CN112884054B - 一种目标标注方法和一种目标标注装置 - Google Patents

一种目标标注方法和一种目标标注装置 Download PDF

Info

Publication number
CN112884054B
CN112884054B CN202110236191.1A CN202110236191A CN112884054B CN 112884054 B CN112884054 B CN 112884054B CN 202110236191 A CN202110236191 A CN 202110236191A CN 112884054 B CN112884054 B CN 112884054B
Authority
CN
China
Prior art keywords
target
prediction frame
prediction
area
labeling
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
Application number
CN202110236191.1A
Other languages
English (en)
Other versions
CN112884054A (zh
Inventor
张文超
冯扬扬
刘杰
张一凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Inc
Original Assignee
Goertek Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Goertek Inc filed Critical Goertek Inc
Priority to CN202110236191.1A priority Critical patent/CN112884054B/zh
Publication of CN112884054A publication Critical patent/CN112884054A/zh
Application granted granted Critical
Publication of CN112884054B publication Critical patent/CN112884054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标标注方法和一种目标标注装置。该方法包括：使用目标检测模型检测包含目标的图片集合，得到目标的预测框，图片集合中包含已标注的图片和未标注的图片；从预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框；根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件。本申请利用目标检测模型检测图片，继而筛选预测框，通过筛选出预测框的面积和像素均值，确定预测框的预测类别是否准确，可以实现图片自动标注，且标注结果经过了分类检验，准确率更高。

