CN112784181A - 信息展示、图像处理方法及设备、信息展示装置 - Google Patents
信息展示、图像处理方法及设备、信息展示装置 Download PDFInfo
- Publication number
- CN112784181A CN112784181A CN201911088970.0A CN201911088970A CN112784181A CN 112784181 A CN112784181 A CN 112784181A CN 201911088970 A CN201911088970 A CN 201911088970A CN 112784181 A CN112784181 A CN 112784181A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- user
- learning model
- target
- prompt information
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 525
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 601
- 238000013145 classification model Methods 0.000 claims description 206
- 230000008569 process Effects 0.000 claims description 29
- 230000001960 triggered effect Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 30
- 230000000694 effects Effects 0.000 description 25
- 238000012549 training Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06F16/9538—Presentation of query results
-
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供一种信息展示、图像处理方法及设备、信息展示装置。所述信息展示方法包括:基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。本发明实施例提高了模型选择效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息展示、图像处理方法及设备、信息展示装置。
背景技术
随着科学技术的迅速发展,机器学习模型的应用越来越广泛。机器学习模型主要通过建立数学模型,利用数学模型来模拟或者学习人类的行为,实现人工智能分析。
机器学习模型建立之初,其数学模型的参数未知,并不能直接应用,需要使用训练数据训练模型的参数,再通过测试数据测试训练获得的模型参数是否准确,测试通过后可将训练获得的模型参数对应的模型进行相应的应用,诸如利用训练获得的机器学习模型进行计算机视觉处理、自然语言处理、语音识别处理等业务上的应用。
在现有的人工智能场景中,为了帮助机器学习模型在不同业务上的快速落地,需要用户能够感知训练获得的机器学习模型的应用结果,从而从不同机器学习模型中选择合适的模型,但是目前并没有一种有效方式可以直观展示机器学习模型的应用结果,以供用户从中选择合适的机器学习模型。
发明内容
有鉴于此,本发明实施例提供一种信息展示、图像处理方法及设备、信息展示装置,用以解决现有技术中没有一种有效方式可以直观展示机器学习模型的应用效果的技术问题。
第一方面,本发明实施例提供一种信息展示方法,包括:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;
在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;
基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
第二方面,本申请实施例提供一种信息展示方法,包括:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;
为所述至少一个机器学习模型分别生成对应的提示信息;
基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;
发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;
接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
第三方面,本申请实施例提供一种图像处理方法,包括:
确定用户已标注的样本图像;其中,所述样本图像包括多个;
响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型;
将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
第四方面,本申请实施例提供一种信息展示装置,提供一显示界面,所述显示界面用以显示目标页面,其中,所述目标页面中包括至少一个机器学习模型分别对应的提示信息;所述至少一个机器学习模型用以分别对待处理数据执行目标操作处理,获得每个机器学习模型的处理结果;
所述显示界面还用于基于所述所述目标页面显示的至少一个提示信息,在用户执行的至少一次针对任一提示信息选择操作下,显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
第五方面,本申请实施例提供一种信息展示设备,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
第六方面,本申请实施例提供一种信息展示设备,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
利用至少一个机器学习模型对待处理数据执行目标操作处理,获得至少一个处理结果;为所述至少一个机器学习模型分别生成对应的提示信息;基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
第七方面,本申请实施例提供一种图像处理设备,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
确定用户已标注的样本图像;其中,所述样本图像包括多个;响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型;将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
本发明实施例,基于至少一个机器学习模型对待处理数据执行目标操作处理之后,可以获得每个机器学习模型的处理结果;而在目标页面中可以显示至少一个机器学习模型分别对应的提示信息,从而基于所述目标页面中显示的至少一个提示信息,可以检测用户执行的至少一次针对任一提示信息的选择操作,在目标页面中显示用户每一次选择的提示信息对应机器学习模型的处理结果。用户可以针对目标页面中的至少一个提示信息中的任一提示信息进行选择操作,该选择操作可以执行多次,从而用户可以查看不同提示信息对应机器学习模型的处理结果,从而实现不同机器学习模型的处理结果进行提示,用户可以根据提示信息选择查看不同机器学习模型的处理结果,使用户可以直观地观看到机器学习模型的应用结果,以供用户从至少一个机器学习模型中选择满足处理条件的目标机器学习模型,提高机器学习模型的选择效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种信息展示方法一个实施例的流程图;
图2为本发明实施例提供的一个信息展示的示例图;
图3为本发明实施例提供的一种信息展示方法又一个实施例的流程图;
图4为本发明实施例提供的一个信息展示的示例图;
图5为本发明实施例提供的一个信息展示的示例图;
图6为本发明实施例提供的一种信息展示方法又一个实施例的流程图;
图7为本发明实施例提供的一个信息展示的示例图;
图8为本发明实施例提供的一个类别标签设置的示例图;
图9为本发明实施例提供的一种信息展示方法又一个实施例的流程图;
图10为本发明实施例提供的一个参数选择控件的示例图;
图11为本发明实施例提供的一种信息展示方法又一个实施例的流程图;
图12为本发明实施例提供的一种信息展示装置的一个实施例的结构示意图;
图13为本发明实施例提供的一种显示屏展示的示例图;
图14为本发明实施例提供的一种页面标注的示例图;
图15为本发明实施例提供的一种图像处理方法一个实施例的流程图;
图16为本发明实施例提供的一种图像处理方法又一个实施例的流程图;
图17为本发明实施例提供的一种信息展示装置的一个实施例的结构示意图;
图18为本发明实施例提供的一种信息展示设备的一个实施例的结构示意图;
图19为本发明实施例提供的一种信息展示装置的又一个实施例的结构示意图;
图20为本发明实施例提供的一种信息展示设备的又一个实施例的结构示意图;
图21为本发明实施例提供的一种图像处理装置的一个实施例的结构示意图;
图22为本发明实施例提供的一种图像处理设备的一个实施例的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于识别”。类似地,取决于语境,短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
本发明实施例可以应用于不同机器学习模型的选择场景中,通过为每个机器学习模型设置提示信息,以达到提示不同机器学习模型的处理结果的目地,使用户能够及时感知不同机器学习模型的应用效果,从而可以快速从多个机器学习模型中选择合适的目标机器学习模型。
现有技术中,机器学习模型是一门多领域交叉学科,属于人工智能的核心,主要通过计算机模型实现模拟人脸的学习行为,以获取知识或技能,从而实现相关应用,例如,机器学习模型可以实现机器分类、计算机视觉处理、语音识别等应用。但是,现有技术中,机器学习模型的模型参数未知,并不能直接应用,需要使用训练数据训练获得模型参数,再通过测试数据测试训练获得的模型参数是否准确,测试通过之后,可以应用训练获得的模型。为了实现机器学习模型的快速落地,需要用户能够感知训练获得的不同机器学习模型的应用结果,以从不同的机器学习模型中选择合适的目标机器学习模型,但是目前并没有一种有效方式可以直观展示机器学习模型的应用结果,供用户选择合适的机器学习模型。
由于机器学习模型训练过程较为专业,但是机器学习模型的应用则是较为广泛的,普通用户可以应用到机器学习模型的训练结果,例如,以人脸识别方式进行移动支付。因此,是否可以提供一种较为直观地展示机器学习模型的应用结果的技术方案,从而无论是技术人员还是非技术人员都可以直接观看到机器学习模型的应用效果,帮助从多个机器学习模型中选择合适的目标机器学习模型,实现机器学习模型的快速落地应用。
本发明实施例中,利用至少一个机器学习模型对待处理数据执行目标操作处理之后,可以获得至少一个机器学习模型分别对应的处理结果;而在目标页面中可以显示至少一个机器学习模型分别对应的提示信息,进而可以基于目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,用户通过查看不同机器学习模型的处理结果,从至少一个机器学习模型中选择满足处理目标的目标机器学习模型。从而实现不同机器学习模型的提示信息,用户可以根据提示信息选择查看不同机器学习模型的处理结果,使用户可以直观地观看到机器学习模型的应用结果,从而可以直接从中选择满足处理目标的目标机器学习模型,提高机器学习模型的选择效率,实现机器学习模型的快速落地。
下面将结合附图对本申请实施例进行详细描述。
如图1所示,为本发明实施例提供的一种信息展示方法的一个实施例的流程图,所述方法可以包括以下几个步骤:
101:基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
本发明实施例可以应用于电子设备中,该电子设备可以包含显示屏幕,该显示屏幕可以显示目标页面。电子设备可以指笔记本、个人计算机、手机、可穿戴设备、手机、携带有显示屏的智能音箱或者车载设备等,本申请实施例对电子设备的具体类型不作任何限定。
其中,机器学习模型是已训练好的机器学习模型,模型参数已知。所述基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果可以包括利用至少一个已训练的机器学习模型对待处理数据执行目标操作处理,获得至少一个处理结果。
