署流程的技术缺陷,本申请实施例提供下述各场景模型部署方法,以对目标分析场景进行模型的动态部署编排,无需针对各分析模型进行该目标分析场景的多次重复定制开发。如下配合附图对本申请所提供的模型动态部署流程进行示例解释说明。图2为本申请实施例所提供的模型动态部署的示意图。如图2可知,在模型动态部署流程中,在得到多个分析需求对应的分析模型的情况下,可根据预先配置模型编排文件,对各模型的编排参数进行配置,实现对该分析场景所需的模型的动态编排。需要指出的是,本申请实施例提供的模型动态部署方法可由模型编排引擎实现,该模型编排引擎只需进行一次开发,即只需针对目标分析场景进行模型编排文件的开发定制,即可实现该目标分析场景下的模型动态部署。在该模型动态部署流程中,无需进行多次的模型定制部署,即可通过模型编排文件,以各分析模型的模型描述文件,实现模型动态部署,有效减少了模型部署工作。
如下通过多个实例对本申请所提供的场景模型部署方法进行具体示例说明。
图3为本申请实施例提供的一种场景模型部署方法的流程示意图,该场景模型部署方法可由安装有模型编排引擎的计算机设备实现。图3所示,该方法可包括:
S301、获取目标分析场景的模型编排文件,该模型编排文件包括:该目标分析场景所需的模型信息,和该目标分析场景对应的模型链执行顺序。
该目标分析场景例如可以为具有多个分析需求的业务应用场景。该模型编排文件例如可以为根据用户输入的目标分析场景的信息,从预设的多个分析场景的模型编排文件中所确定的该目标分析场景的模型编排文件。
因此,在获取该目标分析场景的模型编排文件之前,可针对多个分析场景,预先定义多个分析场景的模型编排文件,并将该预先定义的多个分析场景的模型编排文件进行存储。每个分析场景的模型编排文件中可包括有:该每个分析场景所需的模型信息,和该每个分析场景中模型链执行顺序。
其中,每个分析场景所需的模型信息定义了:该每个分析场景所需的分析模型。示例的,该每个分析场景所需的模型信息例如可包括:该每个分析场景中所需的分析模型的名称信息和/或类别信息。
该每个分析场景中模型链执行顺序定义了该每个分析场景所需的多类分析模型之间的执行顺序。基于该模型链执行顺序,可使得该每个分析场景所需的多类分析模型构成依次执行的模型链。即一个分析需求的分析模型之后,由另一个分析需求的分析模型进行执行,以满足具有多个分析需求的分析场景中分析需求。
相应的,该目标分析场景可以为预先定义的多个分析场景中的任一分析场景。
S302、根据该模型信息,确定该目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应该目标分析场景中的一个分析需求。
由于该模型信息定义了该目标分析场景中所需的多类目标分析模型,因此,可确定该模型信息所指示的多类分析模型为该多类目标分析模型,不同类的目标分析模型可用于实现该目标分析场景中的不同分析需求。
在实现过程中,可通过模型编排文件的解释执行器,对该目标分析场景的模型编排文件进行解释执行,以读取该模型编排文件中的该模型信息,以及该模型链执行顺序。
S303、根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建该多类目标分析模型组成的模型链,得到该目标分析场景对应的场景分析结果。
在可能的实现方式中,可根据该模型链执行顺序,依次动态加载该多类目标分析模型的模型描述文件,获取各目标分析模型的模型参数,基于加载的各模型描述文件,构建该多类目标分析模型组成的模型链,得到该目标分析场景的场景分析结果,实现了多类目标分析模型的动态串联又称动态编排。
该模型链中该多类目标分析模型按照该模型链执行顺序依次编排,该模型链可作为该目标分析场景的场景模型,其集成了该多类目标分析模型的功能,可实现该多类目标分析模型的分析功能。
该场景分析结果可由该模型链中多个目标分析模型的输出构成。
可选的,在加载目标分析模型的模型描述文件之前,可预先针对多种分析模型,预先定义了该多种分析模型的模型描述文件。每种分析模型的模型描述文件中定义了该种分析模型的相关参数,该相关参数可包括如下至少一种属性参数:模型名称参数、模型类别参数、模型的网络参数、模型的前后处理参数等。其中,该模型类别参数可用于指示该种分析模型的类型,该模型的网络参数为该种分析模型所需的网络参数,该网络参数例如可以包括:该种分析模型的网络层数、该种分析模型的输入尺寸参数、该种分析模型对应的参数阈值、该种分析模型的非极大值抑制(Non-Maximum Suppression,NMS)参数、该种分析模型的输出数据的含义。该模型的前后处理参数定义了该种分析模型的输入数据和输出数据的处理方式,其可称为模型的前后处理参数,可包括:输入处理参数,和输出处理参数,其中,输入处理参数用于指示该种分析模型的输入数据的处理方式,输出处理参数用于指示该种分析模型的输出数据的处理方式。