Description

一种目标标注方法和一种目标标注装置
技术领域
本发明涉及目标识别技术领域，特别涉及一种目标标注方法和一种目标标注装置。
背景技术
近几年，传统制造正逐渐向智能制造转变。传统的人工标注，容易随着标注人员疲惫的增加造成精确度与效率的降低，并且人工标注容易伴随着判断标准变化而产生不稳定。首先，人为判断的标准不能保证持续稳定，其次，人工容易受工作量大的影响，产生疲惫与积极性的下降，从而导致工作的准确性下降，因此如果在大批量(几千到上万张图片需要标注)需要标注的工作面前，就需要借助智能办法实现。深度学习是智能制造的重要一环，因此用于深度学习的图像正确和快速的标注方案，显得较为重要。
发明内容
鉴于现有技术人工标注图片速度慢、工作易出现错误的问题，提出了本申请的一种目标标注方法和一种目标标注装置，以便克服上述问题。
为了实现上述目的，本申请采用了如下技术方案：
依据本申请的一个方面，提供了一种目标标注方法，该方法包括如下步骤：
使用目标检测模型检测包含目标的图片集合，得到目标的预测框，图片集合中包含已标注的图片和未标注的图片；
从预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框；
根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件。
可选地，筛选出与已标注目标重合程度低于预设值的预测框，包括：
计算预测框与已标注目标的标注框之间的CIoU，若CIoU小于预设值，则确定该预测框为与已标注目标重合程度低于预设值的预测框。
可选地，根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，包括：
统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点；
根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，该中心点所对应的目标类别即为各预测框最接近的目标类别。
可选地，根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，包括：
以面积为横坐标、像素均值为纵坐标绘制面积-像素均值散点图；
在面积-像素均值散点图上，标注各预测框坐标以及各目标类别中心点坐标，计算各预测框坐标与各目标类型中心点坐标之间的欧式距离，所得欧式距离最小的目标类别中心点即为与该预测框最匹配的目标类别中心点。
可选地，统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点，包括：
以一目标类别所有已标注目标的标注框面积的平均值作为该目标类别中心点的面积，以一目标类别所有已标注目标的标注框像素均值的平均值作为该目标类别中心点的像素均值。
可选地，未标注的图片，包括全无标注的图片以及标注不完全的图片。
可选地，该方法还包括：对于预测框中与已标注目标重合程度不小于预设值的预测框，将其预测框信息直接写入标注文件。
可选地，方法还包括：
利用已标注的训练图片集合训练目标检测模型，训练图片集合均匀含盖所有类别的目标，目标检测模型为yolov4模型。
可选地，预测框的信息包括：目标的中心点横坐标、中心点纵坐标、长、宽和预测类别。
依据本申请的另一个方面，提供了一种目标标注装置，包括：
处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上任一所述目标标注方法。
综上所述，本申请的有益效果是：
本申请首先利用目标检测模型检测图片，得到图片的目标预测框，继而筛选可能存在问题的预测框，根据筛选出预测框的面积和像素均值，查找各预测框最接近的目标类别，判断预测框类别与最接近目标类别是否一致，若是，则将其写入标注文件，这样，本申请就可以实现图片自动标注，且标注结果经过了分类检验，准确率更高。
附图说明
图1为本申请一个实施例提供的一种目标标注方法的流程示意图；
图2为本申请一个实施例提供的一种目标标注方法的散点示意图；
图3为本申请另一个实施例提供的一种目标标注方法的流程示意图；
图4为本申请一个实施例提供的一种目标标注装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本申请的技术构思是：本申请首先利用目标检测模型检测图片，得到图片的目标预测框，继而筛选可能存在问题的预测框，根据筛选出预测框的面积和像素均值，查找各预测框最接近的目标类别，判断预测框类别与最接近目标类别是否一致，若是，则将其写入标注文件，这样，本申请就可以实现图片自动标注，且标注结果经过了分类检验，准确率更高。
图1为本申请一个实施例提供的一种目标标注方法的流程示意图。如图1所示，该方法包括如下步骤：
步骤S110，使用目标检测模型检测包含目标的图片集合，得到目标的预测框，图片集合中包含已标注的图片和未标注的图片。
可理解地，本实施例的目标检测模型预先经过训练，即：通过已标注的图片训练后，再利用该目标检测模型对所有图片集合进行检测标注。
步骤S120，从步骤S110获得的预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框。
若预测框与已标注目标的重合程度低于预设值，或者缺少已标注目标，则说明该预测框可能标注得不够准确，这类预测框在目标识别中通常被称为FP(False Positives，假的正样本)类信息。本实施例筛选出这种可能存在错误的预测框，继而对该类预测框进一步分类判断，以确定该类预测框是否是真正需要标注的目标。
步骤S130，根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件。预测框的信息包括：目标的中心点横坐标、中心点纵坐标、长、宽和预测类别等。
本实施例中，将预测框的面积、相对于面积的像素均值作为分类特征，通过这两个特征查找与各预测框最接近的目标类别，若得到的目标类比与预测框的预测类比一致，则说明预测框预测准确，将预测框的信息写入标注文件，实现图片批注，否则，认为该预测框存在错误，不能作为标注信息保存，将其丢弃。
其中，本实施例预测框相对于面积的像素均值是指：遍历预测框内的所有点，获得所有点的像素值之和，以该像素值之和除以预测框的面积，得到的像素均值即为相对于面积的像素均值。
由上可知，本实施例通过对预测框的筛选和分类，根据预测框的面积和相对于面积的像素均值，对目标检测模型生成的预测框进行分类验证，从而可以提高使用智能算法标注图片的准确性。
在本申请的一个实施例中，步骤S120中，筛选出与已标注目标重合程度低于预设值的预测框，包括：计算预测框与已标注目标的标注框之间的CIoU(Complete-IoU)，若CIoU小于预设值，则确定该预测框为与已标注目标重合程度低于预设值的预测框。IoU(Intersection over Union，交并比)是目标检测中的概念。以目标A和B举例来说，交并比就是A和B的交集(A∩B)与A和B的并集(A∪B)的面积之比，交并比能够用来衡量两个目标之间的重叠程度，但是，交并比对目标的尺寸是不敏感的，因而检测的结果可能存在纰漏，而CIoU能够弥补这个问题。