所述方法还包括:确定至少一个机器学习模型分别对应的模型参数。
将待处理数据输入至至少一个机器学习模型,其中,每个机器学习模型的模型参数已知。利用至少一个参数已知的机器学习模型将至少一个待处理数据执行目标操作处理,获得对应的处理结果。
目标操作处理可以指人工智能领域中较为常见的工程处理场景,可以包括分类处理、识别处理等。至少一个机器学习模型对待处理数据执行的目标操作处理是相同的,每个机器学习模型均可对待处理数据执行目标操作处理。
处理结果是与执行的目标操作处理相关联的处理结果,例如,所述目标操作处理结果为分类处理时,处理结果可以将待处理数据进行分类获得的分类结果,分类处理通常是将待处理数据进行分类,获得正样本以及负样本,分类获得的正样本以及负样本即为获得的处理结果。
102:在目标页面中显示所述至少一个机器学习模型分别对应的提示信息。
目标页面可以在显示屏幕中显示。可以将至少一个机器学习模型对应的提示信息在目标页面中显示。每个提示信息可以将对应机器学习模型提示给用户,例如,提示信息可以提示用户不同机器学习模型的模型名称、模型工作方式等。提示信息可以包括提示控件、提示组件等。
可选地,所述在目标页面中显示所述至少一个机器学习模型分别对应的提示信息可以包括:为所述至少一个机器学习模型分别生成对应的提示信息;基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;输出所述目标页面。在输出所述目标页面时具体可以是在显示屏中输出所述目标页面。
可选地,在目标页面中显示所述至少一个机器学习模型分别对应的提示信息具体可以是:确定目标页面中的提示子页面,在所述提示子页面中显示所述至少一个机器学习模型分别对应的提示信息。在提示子页面中显示所述至少一个机器学习模型分别对应的提示信息具体可以是在提示子页面中依次显示任一个机器学习模型分别对应的提示信息。
其中,每个机器学习模型对应的提示信息可以用于提示该机器学习模型,不同提示信息可以用于提示对应的机器学习模型。不同机器学习模型对应的提示信息可以不同。
为了便于理解,图2示出了目标页面200中展示的至少一个机器学习模型各自的提示信息201的示例图,其中,提示信息2011用于提示机器学习模型A,提示信息2012用于提示机器学习模型B,提示信息2013用于提示机器学习模型C。图2中仅示出了两个提示信息,但是,该示例仅仅是示意性的,并不构成对本申请实施例中提示信息的数量的限定,提示信息的数量可以根据实际需求而设定,本申请并不对此过多限定。
103:基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
用户可以查看目标页面,目标页面中显示的至少一个机器学习模型对应的提示信息可以用于提示该信息对应一个机器学习模型。用户浏览目标页面时,可以触发针对目标页面中任一提示信息的选择操作,被选择的提示信息对应机器学习模型的处理结果可以在目标页面中显示。针对任一提示信息的选择操作,用户可以执行多次,每一次用户选择的提示信息对应的机器学习模型的处理结果均可以在目标页面中显示。
为了提高处理结果的提示效率,用户选择的提示信息对应机器学习模型的处理结果可以在结果显示页面显示,该结果显示页面为目标页面的子页面。如果当前被选择的提示信息对应机器学习模型的处理结果显示时,如果用户触发针对下一个提示信息的选择操作,用户重新选择的提示信息对应机器学习模型的处理结果可以覆盖原有显示的机器学习模型的处理结果。检测针对目标页面中显示的至少一个提示信息中任一提示信息的选择操作,可以在结果显示页面中显示所述用户选择的提示信息对应机器学习模型的处理结果。
为了使提示过程中处理结果的提示与模型的结合更紧密,提高提示效率,可以在目标页面中任一提示信息对应机器学习模型的处理结果进行展示以供用户从至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。检测针对任一提示信息的选择操作,在所述目标页面中显示所述提示信息对应机器学习模型的处理结果。用户可以在目标页面中执行针对任一提示信息的选择操作,以在目标页面中显示不同提示信息对应机器学习模型的处理结果。为了便于理解,图2中示出了提示信息2012被选择时,被选择的提示信息2012对应机器学习模型C的处理结果202。
本发明实施例中,利用至少一个机器学习模型对待处理数据执行目标操作处理之后,可以获得至少一个机器学习模型分别对应的处理结果;而在目标页面中可以显示至少一个机器学习模型分别对应的提示信息,进而可以基于目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,用户通过查看不同机器学习模型的处理结果,从至少一个机器学习模型中选择满足处理目标的目标机器学习模型。从而实现不同机器学习模型的提示信息,用户可以根据提示信息选择查看不同机器学习模型的处理结果,使用户可以直观地观看到机器学习模型的应用结果,从而可以直接从中选择满足处理目标的目标机器学习模型,提高机器学习模型的选择效率,实现机器学习模型的快速落地。
如图3所示,为本发明实施例提供的一种信息展示方法又一个实施例的流程图,所述方法可以包括以下几个步骤:
301:响应于所述用户触发的提示请求,基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
302:在目标页面中显示所述至少一个机器学习模型分别对应的提示信息。
303:基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本申请实施例部分步骤与图1所示的步骤相同,在此不再赘述。
用户可以将待处理数据上传到电子设备,电子设备可以获取待处理数据。所述方法还可以包括:接收用户上传的待处理数据,以获取所述待处理数据。此外,为了确定机器学习模型对待处理数据执行的目标操作处理是否准确,用户可以实现对待处理数据进行标注,通常是标注数据的真值,例如,对于分类场景而言,用户可以对待处理数据进行类别标注,标注时通常是标注该数据实际为正样本还是负样本。
作为一种可选方式,用户触发的提示请求可以是用户针对提示控件触发的,电子设备可以检测用户针对处理提示控件执行的点击操作,获得提示请求。其中,处理提示控件可以用于提示用户可以对机器学习模型的处理结果进行提示。对于机器学习模型,往往需要操作者,也即用户,具有一定的模型认知和相关知识的学习基础,使得机器学习模型的推广较为困难。本申请实施例中,用户可以触发针对机器学习模型的提示信息的选择操作,从而在目标页面中显示用户选择的提示信息对应机器学习模型的选择操作后,显示用户选择的提示信息对应的目标机器学习模型的处理结果。用户通过触发一个提示请求即可以触发相关机器学习模型的处理结果,实现机器学习模型的处理结果的展示,可以使用户通过简单操作即可以查看不同机器学习模型的处理结果,从而可以从多个机器学习模型中选择处理结果满足处理目标的目标机器学习模型,提高机器学习模型的选择效率,有益于机器学习模型的推广。
在一些实施例中,任一个机器学习模型对应的提示信息具体可以以提示控件的形式进行展示,作为一种可能的实现方式,所述在目标页面中显示所述至少一个机器学习模型分别对应的提示信息包括:
在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示控件,检测用户执行的至少一次针对任一提示控件的选择操作,在所述目标页面中显示所述用户每一次选择的提示控件对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
在利用提示控件对机器学习模型进行提示时,任一个提示控件可以用于提示一个机器学习模型。在目标页面中显示所述至少一个机器学习模型分别对应的提示控件,即在目标页面中显示至少一个提示控件,以分别提示不同的机器学习模型。
在目标页面中显示所述至少一个机器学习模型分别对应的提示控件时,可以确定目标页面中的提示子页面,在所述提示子页面中显示所述至少一个机器学习模型分别对应的提示控件。在提示子页面中展示至少一个提示控件,每个提示控件可以用于提示一个机器学习模型。当用户针对其中一个提示控件触发选择操作时,可以确定用户选择的提示控件,从而基于用户选择的提示控件确定用户选择的机器学习模型。
提示控件是指对应用程序封装的对象,可以对提示控件进行命名,提示控件上可以显示其名称。利用提示控件提示不同的机器学习模型时,通常可以将机器学习模型的模型名称对提示控件进行命名,以明确提示控件提示的机器学习模型。当然,提示控件的命名具体可以采用其他命名方式进行命名,例如,按照提示控件的在提示子页面中的展示顺序进行命名。
以提示控件为按钮控件为例,如图4中目标页面中提示的提示控件401、提示控件402以及提示控件403采用模型名称进行控件命名,将提示控件401命名为A模型,将提示控件402命名为B模型以及提示控件403命名为C模型。图5中目标信息展示的提示控件501、提示控件502以及提示控件503则是按照模型控件的展示顺序命名,将提示控件503命名为模型1,将提示控件504命名为模型2,将提示控件505命名为模型3。
在一种可能的设计中,所述在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件可以包括:
确定至少一个提示控件在所述目标页面显示时的第一子页面;其中,所述第一子页面位于所述目标页面的预定区域;
在所述第一子页面中分别显示所述至少一个机器学习模型对应的提示控件。
第一子页面为目标页面的子页面,至少一个提示控件可以在第一子页面中显示。其中,第一子页面可以位于目标页面中的第一显示区域,至少一个提示控件可以在第一显示区域中按照一定的展示顺序显示。
为了便于用户更详细地了解机器学习模型,在又一种可能的设计中,还包括:
根据每个机器学习模型的模型信息,生成每个机器学习模型的模型提示信息;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型可以包括:
基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果以及对应的模型提示信息,以供所述用户从所述至少一个机器学习模型中,按照对应的模型提示信息选择处理结果满足处理目标的目标机器学习模型。其中,模型提示信息具体可以包括模型的内容、名称、应用场景、处理过程和/或处理效果等信息,通过展示模型提示信息可以供用户获知模型的内容、名称、应用场景、处理过程和/或处理效果等。
在一些实施例中,至少一个机器学习模型的数量较大时,在目标页面中展示至少一个机器学习模型各自的提示信息时,可能由于目标页面的大小设置,并不能完全展示,此时可以展示部分机器学习模型,可以从所有的机器学习模型中选择处理效果较好的模型进行展示,对于处理效果比较差的机器学习模型不展示。
如图6所示,为本发明实施例提供的一种信息展示方法的又一个实施例的流程图,所述方法可以包括以下几个步骤:
601:基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
602:基于所述至少一个处理结果,从所述至少一个机器学习模型中选择待提示模型。
603:在所述目标页面中显示所述待提示模型对应的提示信息。
604:基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本申请实施例中,利用至少一个机器学习模型对待处理数据执行目标操作处理之后,获得至少一个处理结果,从而可以利用至少一个处理结果,从至少一个机器学习模型中选择待提示模型。从至少一个机器学习模型中选择较为适合提示的模型进行提示,将处理结果较好的展示给用户,可以提高展示效果。
在一些实施例中,机器学习模型用于分类,利用机器学习模型进行分类的应用范围较为广泛,此时,目标操作处理可以为分类处理,机器学习模型可以包括分类模型;在上述实施例中所述利用至少一个机器学习模型对待处理数据执行目标操作处理,获得至少一个处理结果可以包括:
基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的分类处理结果,以供所述用户从所述至少一个分类模型中选择分类结果满足分类目标的目标分类模型。
机器学习模型中使用范围较广的基础应用为分类,利用训练获得的算法模型对输入的待处理数据进行分类处理,可以得到分类结果。例如,在人脸识别算法中,可以使用人脸识别模型对图像进行人脸检测分类,检测图像中是否存在人脸,如果检测到图像中存在人脸时,提取人脸特征并识别用户身份。在语音识别算法中可以利用机器学习模型进行语音识别,并对识别的语音信息进行分类,以对识别的语音进行反馈。