在具体的实现过程中,可通过模型描述文件的解释执行器,对各类目标分析模型的模型描述文件进行加载,以实现模型描述文件的解析,获取各类目标分析模型的模型描述文件中的模型参数,如此,根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件,便可实现该多类目标分析模型的参数加载和推理,从而可得到该多类目标分析模型组成的模型链的部署配置。
本实施例所提供的场景模型部署方法,可通过获取目标分析场景的模型编排文件,模型编排文件包括:目标分析场景所需的模型信息,和目标分析场景对应的模型链执行顺序,并根据该模型信息,确定该目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应该目标分析场景中的一个分析需求;继而根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到该目标分析场景对应的场景模型。该场景模型部署方法中,无需针对新场景如该目标分析场景进行多次重复的模型部署工作,简化了模型部署流程,只需根据预先定义的该目标分析场景的模型编排文件,以及该目标分析场景所需的多类目标分析模型的模型描述文件,即可实现模型链,实现了针对目标分析场景的模型动态部署,模型部署的流程更通用,也更简单。
可选的,本申请实施例还可提供一种场景模型部署的可能实现示例。在上述模型编排文件的基础上,其还可包括:模型串联参数。图4为本申请实施例提供的另一种场景模型部署方法的流程图。如图4所示,如上所示的S303中基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到该目标分析场景对应的场景分析结果可包括:
S401、根据该模型串联参数,对该模型链中相邻目标分析模型的输入输出参数的处理方式进行配置。
S402、根据配置之后的该模型链,得到该场景分析结果。
示例的,可根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件的过程中,每加载一个目标分析模型的模型描述文件的情况下,可根据该模型串联参数中该一个目标分析模型与该一个目标分析模组之前的另一个目标分析模型对应的串联参数,对该一个目标分析模型和该另一个目标分析模型的输入输出参数的处理方式进行配置,得到配置之后的模型链。
该模型串联参数定义了在该目标分析场景中,该多类目标分析模型进行串联所需的前后处理参数,其也可称为应用侧的前后处理参数。该模型串联参数至少可包括:至少一组串联参数,一组串联参数对应该模型链执行顺序中相邻的两个目标分析模型的串联处理参数。
每组串联参数例如可包括如下任一参数:目标框的扩展参数、目标过滤参数(尺寸过滤、类别过滤)、目标重归类参数、目标跟踪参数等。
在依次加载该多类目标分析模型的模型描述文件,实现了多类目标分析模型的串联加载的情况下,实现了多类目标分析模型的执行流程的配置,得到模型链,还通过该模型串联参数,对模型链中相邻模型的输入输出参数的处理方式进行配置,得到配置之后的模型链,实现了该多类目标分析模型的串联处理方式的配置,还可根据配置之后的模型链中各目标分析模型的输出,进行模型推理,从而得到该场景分析结果。
该实施例提供的场景模型部署方法,可通过根据模型链执行顺序,依次加载该类目标分析模型的模型描述文件的情况下,还根据模型编排文件中的模型串联参数,对该模型链中相邻目标分析模型输入输出参数的处理方式进行配置,并根据配置之后的模型链得到该场景分析结果,从而保证模型链中各目标分析模型的配合工作,以保证该目标分析场景的各分析需求的准确实现。
可选的,在另外一些可能的实现方式中,本申请实施例还提供一种场景模型部署的实现示例。可选的,每类目标分析模型的模型描述文件中还可包括:每类目标分析模型的输出对象。相应的,该场景模型部署在上述方法的基础上,其还可包括:
对配置之后的该模型链中该多类目标分析模型的输出对象进行结构化处理,得到该场景分析结果,该场景分析结果为:由该多类目标分析模型的输出对象组成的结构化数据。
在该实施例提供的方法中,还可对该目标分析场景所涉及的多类目标分析模型的串联分析结果进行结构化处理,得到结构化的场景分析结果,可实现该模型链在该目标分析场景中的结构化输出。该串联分析结果为按照该模型链执行顺序依次排列的多类目标分析模型的输出对象。该输出数据结构可用于表征该场景分析模式输出数据的结构或者格式。该结构化处理所得到的该输出数据结构可以为通用的结构化数据。
可选的,如上所涉及的该每类目标分析模型的输出对象包括:该每类目标分析模型所针对的目标对象和/或该目标对象的属性信息。其中,该目标对象例如可以为目标检测框如矩形检测框、目标分割框如不规则多边形框、目标字符、目标关键点、目标特征数据。