本申请使用CIoU来衡量预测框与已标注目标的标注框之间的重合程度，克服了交并比IoU对目标尺寸不敏感的问题，判断目标的结果更加合理有效。CIoU的计算公式如下：
Figure BDA0002960270740000051
Figure BDA0002960270740000052
其中，v用来度量预测框与标注框的长宽比的相似性，w与wgt分别代表了预测框与标注框的长度，h与hgt分别代表了预测框与标注框的宽度，b与bgt分别代表了预测框和标注框的中心点，且ρ2代表的是计算两个中心点间的欧式距离。c2代表的是能够同时包含预测框和标注框的最小闭包区域的对角线距离。α是一个权重系数，
Figure BDA0002960270740000053
对于缺少已标注目标的预测框，则不用计算CIoU，直接筛选为可能存在错误的标注框。
在本申请的一个实施例中，根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，包括：统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点；根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，该中心点所对应的目标类别即为各预测框最接近的目标类别。
本实施例中，首先统计所有目标类别已标注目标的标注框，从而获得代表各目标类别特征的中心点，通过将该中心点与预测框进行匹配，寻找各预测框最接近的目标类别。
具体在本申请的一个实施例中，统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点，包括：以一目标类别所有已标注目标的标注框面积的平均值作为该目标类别中心点的面积，以一目标类别所有已标注目标的标注框像素均值的平均值作为该目标类别中心点的像素均值。通过统计标注框的面积平均值和相对于面积的像素均值，就可以确定最能代表该目标类别特征的中心点。
在本申请的一个实施例中，根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，包括：以面积为横坐标、像素均值为纵坐标绘制面积-像素均值散点图；在面积-像素均值散点图上，标注各预测框坐标以及各目标类别中心点坐标，计算各预测框坐标与各目标类型中心点坐标之间的欧式距离，所得欧式距离最小的目标类别中心点即为与该预测框最匹配的目标类别中心点。
即，本实施例可以通过绘制散点图的方式，利用散点图上各预测框坐标与全部目标类别中心点的欧氏距离，筛选出与该预测框最接近的目标类别，方法直观而简便。
如图2所示，在图2所示的面积-像素均值散点图上，首先，通过对各目标类别的统计，分别计算得到A类目标、B类目标等多个目标类别中心点坐标，如A类中心点(6，9)，B类中心点(10，4)。继而，将计算出的预测框坐标点(3，5)标注于该散点图上，通过比较预测框坐标点与A类中心点的欧式距离a、与B类中心点的欧式距离b，即可筛选出与该预测框最接近的目标类别。
在图2中，a小于b，因而，A类目标即为与该预测框最接近的目标类别，若预测框的预测类别与A类目标一致，则说明该预测框预测准确，进行标记保留，若预测框的预测类别与该A类目标不一致，则说明该预测框预测错误，将其信息丢弃。
图3示出了本申请另一个实施例提供的一种目标标注方法的流程示意图。
如图3所示，本实施例中，首先通过步骤S311、S312、S313，提取已标注的所有目标类别，即A、B……N类目标类别的标注框，并通过步骤S321、S322、S323，计算各目标类别所有标注框的面积以及相对于面积的像素均值，这就实现了对已标注目标类别的提取利用。
继而，在步骤S330中，绘制面积-像素均值散点图，利用上述统计数据，计算得到分别代表A、B……N类目标的中心点，在散点图上标记各类目标的中心点，即如图2所示的A类中心点和B类中心点。
接着，在步骤S340中，根据筛选出的FP类预测框的面积和像素均值，在散点图上计算筛选出与该预测框坐标最匹配(距离最近)的中心点，若该中心点所代表的目标类别与预测框的预测类别一致，则说明该预测框预测准确，预测框的信息可以作为标注信息，在步骤S360中存入标注文件，否则，说明该预测框存在错误，将该预测框信息丢弃，不作为标注信息。
在本申请的一个实施例中，目标检测模型检测的图片集合中，未标注的图片，包括全无标注的图片以及标注不完全的图片。通过本申请实施例的目标标注方法，就可以对这些图片生成标注框，从而弥补人工标注图片可能存在的纰漏片，以及实现未标注图片的自动智能标注，且标注框经过分类检验，准确率更高。
在本申请的一个实施例中，目标标注方法还包括：对于预测框中与已标注目标重合程度不小于预设值的预测框，将其预测框信息直接写入标注文件。若预测框与已标注目标重合程度不小于预设值，则说明该预测框的准确度满足要求，能够准确标注出目标所在，而无需进一步的分类验证。因而，本实施例将其直接写入标注文件中，形成图片标注。其中，用于衡量重合程度的预设值大小，根据经验或其他实际情况具体设定即可。
在本申请的一个实施例中，目标标注方法还包括：利用已标注的训练图片集合训练目标检测模型，其中，训练所用图片集合均匀地含盖所有类别的目标，即：训练所用的图片集合覆盖所有目标类别的图片，且各目标类别的图片数量基本一致，类别间相差张数在设定范围中，优选地，目标检测模型为yolov4模型。
本申请还公开了一种目标标注装置，目标标注装置用于实现如上任一的目标标注方法。该目标标注装置包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行如上任一实施例的目标标注方法。
图4是本申请的一个实施例目标标注装置的结构示意图。请参考图4，在硬件层面，该目标标注装置包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该目标标注装置还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成目标标注装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