在实际应用中较为常见的分类模型为二元分类模型,也就是将待处理数据划分为两种类型的数据。在某些实施例中,每个分类模型的分类处理结果包括第一类数据以及第二类数据。
所述基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据,以供所述用户从所述至少一个机器学习模型中选择分类结果满足分类目标的目标分类模型。
利用分类模型可以将待处理数据进行分类处理,通常可以将待处理数据划分为两类,获得第一类数据以及第二类数据,其中,第一类数据可以是满足第一分类条件的数据,第二类数据可以是满足第二分类条件的数据。第一分类条件以及第二分类条件可以根据实际使用需要而设定。
为了便于理解,以图像分类场景为例对本申请实施例进行详细描述。在图像分类场景中,待处理数据为待分类图像,利用分类模型可以将待分类图像进行类别划分,可以将待分类图像划分为满足第一分类条件的图像,以及满足第二分类条件的图像。其中,第一分类条件可以包括人物、物品的轮廓清晰,模糊度小于预设模糊标准值,且亮度、灰度值和/或像素均值等参数处于正常数值范围内;第二分类条件可以包括图片中的人物、物品的轮廓不清晰,模糊度大于预设模糊标准值,图片亮度、灰度或者像素均值等参数处于正常数值范围内。
通过分类模型,对待处理图像进行分类之后,每个图像被划分到不同的类别中,分类后获得的第一类数据以及第二类数据可以在目标页面中显示,用户可以查看目标页面中显示的第一类数据以及第二类数据,并根据查看第一类数据以及第二类数据的展示结果,判断当前显示的分类模型对待分类图像的分类结果,也即第一类数据以及第二类数据,是否满足分类目标,如果是可以从至少一个分类模型中选择当前的分类模型为目标分类模型,如果不是,可以继续查看其他分类模型的分类结果,直到从至少一个分类模型中选择到满足分类目标的目标分类模型。通过展示不同分类模型的分类结果,可以帮助用户从至少一个分类模型中迅速确定符合分类目标的目标分类模型,从而可以提高模型的选择效率,实现模型的快速应用。
在对图像分类时,可以将待处理数据,也即待分类图像,分类为满足预设图像标准的图像,以及不满足预设图像标准的图像。其中,满足图像标准例如可以是,图像清晰度大于清晰标准,亮度大于亮度阈值,灰度值大于灰度阈值,和/或像素均值处于正常像素范围;相对应的,不满足图像标准例如可以是,图像清晰度校小于清晰标准,亮度小于亮度阈值,灰度值小于灰度阈值,和/或像素均值不处于正常像素范围。在图像分类之后,可以确定满足预设图像标准的图像为正样本,也就是第一类图像,可以确定不满足预设图像标准的图像为负样本,也就是第二类图像。需要说明的是,本申请实施例中的第一、第二仅是为了从名称上区别不同的数据,并不具有数量上的特殊含义。
在显示分类处理结果时,往往为了为用户提供更直观的分类效果,通常可以将两种分类结果一并展示给用户。作为一种可能的实现方式,所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据具体通过以下方式在所述目标页面中显示:
针对所述用户每一次选择的目标提示信息对应分类模型的第一类数据以及第二类数据,确定所述目标页面中的第二子页面以及第三子页面;
在所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据;
在所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
为了使第一类数据以及第二类数据的对比展示效率更高,可以将第二子页面以及第三子页面以横向并列或者纵向并列的展示方式进行展示。
为了便于理解,图2中示出了第二子页面2021以及第三子页面2022横向并列展示的一个示例图。在一些实施例中,第二子页面以及第三子页面还可以纵向并列展示。
在目标页面中显示分类模型对应分类处理结果中的第一类数据以及第二类数据时,具体可以在目标页面中预设的子页面中显示,从而通过目标页面中的第二子页面以及第三子页面进行显示,在第二子页面显示用户选择的分类模型对应分类处理结果中的第一类数据,以及在第三子页面中显示用户选择的分类模型对应处理结果中的第二类数据。通过在子页面中显示分类模型的分类结果可以供用户以更直观的查看方式查看分类模型的分类结果,进而可以从多个分类模型中选择符合分类目标的分类模型,从而可以提高分类模型的选择效率。
在显示分类处理结果的过程中,对于可以将调整展示分类处理结果的区域,使展示区域随用户的调整进行展示,使得展示效果与用户需求的匹配度更高。作为又一种可能的实现方式,所述方法还可以包括:
检测针对所述第二子页面对应第一边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
目标页面中的第二子页面以及第三子页面的大小可以改变。用户可以拖动针对第二子页面的第一边框或者第三子页面的第二边框以改变第二子页面与第三子页面的大小。其中,第二子页面对应的第一边框可以指第二子页面中与第三子页面相邻的边框,通过拖动第二子页面的第一边框,可以改变第二子页面与第三子页面的边框比例。第三子页面对应的第二边框可以指第三子页面中与第二子页面相邻的边框,通过拖动第三子页面的第二边框,可以改变第二子页面与第三子页面的边框比例。
在图2中的目标页面200中,可以针对第二子页面2021的第一边框203左右拖动,或者针对第三子页面2022的第二边框204左右拖动,以改变第二子页面以及第三子页面的页面宽度。如图7所示,当第二子页面2021的第一边框203向左拖动第一距离S1时,第二子页面的页面宽度减少S1,第三子页面的页面宽度增加S1。图7中为第二子页面的第一边框203被向左拖动第一距离S1时,目标页面200中重新显示的第二子页面701以及第三子页面702。当然,第一边框203除可以向左拖动之外,还可以向右拖动,第二边框204也可以左右拖动,以改变第二子页面以及第三子页面的页面宽度。对于拖动方向以及拖动的距离不作过多限定,可以根据用户的查看需要而设定。
所述检测针对所述第二子页面对应第一边框的拖动操作,重新确定所述第二子页面以及所述第三子页面具体可以包括:选中第二子页面对应第一边框,并拖动以改变第一边框的位置,直至第一边框被释放不再被选中,获得调整后的第二子页面以及第三子页面,从而触发在调整后的所述第二子页面中重新显示所述第一类数据以及在调整后的所述第三子页面中重新显示所述第二类数据。
作为又一种可能的实现方式,还包括:
检测针对所述第三子页面对应第二边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
用户在调整第三子页面的大小时,所述检测针对所述第三子页面对应第二边框的拖动操作,重新确定所述第二子页面以及所述第三子页面具体可以包括:选中第三子页面对应第二边框,并拖动以改变第二边框的位置,直至所述第二边框被释放不再被选中,获得调整后的第三子页面以及第二子页面,触发在调整后的第二子页面中显示第一类数据以及在调整后的第三子页面中重新显示第二类数据。
在应用计算机模型的过程中,获得机器学习模型的处理结果之后,可以将机器处理模型的分类结果按照不同评价指标进行结果分析,以直接展示机器学习模型的处理效果。示例性地,在分类场景中或者识别场景中,机器学习模型的处理结果的评价指标可以包括机器学习模型对待处理数据分类时的分类准确度,也即识别率;此外,机器学习模型的处理结果的评价指标还可以包括:机器学习模型对待处理数据中有多少个正样本被分类为正例,也就是正样本被分对的比例,可以称为召回率,召回率可以衡量分类器的识别能力。此外,机器学习模型的处理结果的评价指标还可以包括:错误率,也即是与识别率相反,被错分待处理数据占所有待处理数据的比例,还可以包括:对机器学习模型的识别率以及召回率的加权调和评价获得的综合评价指标(F-Measure,F值)等。
作为一个实施例,所述方法还可以包括:根据分类模型对待处理数据的分类处理结果,计算每个分类模型的评价指标;并可以在检测到用户针对任一分类模型的选择操作时,在目标页面中显示所述用户选择的分类模型的评价指标,以供用户查看。
在一些实施例中,所述基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果之后,所述方法还包括:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率;
基于所述目标页面中显示的至少一个提示信息各自所在显示位置,显示每个分类模型对应识别率和/或召回率。
在使用分类模型对待处理数据分类之后,如果用户对分类结果不够满意,用户可以选择重新标注待处理数据,重新利用分类模型进行分类处理。作为一个实施例,所述方法还可以包括:
基于所述用户针对所述目标页面中显示的标注提示信息执行的确认操作,生成标注请求;
响应所述标注请求,显示将所述待处理数据对应的标注页面;其中,所述标注页面中包括所述待处理数据的至少一个类别标签,以供用户对待处理数据所在正确类别进行标注;所述至少一个类别标签为分类模型的类别所对应的类别标签;
检测用户在所述待处理数据的至少一个类别标签中选择的目标类别标签,将所述待处理数据及其对应的目标类别标签关联存储。
将待处理数据输出给用户时,具体可以是将每个待处理数据以及每个待处理数据对应的类别标签的选择控件输出给用户,每个待处理数据对应的类别标签可以包括一个真值标签以及一个假值标签。为了便于理解,以待处理数据为待处理图像为例进行示例,真值标签以正确控件形式进行提示,假值标签以错误控件的形式进行提示,图8中的每个待处理数据800可以对应有一个“正确”控件801以及一个“错误”控件802,其中,“正确”控件801以及“错误”控件802均可以为复选框控件。
用户对待处理数据重新进行类别标注之后,可以根据用户重新标注的标签重新计算分类模型的评价指标。作为一种可能的实现方式,所述根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率可以包括:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据被重新标注的目标类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率。
用户可以查看分类处理结果,以及分类处理结果的评价指标,用户可以基于查看的分类处理结果以及评价指标判断此次分类模型的处理效果,如果对处理效果较为满意时,用户可以选择下载被分类的数据,也即可以下载第一类数据以及第二类数据,以供使用。在一些实施例中,所述方法还可以包括:
在所述目标页面中显示针对每个分类模型的第一类数据以及第二类数据的下载提示信息;
检测用户针对任一分类模型的第一数据以及第二类数据对应下载提示信息执行的触发操作,生成针对所述用户选择的分类模型的第一类数据以及第二类数据的下载请求;
响应所述下载请求,下载所述用户选择的分类模型对应第一类数据以及第二类数据。
在一些可能的设计中国,所述下载所述用户选择的分类模型对应第一类数据以及第二类数据具体可以是将所述用户选择的分类模型对应第一类数据以及第二类数据保存到本地内存或者云存储内存中。
为了展示同一机器学习模型在不同参数取值的处理效果,可以将目标机器学习模型的不同参数以参数选择控件的形式提供给用户。如图9所示,为本发明实施例提供的一种信息展示方法又一个实施例的流程图,所述方法可以包括以下几个步骤:
901:基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
902:在目标页面中显示所述至少一个机器学习模型分别对应的提示信息。
903:基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
904:针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应参数调整提示信息。
905:检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数。
906:基于所述目标模型参数对应所述用户选择的机器学习模型,对所述待处理数据执行目标操作处理,获得所述用户选择的机器学习模型对所述待处理数据的调整处理结果。
907:更新所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型的处理结果为所述调整处理结果。
模型参数的调整提示信息可以是一个调整提示控件,该调整提示控件可以是数值选择控件、下拉组合控件、列表控件、滑动条控件等可以同时提示多个参数的控件。
作为一个实施例,所述针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应的参数调整提示信息可以包括:
针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数的调整提示控件;其中,所述调整提示控件包括多个模型参数的提示子控件;