在一些示例中,目标分析模型的输出对象可以为其针对的目标对象,例如汽车分析模型的输出对象为车型;在另一种示例中,目标分析模型的输出对象可以为其针对的目标对象的属性信息,如检测分析模型输出对象为是否检测到预设目标对象的指示信息,输出对象为是或者否。在又一种示例中,该目标分析模型的输出对象可以既包括:其针对的目标对象,还包括:该目标对象的属性信息。
相应的,上述对配置之后的该模型链中该多类目标分析模型的输出对象进行结构化处理,得到该场景分析结果,可包括:
根据该模型链执行顺序,对该多类目标分析模型的至少一个分析目标进行顺序排布,并将每个分析目标的属性信息与该每个分析目标进行关联,得到该场景分析结果,该场景分析结果包括:该至少一个分析目标、该每个分析目标的属性信息、该至少一个分析目标中分析目标之间的关联关系、该每个分析目标与属性信息的关联关系。
该实施例提供的方法,还可通过对该多类目标分析模型的输出对象进行结构化处理得到结构化的场景分析结果,实现了该场景模型,也就是模型链的输出数据的结构配置。为使得该场景模型的输出数据可表征其所需的多类目标分析模型的输出结果,以及各输出在结构之间的关系,该输出数据结构中,除了包括该只是一个分析目标、该每个分析模型的属性信息之外,还可包括:分析目标之间的关联关系、该每个分析目标与属性信息的关联关系。
其中,分析目标之间的关联关系,以及分析目标预属性信息的关联关系例如可通过连线的方式或者其他的指示方式进行表示。
如下配合示例附图对输出数据结构进行解释说明。图5为本申请实施例提供的一种结构化的场景分析结果的示意图。参照图5,例如目标分析场景需要:n类目标分析模型,目标分析场景所构建的模型链为:依次串联的n类目标分析模型,假设目标分析模型1针对的目标1为目标关键点1和/或目标特征数据1,目标分析模型2针对的目标2为目标关键点2和/或目标特征数据2,目标分析模型n针对的目标n为目标关键点n和/或目标特征数据n。其中,每类目标分析模型的输出对象的例如可以为其对应目标的属性信息,例如目标分析模型1的输出对象为:目标1的多个属性信息如属性11-属性1m,目标分析模型2的输出对象为:目标2的多个属性信息如属性21-属性2m,目标分析模型n的输出对象为:目标n的多个属性信息如属性n1-属性nm。至于该目标1的属性信息的数量可取决于该目标分析模型1对应的分析需求。
该图5所示的场景分析结果为通用的结构化数据,图5中,可采用箭头包含指代关系,例如,目标1与目标关键点1和目标特征数据1之间的箭头可表示,该目标1与目标关键点1和目标特征数据1的包含关系;目标1与属性1之间的箭头可用于表征属性1是目标1的属性,即指示属性1所针对的目标对象,属性之间的箭头可用于表征属性之间的逻辑关联,即关联关系,目标之间的箭头可用于表征不同目标的关联关系,其可以为不同目标的分析顺序关系。
需要指出的是,上述结构化的场景分析结果的示例仅为一种示例,本申请实施例并不对此进行限制。
在上述任一实施例所述的方法的基础上,本申请实施例提供的场景模型部署方法还可包括:
将该模型链和该场景分析结果输出至目标业务系统,以使得该目标业务系统基于该目标分析场景对该模型链和该场景分析结果进行业务适配。
将部署后的模型链以及该场景分析结果均输出至目标业务系统,可在目标业务系统中,基于该目标分析场景的业务需求,对模型链的输入数据和输出数据分别进行业务适配,即确定输入数据和输出数据在该目标业务分析场景中所表征的业务含义,除此之外,还对该模型链对应的场景分析结果进行业务适配,例如场景分析结果对应的展示分析方式,以及场景分析结果满足预设条件时的处理操作如满足预设报警条件时的报警操作等等。
该部署后的模型链以及该场景分析结果分别为通用的模型结构以及输出结构,可使得目标业务系统实现通用的业务适配,而无需针对目标分析场景的具体业务进行定制适配,减小了模型开发的成本。
并且,传统的方案由于各分析场景的分析模型是单独定制部署的,其需要维护和开发的分析模型对应的分析代码会很多,维护成本更高。而在本申请的方案中,只需维护预设的多类型的分析模型的代码即可,其有效减小了模型的代码维护成本。
可选的,在上述方法中S303中根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件之前,该方法还可包括:
根据多个分析场景中的分析模型的输出特征值,分别对该多个分析场景中的分析模型进行分类,得到多类分析模型,不同类的分析模型的输出特征值为不同类型的特征值。
不同分析模型的输出特征值的类型可能不同,也可能相同。在实现示例中,可根据分析模型的输出特征值的类型,分别对该多个分析场景的分析模型进行通用化的抽象处理,实现分析模型的分类,得到多类分析模型。不同类的分析模型的输出特征值为不同类型的特征值。
该输出特征值可用于表征分析模型对应的输出对象,其可以为目标对象和/或目标对象的属性信息,具体描述参见上述,在此不再赘述。
可选的,如上所示的多类目标分析模型包括如下至少两种分析模型包括:
检测器、分类器、分割器、字符提取器、关键点提取器、特征提取器。
需要指出的是,本申请所涉及的分析模型可以为一个AI模型例如神经网络模型,但对于每个分析模型的网络结构可以为任意架构形式的模型,本申请对此不进行限制。
下述对用以执行的本申请所提供的场景模型部署方法的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图6为本申请实施例提供的一种场景模型部署装置的示意图,该场景模型部署装置可以模型编排引擎的方式集成在计算机设备中。如图6所示,该场景模型部署装置600可包括:
获取模块601,用于获取目标分析场景的模型编排文件,该模型编排文件包括:该目标分析场景所需的模型信息,和该目标分析场景对应的模型链执行顺序;
确定模块602,用于根据该模型信息,确定该目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应一个分析需求。
加载模块603,用于根据该模型链执行顺序,依次加载该多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到该目标分析场景对应的场景分析结果。
可选的,模型编排文件还包括:模型串联参数;
加载模块603,具体用于根据模型串联参数,对该模型链中相邻目标分析模型的输入输出参数的处理方式进行配置,根据配置之后的所述模型链,得到该场景分析结果。
可选的,每类目标分析模型的模型描述文件中包括:每类目标分析模型的输出对象;
加载模块603,还用于对配置之后的模型链中该多类目标分析模型的输出对象进行结构化处理,得到该场景分析结果,该场景分析结果为:由该多类目标分析模型的输出对象组成的结构化数据。
可选的,该每类目标分析模型的输出对象包括:该每类目标分析模型所针对的目标对象和/或该目标对象的属性信息;
加载模块603,具体用于根据模型链执行顺序,对多类目标分析模型的至少一个分析目标进行顺序排布,并将每个分析目标的属性信息与每个分析目标进行关联,得到场景分析结果,场景分析结果包括:至少一个分析目标、每个分析目标的属性信息、至少一个分析目标中分析目标对象之间的关联关系、每个分析目标与属性信息的关联关系。
可选的,该场景模型部署装置600还可包括:
输出模块,用于将模型链和场景分析结果输出至目标业务系统,以使得目标业务系统基于目标分析场景对模型链和场景分析结果进行业务适配。
可选的,该场景模型部署装置600还可包括:
分类模块,用于根据多个分析场景中的分析模型的输出特征值,分别对多个分析场景中的分析模型进行分类,得到多类分析模型,不同类的分析模型的输出特征值为不同类型的特征值。
可选的,上述多类目标分析模型包括如下至少两种分析模型包括:
检测器、分类器、分割器、字符提取器、关键点提取器、特征提取器。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图7为本申请实施例提供的计算机设备的示意图,该计算机设备可以为安装有预设模型编排引擎的计算终端设备或服务器。
该计算机设备700包括:存储器701、处理器702。存储器701和处理器702通过总线连接。
存储器701用于存储程序,处理器702调用存储器701存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
另外,在本发明各个实施例中的各功能单元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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种场景模型部署方法,其特征在于,包括:
获取目标分析场景的模型编排文件,所述模型编排文件包括:所述目标分析场景所需的模型信息,和所述目标分析场景对应的模型链执行顺序;
根据所述模型信息,确定所述目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应所述目标分析场景中的一个分析需求;
根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果。
2.根据权利要求1所述的方法,其特征在于,所述模型编排文件还包括:模型串联参数;所述基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果包括:
根据所述模型串联参数,对所述模型链中相邻目标分析模型的输入输出参数的处理方式进行配置;
根据配置之后的所述模型链,得到所述场景分析结果。
3.根据权利要求2所述的方法,其特征在于,每类目标分析模型的模型描述文件中包括:所述每类目标分析模型的输出对象;
所述根据配置之后的所述模型链,得到所述场景分析结果包括:
对配置之后的所述模型链中所述多类目标分析模型的输出对象进行结构化处理,得到所述场景分析结果,所述场景分析结果为:由所述多类目标分析模型的输出对象组成的结构化数据。