使用目标检测模型检测包含目标的图片集合，得到目标的预测框，图片集合中包含已标注的图片和未标注的图片；从预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框；根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：计算预测框与已标注目标的标注框之间的CIoU，若CIoU小于预设值，则确定该预测框为与已标注目标重合程度低于预设值的预测框。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点；根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，确定该中心点所对应的目标类别为各预测框最接近的目标类别。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：以面积为横坐标、像素均值为纵坐标绘制面积-像素均值散点图；在面积-像素均值散点图上，标注各预测框坐标以及各目标类别中心点坐标，计算各预测框坐标与各目标类型中心点坐标之间的欧式距离，确定所得欧式距离最小的目标类别中心点即为与该预测框最匹配的目标类别中心点。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：以一目标类别所有已标注目标的标注框面积的平均值作为该目标类别中心点的面积，以一目标类别所有已标注目标的标注框像素均值的平均值作为该目标类别中心点的像素均值。
在本申请的一个实施例中，未标注的图片，包括全无标注的图片以及标注不完全的图片。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：对于预测框中与已标注目标重合程度不小于预设值的预测框，将其预测框信息直接写入标注文件。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，还用于执行：利用已标注的训练图片集合训练目标检测模型，训练图片集合均匀含盖所有类别的目标。优选地，目标检测模型为yolov4模型。
在本申请的一个实施例中，处理器，执行存储器所存放的程序，所获取的预测框的信息包括：目标的中心点横坐标、中心点纵坐标、长、宽和预测类别。
上述本申请所示实施例揭示的目标标注装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的目标标注装置执行时，能够使该目标标注装置执行上述所示实施例中目标标注装置执行的方法，并具体用于执行：
使用目标检测模型检测包含目标的图片集合，得到目标的预测框，图片集合中包含已标注的图片和未标注的图片；从预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框；根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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。
本申请是参照根据本申请实施例的方法、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，目标标注装置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。
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过程、方法、商品或者设备不仅包括那些要素，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过程、方法、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请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。
以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种目标标注方法，其特征在于，该方法包括如下步骤：
使用目标检测模型检测包含目标的图片集合，得到目标的预测框，所述图片集合中包含已标注的图片和未标注的图片；
从所述预测框中，筛选出与已标注目标重合程度低于预设值或缺少已标注目标的预测框；
根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，若最接近的目标类别与该预测框的预测类别一致，则将该预测框的信息写入标注文件，
所述根据筛选出的预测框的面积和相对于面积的像素均值，查找出各预测框最接近的目标类别，包括：
统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点；
根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，该中心点所对应的目标类别即为各预测框最接近的目标类别。
2.根据权利要求1所述的目标标注方法，其特征在于，筛选出与已标注目标重合程度低于预设值的预测框，包括：
计算预测框与已标注目标的标注框之间的CIoU，若CIoU小于预设值，则确定该预测框为与已标注目标重合程度低于预设值的预测框。
3.根据权利要求1所述的目标标注方法，其特征在于，所述根据预测框的面积和相对于面积的像素均值，计算与各预测框最匹配的目标类别中心点，包括：
以面积为横坐标、像素均值为纵坐标绘制面积-像素均值散点图；
在所述面积-像素均值散点图上，标注各预测框坐标以及各目标类别中心点坐标，计算各预测框坐标与各目标类型中心点坐标之间的欧式距离，所得欧式距离最小的目标类别中心点即为与该预测框最匹配的目标类别中心点。
4.根据权利要求1所述的目标标注方法，其特征在于，所述统计已标注的图片中各已标注目标的标注框面积以及相对于面积的像素均值，获得各目标类别的中心点，包括：
以一目标类别所有已标注目标的标注框面积的平均值作为该目标类别中心点的面积，以一目标类别所有已标注目标的标注框像素均值的平均值作为该目标类别中心点的像素均值。
5.根据权利要求1所述的目标标注方法，其特征在于，所述未标注的图片，包括全无标注的图片以及标注不完全的图片。
6.根据权利要求1所述的目标标注方法，其特征在于，该方法还包括：对于预测框中与已标注目标重合程度不小于预设值的预测框，将其预测框信息直接写入标注文件。
7.根据权利要求1所述的目标标注方法，其特征在于，所述方法还包括：
利用已标注的训练图片集合训练所述目标检测模型，所述训练图片集合均匀含盖所有类别的目标，所述目标检测模型为yolov4模型。
8.根据权利要求1所述的目标标注方法，其特征在于，所述预测框的信息包括：目标的中心点横坐标、中心点纵坐标、长、宽和预测类别。
9.一种目标标注装置，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1～8之任一所述目标标注方法。
CN202110236191.1A 2021-03-03 2021-03-03 一种目标标注方法和一种目标标注装置 Active CN112884054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110236191.1A CN112884054B (zh) 2021-03-03 2021-03-03 一种目标标注方法和一种目标标注装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110236191.1A CN112884054B (zh) 2021-03-03 2021-03-03 一种目标标注方法和一种目标标注装置