所述检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数可以包括:
检测所述用户针对所述调整提示控件中任一提示子控件触发的选择操作,获得用户选择的目标提示子控件;
确定所述目标提示子控件对应模型参数为所述目标模型参数。
调整提示控件可以包括至少一个可以被选择的提示子控件,例如,在下拉组合控件中,提示子控件可以是下拉列表中列出的子控件。在滑动条控件中,提示子控件可以是设置的提示刻度。每个提示子控件可以用于提示一个模型参数,该模型参数对应的提示子控件被选择时,即可确定该提示子控件对应的目标模型参数。
为了便于理解,以所述调整提示控件为滑动条控件为例进行说明参数调整过程。示例性地,图10中的模型6为用户选择的机器学习模型,在目标页面1001中,示出了一个滑动条控件1002,该滑动条控件1002即可以用于提示模型6中的模型参数变化时,模型6对待处理数据执行目标操作处理时的处理结果。其中,滑动条控件1002上的滑块1003可以在滑动条上滑动,滑动条控件1002上可以设置至少一个提示刻度1004,每个提示刻度1004即为一个提示子控件并且可以对应一个模型参数。当滑块1003滑动到任一个提示刻度1004时,即可以确定该提示刻度1004对应的模型参数被选择,从而可以获得用户选择的目标模型参数。在图10所示的目标页面1001中,滑块1003滑到其中一个提示刻度时,该刻度上的参数即被选定,在图10中,滑块1003将其对应的提示刻度覆盖,该提示刻度在图中未示出。
如图11所示,为本发明实施例提供的一种信息展示方法的又一个实施例的流程图,所述方法可以包括以下几个步骤:
1101:基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
1102:为所述至少一个机器学习模型分别生成对应的提示信息;
1103:基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;
1104:发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;
1105:接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
在一些实施例中,机器学习模型对待处理数据的处理过程可以在后台服务器实现,并在前端的用户端显示机器学习模型的处理结果,以提高用户对机器学习模型对待处理数据的处理结果的感知,帮助用户从多个机器学习模型中快速选择合适的目标机器学习模型,从而提高模型的选择效率。在图11所示的实施例中的部分步骤的处理过程与图1所示的实施例的步骤相同,在此不再赘述。
如图12所示,为本申请实施例提供的一种信息展示装置的一个实施例的结构示意图,所述信息展示装置可以提供一显示界面1200。所述显示界面用以显示目标页面1201,其中,所述目标页面1201中包括至少一个机器学习模型分别对应的提示信息1202;所述至少一个机器学习模型用以分别对待处理数据执行目标操作处理,获得每个机器学习模型的处理结果;
所述显示界面1200还用于基于所述所述目标页面1201显示的至少一个提示信息1202,在用户执行的至少一次针对任一提示信息选择操作下,显示所述用户每一次选择的提示信息对应机器学习模型的处理结果1203,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。例如,当提示信息12021被选择时,目标页面中显示的处理结果1203即为被选择的提示信息12021对应机器学习模型的处理结果。
此外,所述信息展示装置显示至少一个机器学习模型分别对应的提示信息具体是:在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件。
所述信息展示装置为触控面板时,可以检测用户针对任一提示控件的选择操作,并显示所述用户选择的提示控件对应机器学习模型的处理结果,用户针对任一提示控件的选择操作可以执行至少一次,以查看不同机器学习模型对待处理数据执行目标操作处理的处理结果。当目标操作处理为分类处理时,目标页面中可以显示用户针对任一提示控件对应目标分类模型的分类处理结果。在一些实施例中,所述分类处理结果可以包括该第一类数据以及第二类数据。
所述信息展示装置显示目标页面中的显示分类处理结果时,如图12所示,具体可以在目标页面的第二子页面1203a中显示被选择的分类模型对应分类处理结果中的第一类数据,以及在目标页面的第三子页面1203b中显示被选择的分类模型对应分类处理结果中的第二类数据。
此外,对数据以及页面的处理过程已在上述实施例中详细描述,在此不再赘述。
在实际应用中,本申请实施例所述的信息展示方法可以应用于PC(personalcomputer,个人计算机)或者移动终端等电子设备上,电子设备(图中未示出)可以包括一个显示屏1301,显示屏1301可以采用液晶显示屏(Liquid Crystal Display,LCD),有机发光二极管显示屏(OrganicLight-Emitting Diode,OLED),柔性发光二极管(flex light-emitting diode,QLED)等。在一些实施例中,电子设备可以包括一个或多个显示屏,图13中仅示出一个显示屏1301。在显示屏1301的浏览器上可以显示目标页面1302,该目标页面中1302中可以包括至少一个机器学习模型分别对应的提示控件1303,每个提示控件1303可以用于提示对应的机器学习模型。而至少一个机器学习模型可以分别用于对待处理数据执行目标操作处理,获得每个机器学习模型的处理结果。
以至少一个机器学习模型为至少一个分类模型。待处理数据为待分类图像,每个机器学习模型对待处理图像执行的目标操作处理为分类处理时为例,用户可以通过操作鼠标1305选择目标页面1302中的任一个提示控件1303时,可以显示该提示控件1303提示的分类模型对待处理图像执行目标操作处理获得的处理结果1304。由于显示页面的大小限制,分类处理结果并未完全显示,当前显示的分类处理结果1304可以包括对待处理图像分类后的第一类图像1304a以及第二类图像1304b,但是该显示的图像并非全部的分类结果。
由于显示屏幕1301显示的目标页面1302中提示了多个提示控件1303,用户可以选择不同的提示控件1303,以查看每次选择的提示控件对应的分类模型对待分类图像的分类结果1304,从而可以根据查看到的每个提示控件1303对应的分类结果1304,可以从至少一个分类模型中选择出满足处理目标的分类结果,并获得对应的分类模型。以当前显示的分类结果1304为用户确定的满足处理目标的分类结果为例,用户即可以获取当前选择的提示控件13031所提示的分类模型为目标分类模型。
在目标页面1302中,还可以显示标注提示信息,以标注提示信息为标注提示控件为例,目标页面1302中可以显示一个“返回标注”的提示控件1306,用户出发返回提示控件1306的选择操作之后,如图14所示,可以在显示屏1301的浏览器上可以为用户显示标注页面1401。
标注页面1401中可以显示多个等待标注的待处理数据,如图14所示的待处理图像1402,每个待处理图像1402可以对应有一个“正确”控件14021以及一个“错误”控件14022,其中,“正确”控件14021以及“错误”控件14022均为复选框控件,也就是,针对任一个待处理图像1402而言,用户仅可以使用鼠标1305从正确控件14021或者错误控件14022中选择其中一个控件,而不能同时选择两个控件。
在标注页面1401中还可以显示标注提示信息,标注提示信息1403可以用于提示用户正样本的选择提示信息,以及标注提示信息1404可以用于提示负样本的选择提示信息。
为了对本发明实施例进行详细描述,以待处理数据为样本图像为例,详细说明本申请实施例的技术方案。在一些实施例中,在处理样本图像之前,可以先确定样本图像,以对样本图像进行处理。
如图15所示,为本申请实施例提供的一种图像处理方法的一个实施例的流程图,所述方法可以包括以下几个步骤:
1501:确定用户已标注的样本图像。
其中,所述样本图像包括多个。
所述确定用户已标注的样本图像包括:确定用户已标注类别标签的样本图像。不同类别标签可以用于标识不同类型的样本图像。
1502:响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型。
所述响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型可以包括:响应于用户针对目标页面显示的至少一个提示信息中任一提示信息的选择操作,获得用户选择的提示信息对应的机器学习模型。
其中,每个提示信息用于提示对应的机器学习模型。
可选地,在一些实施例中,所述方法还可以包括:在目标页面中显示至少一个机器学习模型分别对应的提示信息。其中,每个提示信息用于提示对应的机器学习模型。
1503:将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
所述将所述样本图像输入所述用户选择的机器学习模型,获得处理结果可以包括:将所述样本图像输入所述用户选择的提示信息对应的机器学习模型,获得所述机器学习模型对所述样本图像执行目标操作处理获得的处理结果。
其中,用户标注的样本图像可以包括用户设置的每个样本图像的标注信息,标注信息可以包括对每个样本图像执行目标操作处理对应的真实处理结果。
可选地,所述处理结果可以包括:机器学习模型对每个样本图像处理获得的处理结果。在展示处理结果时,可以将每个样本图像的处理结果以及每个样本图像的标注信息同时显示,以供用户基于多个样本图像分别对应的处理结果以及标注信息判断其选择的机器学习模型是否满足处理目标,如果满足确定选择的机器学习模型为目标机器学习模型。
将所述样本图像输入所述用户选择的提示信息对应的机器学习模型,以供所述机器学习模型对所述样本图像执行目标操作处理,获得所述机器学习模型对所述样本图像执行目标操作处理获得的处理结果。
可选地,确定所述样本图像之后,所述目标页面中展示的至少一个提示信息分别对应的机器学习模型可以对所述样本图像分别执行目标操作处理,通过预处理获得每个样本图像对应的处理结果。读取所述用户选择的提示信息对应的机器学习模型对所述样本图像执行目标操作处理获得的处理结果。
可选地,展示所述处理结果之后,用户可以按照所述处理结果判断其选择的提示信息对应的机器学习模型是否满足处理目标,如果满足,确定其选择的机器学习模型为目标机器学习模型。
在展示处理结果之后,所述用户还可以下载样本图像对应的处理结果,并使用该使用结果。
可选地,在一些实施例中,用户确定目标机器学习模型之后,还可以重新上传样本图像,该样本图像可以是用户需要目标机器学习模型执行目标操作处理的图像,以实现选择的目标机器学习模型的实际落地应用。
用户通过标注样本图像可以选择对不同样本图像的标注,之后,可以响应于用户在多个机器学习模型的选择操作,获得用户选择的机器学习模型。并获得用户选择的机器学习模型对样本图像的处理结果,并展示该处理结果。用户可以通过上传样本图像并使用多个机器学习模型,以实现机器学习模型的应用范围,实现机器学习模型的推广。
需要说明的是本申请实施例的技术方案的详细技术内容以及技术效果可参考图1~图14的实施例的相关描述,此处将不做详细阐述说明。
在实际应用场景中,为了从多个机器学习模型中选择处理效果最佳的机器学习模型,用户可以从至少一个机器学习模型中选择对样本图像处理效果最优的机器学习模型,也即满足处理目标的目标机器学习模型。样本图像可以是用户上传的用于从至少一个机器学习模型中选择出目标机器学习模型的待处理数据,以利用至少一个机器学习模型分别对样本图像执行目标操作处理,以获得处理结果,进而从至少一个机器学习模型中选择出符合处理目标的机器学习模型。
在选择出目标机器学习模型之后,用户可以使用该目标机器学习模型。
例如,所述用户可以是商家用户,商家用户可以将目标机器学习模型应用于商家图片的上传检测判断或者将多种商品混合图像的分类等应用场景中。商家图片的上传检测判断具体可以是基于机器学习模型对待上传的图像进行是否满足上传条件的检测,并获取满足上传条件的图像,以及删除不满足上传条件的图像。而多种商品混合图像的分类具体是将集合有多种商品的图像进行分类,以将具有相同图像属性的商品图像分类到同一个图像类型中,获取每个商品的图像。
在利用机器学习模型对多种商品图像进行分类时,以商品图像中包括衣物以及鞋子为例,假设存在多个样本图像,每个样本图像可以是服装图像或鞋子图像,可以利用机器学习模型对样本图像执行分类处理,识别出至少一个样本图像中包含有衣物的图像,以及识别出至少一个样本图像中包含有鞋子的图像。
如图16所示,为本申请实施例提供的一种图像处理方法的又一个实施例的流程图,所述方法可以包括:
1601:确定用户已标注的样本图像。
其中,所述样本图像包括多个。
1602:响应于用户在多个分类模型的目标界面中的选择操作,确定用户选择的分类模型。
所述响应于用户在多个分类模型的目标界面中的选择操作,确定用户选择的分类模型可以包括:响应于用户针对目标页面显示的至少一个提示信息中任一提示信息的选择操作,获得用户选择的提示信息对应的分类模型。
其中,每个提示信息用于提示对应的分类模型。
1603:将所述样本图像输入所述用户选择的分类模型,获得并展示分类结果。
所述将所述样本图像输入所述用户选择的分类模型,获得并展示分类结果可以包括:将所述样本图像输入所述用户选择的提示学习对应的分类模型,获得所述分类模型对所述样本图像执行分类处理获得的分类结果。
其中,当机器学习模型为分类模型时,用户标注的样本图像可以包括用户设置的每个样本图像的标注信息,标注信息可以包括每个样本图像实际对应的类别标签。
可选地,所述分类结果可以包括:分类模型对每个样本图像执行分类处理获得的分类结果。在展示分类结果时,可以将每个样本图像的分类结果以及每个样本图像的类别标签同时显示,以供用户基于多个样本图像分别对应的处理结果以及类别标签判断其选择的分类模型是否满足处理目标,如果满足确定选择的分类模型为目标分类模型。
展示所述分类结果,用户可以按照所述分类结果判断其选择的提示信息对应的分类模型是否满足分类目标,如果满足,确定其选择的分类模型为目标分类模型。
本申请实施例,在确定样本图像之后,可以基于目标显示页面的至少一个提示信息,检测用户针对任一提示信息的选择操作,以获得用户选择的提示信息对应的分类模型。分类模型可以对样本图像进行分类,以获得分类结果,并展示。用户可以查看展示的分类结果,并按照查看的分类结果判断其选择的分类模型对样本图像的分类结果是否满足分类目标,如果满足可以确定其选择的分类模型为目标分类模型。通过对至少一个样本图像的分类处理,用户可以选择合适的分类模型,为用户提供一种分类模型的选择方式,使得普通商家用户也可以直接观看不同分类模型的应用结果,实现分类模型的快速落地,提高分类模型的推广效率。
需要说明的是本申请实施例的技术方案的详细技术内容以及技术效果可参考图1~图15的实施例的相关描述,此处将不做详细阐述说明。
为了更精确地选择符合分类目标的机器学习模型,也即分类模型,用户可以将每个样本图像先标注类别标签,并利用用户标注的类别标签以及机器学习模型对样本图像的分类结果,计算每个机器学习模型对样本图像的识别率和/或召回率,以从中选择识别率最高或者召回率最高的机器学习模型,以在之后可以直接利用选择出的机器学习模型。
因此,作为一个实施例,所述确定用户已标注的样本图像包括:
确定所述用户已标注类别标签的样本图像;
所述将所述样本图像输入所述用户选择的机器学习模型,获得并展示分类结果之后,还包括:
根据每个样本图像对应的类别标签以及所述分类结果,计算所述分类模型对所述样本图像执行分类处理对应的识别率和/或召回率;
展示所述识别率和/或召回率。
可选地,展示所述分类结果以及所述识别率和/或召回率,用户可以按照所述分类结果以及所述识别率和/或召回率,判断其选择的提示信息对应的分类模型是否满足分类目标,如果满足,确定其选择的分类模型为目标分类模型。
用户对样本图像设置类别标签时,可以参考图13~图14所示例的标注方式,在此不再赘述。
以对属于两种类型的样本图像进行分类为例,当用户需要对服装类以及鞋类混合形成的样本图像进行分类时,用户在标注每个样本图像的类别标签时,可以将服装类的样本图像的类别标签标注为1,也即将服装类样本图像标注为正样本,将鞋类的样本图像的类别标签标注为0,也即将鞋类样本图像标注为负样本。分类模型可以将混合有服装类以及鞋类的样本图像进行类别划分,获得第一类图像以及第二类图像,其中,第一类图像可以是识别为正样本的图像,第二类图像可以是识别为负样本的图像。在计算识别率时,可以计算第一类图像中实际类别标签为1的图像的第一数量,计算第二类图像中识别类别标签为0的图像的第二数量,并计算第一数量与第二数量的和,与样本图像的总数量的比值,获得识别率。此外,还可以计算第一数量与样本图像中正样本图像的数量的比值,获得召回率。
通过样本图像的类别标签,可以计算每个分类模型的识别率和/或召回率,以基于计算获得的识别率或召回率,选择识别效果最佳的分类模型,提高模型的选择效率以及精确度。
如图17所示,为本申请实施例提供的一种信息展示装置的一个实施例的结构示意图,所述装置可以包括以下几个模块:
结果确定模块1701,用于基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
信息显示模块1702,用于在目标页面中显示所述至少一个机器学习模型分别对应的提示信息。
结果显示模块1703,基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本发明实施例中,利用至少一个机器学习模型对待处理数据执行目标操作处理之后,可以获得至少一个机器学习模型分别对应的处理结果;而在目标页面中可以显示至少一个机器学习模型分别对应的提示信息,进而可以基于目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,用户通过查看不同机器学习模型的处理结果,从至少一个机器学习模型中选择满足处理目标的目标机器学习模型。从而实现不同机器学习模型的提示信息,用户可以根据提示信息选择查看不同机器学习模型的处理结果,使用户可以直观地观看到机器学习模型的应用结果,从而可以直接从中选择满足处理目标的目标机器学习模型,提高机器学习模型的选择效率,实现机器学习模型的快速落地。
作为一个实施例,所述结果确定模块包括:
结果确定单元,用于响应于所述用户触发的提示请求,基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
作为又一个实施例,所述信息显示模块包括:
控件显示单元,用于在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件。
所述结果显示模块包括:
结果显示单元,用于基于所述目标页面中显示的至少一个提示控件,检测用户执行的至少一次针对任一提示控件的选择操作,在所述目标页面中显示所述用户每一次选择的提示控件对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
在一些实施例中,所述控件显示单元包括:
页面确定子单元,用于确定至少一个提示控件在所述目标页面显示时的第一子页面;其中,所述第一子页面位于所述目标页面的预定区域;
控件显示子单元,用于在所述第一子页面中分别显示所述至少一个机器学习模型对应的提示控件。
在又一些实施例中,所述装置还可以包括:
提示生成模块,用于根据每个机器学习模型的模型信息,生成每个机器学习模型的模型提示信息。
所述结果显示模块还可以包括:
目标显示单元,用于基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果以及对应的模型提示信息,以供所述用户从所述至少一个机器学习模型中,按照对应的模型提示信息选择处理结果满足处理目标的目标机器学习模型。
作为又一个实施例,所述信息显示模块可以包括:
模型选择单元,用于基于所述至少一个处理结果,从所述至少一个机器学习模型中选择待提示模型。
信息显示单元,用于在所述目标页面中显示所述待提示模型对应的提示信息。
在一种可能的设计中,所述目标操作处理包括分类处理;所述机器学习模型包括分类模型;所述结果确定模块可以包括:
分类处理单元,用于基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果。
所述结果显示模块包括:
分类显示单元,用于基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的分类处理结果,以供所述用户从所述至少一个分类模型中选择分类结果满足分类目标的目标分类模型。
在一些实施例中,所述每个分类模型的分类处理结果包括第一类数据以及第二类数据。
所述分类显示单元可以包括:
第一显示子单元,用于基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据,以供所述用户从所述至少一个机器学习模型中选择分类结果满足分类目标的目标分类模型。
进一步,可选地,所述第一显示子单元具体可以包括:
页面确定模块,用于针对所述用户每一次选择的目标提示信息对应分类模型的第一类数据以及第二类数据,确定所述目标页面中的第二子页面以及第三子页面。
第一数据模块,用于在所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据。
第二数据模块,用于在所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
作为一种可能的实现方式,所述第一显示子单元还可以包括:
第一检测模块,用于检测针对所述第二子页面对应第一边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
第一更新模块,用于在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
作为又一种可能的实现方式,所述第一显示子单元还可以包括:
第二检测模块,用于检测针对所述第三子页面对应第二边框的拖动操作,重新确定所述第二子页面以及所述第三子页面。
第二更新模块,用于在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
作为一个实施例,所述装置还可以包括:
数据分析模块,用于根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率;
分析输出模块,用于基于所述目标页面中显示的至少一个提示信息各自所在显示位置,显示每个分类模型对应识别率和/或召回率。
在某些实施例中,所述装置还可以包括:
标注请求模块,用于基于所述用户针对所述目标页面中显示的标注提示信息执行的确认操作,生成标注请求;
数据输出模块,用于响应所述标注请求,显示将所述待处理数据对应的标注页面;其中,所述标注页面中包括所述待处理数据的至少一个类别标签,以供用户对待处理数据所在正确类别进行标注;所述至少一个类别标签为分类模型的类别所对应的类别标签;
类别标注模块,用于检测用户在所述待处理数据的至少一个类别标签中选择的目标类别标签,将所述待处理数据及其对应的目标类别标签关联存储。
作为一种可能的实现方式,所述数据分析模块可以包括:
分析更新单元,用于根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据被重新标注的目标类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率。
作为一个实施例,所述装置还可以包括:
下载提示模块,用于在所述目标页面中显示针对每个分类模型的第一类数据以及第二类数据的下载提示信息;
下载检测模块,用于检测用户针对任一分类模型的第一数据以及第二类数据对应下载提示信息执行的触发操作,生成针对所述用户选择的分类模型的第一类数据以及第二类数据的下载请求;
下载响应模块,用于响应所述下载请求,下载所述用户选择的分类模型对应第一类数据以及第二类数据。
作为又一个实施例,所述装置还可以包括:
参数调整模块,用于针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应参数调整提示信息;
参数确定模块,用于检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数;
更新处理模块,用于基于所述目标模型参数对应所述用户选择的机器学习模型,对所述待处理数据执行目标操作处理,获得所述用户选择的机器学习模型对所述待处理数据的调整处理结果;
结果更新模块,用于更新所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型的处理结果为所述调整处理结果。
作为一种可能的实现方式,所述参数调整模块可以包括:
控件提示单元,用于针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数的调整提示控件;其中,所述调整提示控件包括多个模型参数的提示子控件。
所述参数确定模块可以包括:
参数检测单元,用于检测所述用户针对所述调整提示控件中任一提示子控件触发的选择操作,获得用户选择的目标提示子控件;
参数确定单元,用于确定所述目标提示子控件对应模型参数为所述目标模型参数。
图17所述的实现信息展示装置可以执行上述实施例所述的信息展示的方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现信息展示的装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在实际应用中,图17所述的信息处理装置可以配置为一信息展示设备,如图18所示,该信息处理设备可以包括:存储组件1801以及处理组件1802;所述存储组件1801用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件1802调用执行;
所述处理组件1802用于:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本发明实施例中,本发明实施例中,利用至少一个机器学习模型对待处理数据执行目标操作处理之后,可以获得至少一个机器学习模型分别对应的处理结果;而在目标页面中可以显示至少一个机器学习模型分别对应的提示信息,进而可以基于目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,用户通过查看不同机器学习模型的处理结果,从至少一个机器学习模型中选择满足处理目标的目标机器学习模型。从而实现不同机器学习模型的提示信息,用户可以根据提示信息选择查看不同机器学习模型的处理结果,使用户可以直观地观看到机器学习模型的应用结果,从而可以直接从中选择满足处理目标的目标机器学习模型,提高机器学习模型的选择效率,实现机器学习模型的快速落地。
作为一个实施例,所述处理组件基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果具体可以是:
响应于所述用户触发的提示请求,基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
作为又一个实施例,所述处理组件在目标页面中显示所述至少一个机器学习模型分别对应的提示信息具体可以是:
在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件;
所述处理组件基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型具体可以是:
基于所述目标页面中显示的至少一个提示控件,检测用户执行的至少一次针对任一提示控件的选择操作,在所述目标页面中显示所述用户每一次选择的提示控件对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
在一些实施例中,所述处理组件在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件具体可以是:
确定至少一个提示控件在所述目标页面显示时的第一子页面;其中,所述第一子页面位于所述目标页面的预定区域;
在所述第一子页面中分别显示所述至少一个机器学习模型对应的提示控件。
在一些实施例中,所述处理组件还可以用于:
根据每个机器学习模型的模型信息,生成每个机器学习模型的模型提示信息。
所述处理组件基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型具体可以是:
基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果以及对应的模型提示信息,以供所述用户从所述至少一个机器学习模型中,按照对应的模型提示信息选择处理结果满足处理目标的目标机器学习模型。
在又一些实施例中,所述处理组件在目标页面中显示所述至少一个机器学习模型分别对应的提示信息具体可以是:
基于所述至少一个处理结果,从所述至少一个机器学习模型中选择待提示模型;
在所述目标页面中显示所述待提示模型对应的提示信息。
作为又一个实施例,所述目标操作处理包括分类处理;所述机器学习模型包括分类模型;所述处理组件基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果具体可以是:
基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果。
所述处理组件基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型具体可以是:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的分类处理结果,以供所述用户从所述至少一个分类模型中选择分类结果满足分类目标的目标分类模型。
在一种可能的设计中,每个分类模型的分类处理结果包括第一类数据以及第二类数据。
所述处理组件基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型具体可以是:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据,以供所述用户从所述至少一个机器学习模型中选择分类结果满足分类目标的目标分类模型。
在一些实施例中,所述处理组件对用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据具体通过以下方式在所述目标页面中显示:
针对所述用户每一次选择的目标提示信息对应分类模型的第一类数据以及第二类数据,确定所述目标页面中的第二子页面以及第三子页面;
在所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据;
在所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
在一些实施例中,所述处理组件还可以用于:
检测针对所述第二子页面对应第一边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
作为又一个实施例,所述处理组件还可以用于:
检测针对所述第三子页面对应第二边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
在某些实施例中,所述处理组件还可以用于:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率;
基于所述目标页面中显示的至少一个提示信息各自所在显示位置,显示每个分类模型对应识别率和/或召回率。
进一步,可选地,所述处理组件还可以用于:
基于所述用户针对所述目标页面中显示的标注提示信息执行的确认操作,生成标注请求;
响应所述标注请求,显示将所述待处理数据对应的标注页面;其中,所述标注页面中包括所述待处理数据的至少一个类别标签,以供用户对待处理数据所在正确类别进行标注;所述至少一个类别标签为分类模型的类别所对应的类别标签;
检测用户在所述待处理数据的至少一个类别标签中选择的目标类别标签,将所述待处理数据及其对应的目标类别标签关联存储。
作为一种可能的实现方式,所述处理组件根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率具体还可以是:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据被重新标注的目标类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率。
在某些实施例中所述处理组件还可以用于:
在所述目标页面中显示针对每个分类模型的第一类数据以及第二类数据的下载提示信息;
检测用户针对任一分类模型的第一数据以及第二类数据对应下载提示信息执行的触发操作,生成针对所述用户选择的分类模型的第一类数据以及第二类数据的下载请求;
响应所述下载请求,下载所述用户选择的分类模型对应第一类数据以及第二类数据。
作为一个实施例,所述处理组件还可以用于:
针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应参数调整提示信息;
检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数;
基于所述目标模型参数对应所述用户选择的机器学习模型,对所述待处理数据执行目标操作处理,获得所述用户选择的机器学习模型对所述待处理数据的调整处理结果;
更新所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型的处理结果为所述调整处理结果。
作为一种可能的实现方式,所述处理组件针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应的参数调整提示信息具体可以是:
针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数的调整提示控件;其中,所述调整提示控件包括多个模型参数的提示子控件。
所述处理组件检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数具体可以是:
检测所述用户针对所述调整提示控件中任一提示子控件触发的选择操作,获得用户选择的目标提示子控件;
确定所述目标提示子控件对应模型参数为所述目标模型参数。
图18所述的实现信息展示设备可以执行上述任一实施例所述的信息展示的方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现信息展示设备所执行的各个步骤的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
如图19所示,为本申请实施例提供的一种信息展示装置的又一个实施例的结构示意图,所述装置可以包括:
结果确定模块1901,用于基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;
信息生成模块1902,用于为所述至少一个机器学习模型分别生成对应的提示信息;
页面生成模块1903,用于基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;
页面发送模块1904,用于发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;
目标确定模块1905,用于接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本申请实施例中,机器学习模型对待处理数据的处理过程可以在后台服务器实现,并在前端的用户端显示,以提高用户对机器学习模型对待处理数据的处理结果的感知,以供用户从多个机器学习模型中选择合适的目标机器学习模型,提高机器学习模型的选择效率。
图19所述的实现信息展示装置可以执行上述实施例所述的信息展示的方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现信息展示的装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在实际应用中,图19所示的信息展示装置可以配置为一信息展示设备,如图20所示,该信息展示设备可以包括:存储组件2001以及处理组件2002;所述存储组件2001用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2002调用执行;
所述处理组件2002用于:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;为所述至少一个机器学习模型分别生成对应的提示信息;基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
本申请实施例中,机器学习模型对待处理数据的处理过程可以在后台服务器实现,并在前端的用户端显示,以提高用户对机器学习模型对待处理数据的处理结果的感知,以供用户从多个机器学习模型中选择合适的目标机器学习模型,提高机器学习模型的选择效率。
图20所述的实现信息展示设备可以执行上述任一实施例所述的信息展示的方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现信息展示设备的处理组件所执行的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
如图21所示,为本申请实施例提供的一种图像处理装置的一个实施例的结构示意图,所述装置可以包括:
图像确定模块2101,用于确定用户已标注的样本图像。
其中,所述样本图像包括多个。
模型选择模块2102,用于响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型。
其中,每个提示信息用于提示对应的机器学习模型。
图像处理模块2103,用于将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果
本申请实施例,在确定用户标注的样本图像之后,检测用户选择的机器学习模型。机器学习模型可以对样本图像进行处理获得处理结果并展示。为用户提供一种机器学习模型的选择方式,使得普通商家用户也可以直接观看不同机器学习模型的应用结果,实现机器学习模型的快速落地,提高机器学习模型的推广效率。
可选地,所述机器学习模型包括:分类模型。
所述图像处理模块可以包括:
图像处理单元,用于将所述样本图像输入所述用户选择的分类模型,获得并展示分类结果。
作为一种可能的实现方式,所述图像确定模块可以包括:
图像确定单元,用于确定所述用户已标注类别标签的样本图像。
所述装置还可以包括:
结果计算模块,用于根据每个样本图像对应的类别标签以及所述分类结果,计算所述分类模型对所述样本图像执行分类处理对应的识别率和/或召回率。
所述分类展示单元可以包括:
分类展示子单元,用于展示所述识别率和/或召回率。
图21所述的图像处理装置可以执行上述任一实施例所述的图像处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现图像处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
如图22所示,为本申请实施例提供的一种图像处理设备的一个实施例的结构示意图,所述设备可以包括:存储组件2201以及处理组件2202;所述存储组件2201用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件2202调用执行;
所述处理组件2202用于:
确定用户已标注的样本图像;其中,所述样本图像包括多个;
响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型;
将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
本申请实施例,在确定样本图像之后,可以基于目标显示页面的至少一个提示信息,检测用户针对任一提示信息的选择操作,以获得用户选择的提示信息对应的机器学习模型。机器学习模型可以对样本图像进行处理获得处理结果,并展示。为用户提供一种机器学习模型的选择方式,使得普通商家用户也可以直接观看不同机器学习模型的应用结果,实现机器学习模型的快速落地,提高机器学习模型的推广效率。
作为一个实施例,所述机器学习模型包括:分类模型;所述处理组件将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果具体可以是:
将所述样本图像输入所述用户选择的分类模型,获得并展示分类结果。
所述处理组件可以将所述样本图像输入所述用户选择的提示信息对应的机器学习模型,获得所述机器学习模型对所述样本图像执行目标操作处理获得的处理结果。
可选地,可以将所述样本图像输入所述用户选择的提示学习对应的分类模型,获得所述分类模型对所述样本图像执行分类处理获得的分类结果;
所述处理组件展示所述处理结果,用户按照所述处理结果判断其选择的提示信息对应的机器学习模型是否满足处理目标,如果满足,确定其选择的机器学习模型为目标机器学习模型。
作为一种可能的实现方式,所述处理组件确定用户已标注的样本图像具体可以是:
确定所述用户已标注类别标签的样本图像;
所述处理组件还可以用于:
根据每个样本图像对应的类别标签以及所述分类结果,计算所述分类模型对所述样本图像执行分类处理对应的识别率和/或召回率;
所述处理组件可以展示所述分类结果以及所述识别率和/或召回率,以供所述用户按照所述分类结果以及所述识别率和/或召回率,判断其选择的提示信息对应的分类模型是否满足分类目标,如果满足,确定其选择的分类模型为目标分类模型。
图22所述的图像处理设备可以执行上述任一实施例所述的图像处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的实现图像处理模块的处理组件所执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (25)
1.一种信息展示方法,其特征在于,包括:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;
在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;
基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
2.根据权利要求1所述的方法,其特征在于,所述基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果包括:
响应于所述用户触发的提示请求,基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果。
3.根据权利要求1所述的方法,其特征在于,所述在目标页面中显示所述至少一个机器学习模型分别对应的提示信息包括:
在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示控件,检测用户执行的至少一次针对任一提示控件的选择操作,在所述目标页面中显示所述用户每一次选择的提示控件对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
4.根据权利要求3所述的方法,其特征在于,所述在所述目标页面中显示所述至少一个机器学习模型分别对应的提示控件包括:
确定至少一个提示控件在所述目标页面显示时的第一子页面;其中,所述第一子页面位于所述目标页面的预定区域;
在所述第一子页面中分别显示所述至少一个机器学习模型对应的提示控件。
5.根据权利要求3所述的方法,其特征在于,还包括:
根据每个机器学习模型的模型信息,生成每个机器学习模型的模型提示信息;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果以及对应的模型提示信息,以供所述用户从所述至少一个机器学习模型中,按照对应的模型提示信息选择处理结果满足处理目标的目标机器学习模型。
6.根据权利要求1所述的方法,其特征在于,所述在目标页面中显示所述至少一个机器学习模型分别对应的提示信息包括:
基于所述至少一个处理结果,从所述至少一个机器学习模型中选择待提示模型;
在所述目标页面中显示所述待提示模型对应的提示信息。
7.根据权利要求1所述的方法,其特征在于,所述目标操作处理包括分类处理;所述机器学习模型包括分类模型;所述基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果包括:
基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果;
所述基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的分类处理结果,以供所述用户从所述至少一个分类模型中选择分类结果满足分类目标的目标分类模型。
8.根据权利要求7所述的方法,其特征在于,所述每个分类模型的分类处理结果包括第一类数据以及第二类数据;
所述基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型包括:
基于所述目标页面中显示的至少一个提示信息,检测所述用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据,以供所述用户从所述至少一个机器学习模型中选择分类结果满足分类目标的目标分类模型。
9.根据权利要求8所述的方法,其特征在于,所述用户每一次选择的提示信息对应分类模型的第一类数据以及第二类数据具体通过以下方式在所述目标页面中显示:
针对所述用户每一次选择的目标提示信息对应分类模型的第一类数据以及第二类数据,确定所述目标页面中的第二子页面以及第三子页面;
在所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据;
在所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
10.根据权利要求9所述的方法,其特征在于,还包括:
检测针对所述第二子页面对应第一边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
11.根据权利要求9所述的方法,其特征在于,还包括:
检测针对所述第三子页面对应第二边框的拖动操作,重新确定所述第二子页面以及所述第三子页面;
在重新确定的所述第二子页面中显示所述用户选择的目标提示信息对应分类模型的第一类数据以及所述第三子页面中显示所述用户选择的目标提示信息对应分类模型的第二类数据。
12.根据权利要求8所述的方法,其特征在于,所述基于至少一个分类模型对待处理数据执行的分类处理,获得每个分类模型的分类处理结果之后,还包括:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率;
基于所述目标页面中显示的至少一个提示信息各自所在显示位置,显示每个分类模型对应识别率和/或召回率。
13.根据权利要求12所述的方法,其特征在于,还包括:
基于所述用户针对所述目标页面中显示的标注提示信息执行的确认操作,生成标注请求;
响应所述标注请求,显示将所述待处理数据对应的标注页面;其中,所述标注页面中包括所述待处理数据的至少一个类别标签,以供用户对待处理数据所在正确类别进行标注;所述至少一个类别标签为分类模型的类别所对应的类别标签;
检测用户在所述待处理数据的至少一个类别标签中选择的目标类别标签,将所述待处理数据及其对应的目标类别标签关联存储。
14.根据权利要求13所述的方法,其特征在于,所述根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据对应的类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率包括:
根据每个分类模型的分类处理结果对应第一类数据以及第二类数据,以及每个待处理数据被重新标注的目标类别标签,确定每个分类模型对所述待处理数据分类后对应的识别率和/或召回率。
15.根据权利要求8所述的方法,其特征在于,还包括:
在所述目标页面中显示针对每个分类模型的第一类数据以及第二类数据的下载提示信息;
检测用户针对任一分类模型的第一数据以及第二类数据对应下载提示信息执行的触发操作,生成针对所述用户选择的分类模型的第一类数据以及第二类数据的下载请求;
响应所述下载请求,下载所述用户选择的分类模型对应第一类数据以及第二类数据。
16.根据权利要求1所述的方法,其特征在于,还包括:
针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应参数调整提示信息;
检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数;
基于所述目标模型参数对应所述用户选择的机器学习模型,对所述待处理数据执行目标操作处理,获得所述用户选择的机器学习模型对所述待处理数据的调整处理结果;
更新所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型的处理结果为所述调整处理结果。
17.根据权利要求16所述的方法,其特征在于,所述针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数对应的参数调整提示信息包括:
针对所述目标页面中当前显示的所述用户选择的提示信息对应机器学习模型,显示所述机器学习模型的多个模型参数的调整提示控件;其中,所述调整提示控件包括多个模型参数的提示子控件;
所述检测所述用户针对所述参数调整提示信息触发的参数调整操作,获取所述用户选择的目标模型参数包括:
检测所述用户针对所述调整提示控件中任一提示子控件触发的选择操作,获得用户选择的目标提示子控件;
确定所述目标提示子控件对应模型参数为所述目标模型参数。
18.一种信息展示方法,其特征在于,包括:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;
为所述至少一个机器学习模型分别生成对应的提示信息;
基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;
发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;
接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
19.一种图像处理方法,其特征在于,包括:
确定用户已标注的样本图像;其中,所述样本图像包括多个;
响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型;
将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
20.根据权利要求19所述的方法,其特征在于,所述机器学习模型包括:分类模型;
所述将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果包括:
将所述样本图像输入所述用户选择的分类模型,获得并展示分类结果。
21.根据权利要求20所述的方法,其特征在于,所述确定用户已标注的样本图像包括:
确定所述用户已标注类别标签的样本图像;
所述将所述样本图像输入所述用户选择的机器学习模型,获得并展示分类结果之后,还包括:
根据每个样本图像对应的类别标签以及所述分类结果,计算所述分类模型对所述样本图像执行分类处理对应的识别率和/或召回率;
展示所述识别率和/或召回率。
22.一种信息展示装置,其特征在于,提供一显示界面,所述显示界面用以显示目标页面,其中,所述目标页面中包括至少一个机器学习模型分别对应的提示信息;所述至少一个机器学习模型用以分别对待处理数据执行目标操作处理,获得每个机器学习模型的处理结果;
所述显示界面还用于基于所述所述目标页面显示的至少一个提示信息,在用户执行的至少一次针对任一提示信息选择操作下,显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
23.一种信息展示设备,其特征在于,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
基于至少一个机器学习模型对待处理数据执行的目标操作处理,获得每个机器学习模型的处理结果;在目标页面中显示所述至少一个机器学习模型分别对应的提示信息;基于所述目标页面中显示的至少一个提示信息,检测用户执行的至少一次针对任一提示信息的选择操作,在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供所述用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
24.一种信息展示设备,其特征在于,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
利用至少一个机器学习模型对待处理数据执行目标操作处理,获得至少一个处理结果;为所述至少一个机器学习模型分别生成对应的提示信息;基于所述至少一个机器学习模型分别对应的提示信息,生成目标页面;发送所述目标页面至用户端,以供所述用户端显示基于所述至少一个机器学习模型分别对应的提示信息生成的目标页面;检测用户执行的针对目标页面的至少一个提示信息中任一提示信息的选择操作,发送所述用户每一次选择的提示信息至服务端;接收用户端发送的所述用户每一次选择的提示信息,发送所述用户选择的提示信息对应机器学习模型的处理结果至用户端,以供所述用户端在所述目标页面中显示所述用户每一次选择的提示信息对应机器学习模型的处理结果,以供用户从所述至少一个机器学习模型中选择处理结果满足处理目标的目标机器学习模型。
25.一种图像处理设备,其特征在于,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令供所述处理组件调用执行;
所述处理组件用于:
确定用户已标注的样本图像;其中,所述样本图像包括多个;
响应于用户在多个机器学习模型的目标界面中的选择操作,确定用户选择的机器学习模型;
将所述样本图像输入所述用户选择的机器学习模型,获得并展示处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088970.0A CN112784181A (zh) | 2019-11-08 | 2019-11-08 | 信息展示、图像处理方法及设备、信息展示装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088970.0A CN112784181A (zh) | 2019-11-08 | 2019-11-08 | 信息展示、图像处理方法及设备、信息展示装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784181A true CN112784181A (zh) | 2021-05-11 |
Family
ID=75748973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088970.0A Pending CN112784181A (zh) | 2019-11-08 | 2019-11-08 | 信息展示、图像处理方法及设备、信息展示装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024171594A1 (ja) * | 2023-02-17 | 2024-08-22 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、及び情報処理プログラム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120054658A1 (en) * | 2010-08-30 | 2012-03-01 | Xerox Corporation | Parameterization of a categorizer for adjusting image categorization and retrieval |
US20150242761A1 (en) * | 2014-02-26 | 2015-08-27 | Microsoft Corporation | Interactive visualization of machine-learning performance |
CN108021986A (zh) * | 2017-10-27 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
CN109409533A (zh) * | 2018-09-28 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种机器学习模型的生成方法、装置、设备及存储介质 |
CN109800048A (zh) * | 2019-01-22 | 2019-05-24 | 深圳魔数智擎科技有限公司 | 模型的结果展示方法、计算机可读存储介质及计算机设备 |
CN109983483A (zh) * | 2016-11-21 | 2019-07-05 | 谷歌有限责任公司 | 基于本地记录的数据的机器学习模型的管理和评估 |
CN110163248A (zh) * | 2019-04-09 | 2019-08-23 | 文远知行有限公司 | 模型评估的可视化方法、装置、计算机设备和存储介质 |
US20190294923A1 (en) * | 2018-03-21 | 2019-09-26 | Kla-Tencor Corporation | Training a machine learning model with synthetic images |
-
2019
- 2019-11-08 CN CN201911088970.0A patent/CN112784181A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120054658A1 (en) * | 2010-08-30 | 2012-03-01 | Xerox Corporation | Parameterization of a categorizer for adjusting image categorization and retrieval |
US20150242761A1 (en) * | 2014-02-26 | 2015-08-27 | Microsoft Corporation | Interactive visualization of machine-learning performance |
CN109983483A (zh) * | 2016-11-21 | 2019-07-05 | 谷歌有限责任公司 | 基于本地记录的数据的机器学习模型的管理和评估 |
CN108021986A (zh) * | 2017-10-27 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
US20190294923A1 (en) * | 2018-03-21 | 2019-09-26 | Kla-Tencor Corporation | Training a machine learning model with synthetic images |
CN109409533A (zh) * | 2018-09-28 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种机器学习模型的生成方法、装置、设备及存储介质 |
CN109800048A (zh) * | 2019-01-22 | 2019-05-24 | 深圳魔数智擎科技有限公司 | 模型的结果展示方法、计算机可读存储介质及计算机设备 |
CN110163248A (zh) * | 2019-04-09 | 2019-08-23 | 文远知行有限公司 | 模型评估的可视化方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024171594A1 (ja) * | 2023-02-17 | 2024-08-22 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
Zhang et al. | Research on mine vehicle tracking and detection technology based on YOLOv5 | |
CN109298912A (zh) | 主题色彩的调节方法、装置、存储介质及电子设备 | |
CN111523390B (zh) | 一种图像识别的方法及增强现实ar图标识别的系统 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
CN113516144A (zh) | 目标检测方法及装置、计算设备 | |
KR20230068989A (ko) | 멀티-태스크 모델의 학습을 수행하는 방법 및 전자 장치 | |
CN110275820B (zh) | 页面兼容性测试方法、系统及设备 | |
CN112784181A (zh) | 信息展示、图像处理方法及设备、信息展示装置 | |
CN111966600B (zh) | 网页测试方法、装置、计算机设备及计算机可读存储介质 | |
CN116977260A (zh) | 目标物的缺陷检测方法、装置、电子设备及存储介质 | |
CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
CN115775386A (zh) | 用户界面组件的识别方法、装置、计算机设备和存储介质 | |
CN115631374A (zh) | 控件操作方法、控件检测模型的训练方法、装置和设备 | |
CN115205553A (zh) | 图像的数据清洗方法、装置、电子设备及存储介质 | |
CN110851349A (zh) | 页面异常显示的检测方法、终端设备及存储介质 | |
CN111507141B (zh) | 图片识别方法、服务界面显示方法、系统及设备 | |
CN115393846B (zh) | 一种血细胞识别方法、装置、设备及可读存储介质 | |
CN111209501B (zh) | 一种图片显示方法、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 |