4.根据权利要求3所述的方法,其特征在于,所述每类目标分析模型的输出对象包括:所述每类目标分析模型所针对的目标对象和/或所述目标对象的属性信息;
所述对配置之后的所述模型链中所述多类目标分析模型的输出对象进行结构化处理,得到所述场景分析结果,包括:
根据所述模型链执行顺序,对所述多类目标分析模型的至少一个分析目标进行顺序排布,并将每个分析目标的属性信息与所述每个分析目标进行关联,得到所述场景分析结果,所述场景分析结果包括:所述至少一个分析目标、所述每个分析目标的属性信息、所述至少一个分析目标中分析目标对象之间的关联关系、所述每个分析目标与属性信息的关联关系。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述模型链和所述场景分析结果输出至目标业务系统,以使得所述目标业务系统基于所述目标分析场景对所述模型链和所述场景分析结果进行业务适配。
6.根据权利要求1所述的方法,其特征在于,所述根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件之前,所述方法还包括:
根据多个分析场景中的分析模型的输出特征值,分别对所述多个分析场景中的分析模型进行分类,得到多类分析模型,不同类的分析模型的输出特征值为不同类型的特征值。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述多类目标分析模型包括如下至少两种分析模型包括:
检测器、分类器、分割器、字符提取器、关键点提取器、特征提取器。
8.一种场景模型部署装置,其特征在于,包括:
获取模块,用于获取目标分析场景的模型编排文件,所述模型编排文件包括:所述目标分析场景所需的模型信息,和所述目标分析场景对应的模型链执行顺序;
确定模块,用于根据所述模型信息,确定所述目标分析场景所需的多类目标分析模型,其中,每类目标分析模型对应一个分析需求;
加载模块,用于根据所述模型链执行顺序,依次加载所述多类目标分析模型的模型描述文件,并基于加载的各模型描述文件,构建所述多类目标分析模型组成的模型链,得到所述目标分析场景对应的场景分析结果。
9.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的场景模型部署方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-7任一项所述的场景模型部署方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628258.8A CN112764764A (zh) | 2020-12-31 | 2020-12-31 | 场景模型部署方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628258.8A CN112764764A (zh) | 2020-12-31 | 2020-12-31 | 场景模型部署方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112764764A true CN112764764A (zh) | 2021-05-07 |
Family
ID=75699019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628258.8A Pending CN112764764A (zh) | 2020-12-31 | 2020-12-31 | 场景模型部署方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764764A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139660A (zh) * | 2021-05-08 | 2021-07-20 | 北京首都在线科技股份有限公司 | 模型推理方法、装置、电子设备及存储介质 |
CN113393083A (zh) * | 2021-05-12 | 2021-09-14 | 山东三希环保科技有限公司 | 环保监控器部署方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039683A (zh) * | 2017-06-09 | 2018-12-18 | 中兴通讯股份有限公司 | 一种业务编排方法和系统 |
CN110489181A (zh) * | 2019-08-23 | 2019-11-22 | 深圳前海微众银行股份有限公司 | 基于微服务架构的服务运行方法、装置、平台及存储介质 |