Publications (2)

Publication Number Publication Date
CN112884054A CN112884054A (zh) 2021-06-01
CN112884054B true CN112884054B (zh) 2022-12-09

Family

ID=76055295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110236191.1A Active CN112884054B (zh) 2021-03-03 2021-03-03 一种目标标注方法和一种目标标注装置

Country Status (1)

Country Link
CN (1) CN112884054B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051558B (zh) * 2023-03-31 2023-06-16 菲特（天津）检测技术有限公司 一种缺陷图像标注方法、装置、设备及介质
CN116912603B (zh) * 2023-09-12 2023-12-15 浙江大华技术股份有限公司 预标注筛选方法及相关装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569703A (zh) * 2019-05-10 2019-12-13 阿里巴巴集团控股有限公司 计算机执行的从图片中识别损伤的方法及装置
CN110910375A (zh) * 2019-11-26 2020-03-24 北京明略软件系统有限公司 基于半监督学习的检测模型训练方法、装置、设备及介质
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置
CN111353555A (zh) * 2020-05-25 2020-06-30 腾讯科技（深圳）有限公司 一种标注检测方法、装置及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135307B (zh) * 2019-04-30 2022-07-01 北京邮电大学 基于注意力机制的交通标志检测方法和装置
CN111199523B (zh) * 2019-12-24 2023-08-25 深圳供电局有限公司 电力设备识别方法、装置、计算机设备和存储介质
CN111353417A (zh) * 2020-02-26 2020-06-30 北京三快在线科技有限公司 一种目标检测的方法及装置
CN112070074B (zh) * 2020-11-12 2021-02-05 中电科新型智慧城市研究院有限公司 物体检测方法、装置、终端设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569703A (zh) * 2019-05-10 2019-12-13 阿里巴巴集团控股有限公司 计算机执行的从图片中识别损伤的方法及装置
WO2020228370A1 (zh) * 2019-05-10 2020-11-19 创新先进技术有限公司 计算机执行的从图片中识别损伤的方法及装置
CN110910375A (zh) * 2019-11-26 2020-03-24 北京明略软件系统有限公司 基于半监督学习的检测模型训练方法、装置、设备及介质
CN111078908A (zh) * 2019-11-28 2020-04-28 北京云聚智慧科技有限公司 一种数据标注的检测方法和装置
CN111353555A (zh) * 2020-05-25 2020-06-30 腾讯科技（深圳）有限公司 一种标注检测方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN112884054A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN112884055B (zh) 一种目标标注方法和一种目标标注装置
CN112884054B (zh) 一种目标标注方法和一种目标标注装置
CN111078908A (zh) 一种数据标注的检测方法和装置
CN104112284B (zh) 一种图片的相似度检测方法和设备
CN112634201B (zh) 目标检测方法、装置和电子设备
CN113095444B (zh) 图像标注方法、装置及存储介质
CN104361359A (zh) 基于图像检测的车辆识别方法
WO2023124133A1 (zh) 交通行为检测方法及装置、电子设备、存储介质和计算机程序产品
CN111310826A (zh) 样本集的标注异常检测方法、装置及电子设备
CN113298050A (zh) 车道线识别模型训练方法、装置及车道线识别方法、装置
CN110927167A (zh) 一种禽蛋检测方法、装置、电子设备及存储介质
CN114463603B (zh) 图像检测模型的训练方法、装置、电子设备及存储介质
CN110765963A (zh) 车辆制动检测方法、装置、设备及计算机可读存储介质
CN111881752B (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN116580390A (zh) 价签内容获取方法、装置、存储介质和计算机设备
CN112686298A (zh) 一种目标检测方法、装置及电子设备
CN112434585A (zh) 一种车道线的虚实识别方法、系统、电子设备及存储介质
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
CN116128853A (zh) 一种产线装配检测方法、系统、计算机及可读存储介质
CN115079202A (zh) 激光雷达建图方法、装置及电子设备、存储介质
CN115223003A (zh) 基于YOLOv5的入侵检测模型的训练方法和装置
CN114417965A (zh) 图像处理模型的训练方法、目标检测方法及相关装置
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备

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