CN111708520A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 应用构建方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011628258.8A patent/CN112764764A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039683A (zh) * | 2017-06-09 | 2018-12-18 | 中兴通讯股份有限公司 | 一种业务编排方法和系统 |
CN110489181A (zh) * | 2019-08-23 | 2019-11-22 | 深圳前海微众银行股份有限公司 | 基于微服务架构的服务运行方法、装置、平台及存储介质 |
CN111708520A (zh) * | 2020-06-16 | 2020-09-25 | 北京百度网讯科技有限公司 | 应用构建方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139660A (zh) * | 2021-05-08 | 2021-07-20 | 北京首都在线科技股份有限公司 | 模型推理方法、装置、电子设备及存储介质 |
CN113393083A (zh) * | 2021-05-12 | 2021-09-14 | 山东三希环保科技有限公司 | 环保监控器部署方法及系统 |
CN113393083B (zh) * | 2021-05-12 | 2023-01-31 | 山东三希环保科技有限公司 | 环保监控器部署方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065656B (zh) | 一种规则引擎配置方法、装置、服务器及可读存储介质 | |
CN108021806B (zh) | 一种恶意安装包的识别方法和装置 | |
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
CN112764764A (zh) | 场景模型部署方法、装置、设备及存储介质 | |
CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
CN112114986A (zh) | 数据异常识别方法、装置、服务器和存储介质 | |
US11809519B2 (en) | Semantic input sampling for explanation (SISE) of convolutional neural networks | |
CN112750030A (zh) | 风险模式识别方法、装置、设备及计算机可读存储介质 | |
CN108304322B (zh) | 一种压力测试方法及终端设备 | |
CN115718846A (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
CN111738467A (zh) | 一种运行状态异常检测方法、装置及设备 | |
CN114356257A (zh) | 日志打印方法、装置、计算机设备、存储介质和程序产品 | |
CN110716866A (zh) | 代码质量扫描方法、装置、计算机设备及存储介质 | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
CN115687659A (zh) | 基于人工智能的erp信息发布方法及ai系统 | |
CN115766090A (zh) | 一种多特征融合神经网络网络安全检测方法 | |
CN112688947B (zh) | 基于互联网的网络通信信息智能监测方法及系统 | |
CN114913375A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN112418305A (zh) | 一种训练样本的生成方法、装置、计算机设备和存储介质 | |
CN113806205A (zh) | 软件性能测试方法、装置、电子设备及可读存储介质 | |
CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
CN116976443B (zh) | 一种性能指标调试方法、终端设备以及计算机存储介质 | |
CN115510984B (zh) | 支付平台的防侵入方法、系统及云平台 | |
CN117235093A (zh) | 可视化风险预警方法、装置、系统、电子设备及介质 | |
CN114237600B (zh) | 前端页面的代码生成方法、装置、设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |