CN112989894B - 目标检测方法、任务处理方法、装置、设备及存储介质 - Google Patents
目标检测方法、任务处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112989894B CN112989894B CN201911307160.XA CN201911307160A CN112989894B CN 112989894 B CN112989894 B CN 112989894B CN 201911307160 A CN201911307160 A CN 201911307160A CN 112989894 B CN112989894 B CN 112989894B
- Authority
- CN
- China
- Prior art keywords
- cloud node
- edge cloud
- request
- terminal equipment
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 330
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 255
- 238000007781 pre-processing Methods 0.000 claims description 97
- 230000006870 function Effects 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 33
- 230000006835 compression Effects 0.000 claims description 19
- 238000007906 compression Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种目标检测方法、任务处理方法、装置、设备及存储介质，目标检测方法应用于第一边缘云节点，目标检测方法包括：接收终端设备发送的由所述终端设备采集的图像数据；基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果；将所述检测结果发送至所述终端设备。根据本发明实施例，由计算能力较高的第一边缘云节点对图像数据进行目标检测，从而缩短了目标检测的时间。
Description
技术领域
本发明属于计算机领域，尤其涉及一种目标检测方法、任务处理方法、装置、设备及存储介质。
背景技术
随着人工智能(Artificial Intelligent，AI)的飞速发展，AI广泛应用到各类应用场景中。其中，AI应用包括目标检测，目标检测是找出图像或视频中的目标对象(比如，目标对象为物体)，并确定目标对象的类别和位置。
目前，终端设备可以基于目标检测模型实现目标检测。但是随着目标检测模型的复杂化，终端设备的算力难以支撑复杂的目标检测模型的大量计算，导致需要花费较长的时间进行目标检测。
发明内容
本发明实施例提供一种目标检测方法、任务处理方法、装置、设备及存储介质，能够解决需要花费较长的时间进行目标检测的问题。
一方面，本发明实施例提供一种目标检测方法，应用于第一边缘云节点，所述方法包括：
接收终端设备发送的由所述终端设备采集的图像数据；
基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果；
将所述检测结果发送至所述终端设备。
另一方面，本发明实施例提供了一种目标检测方法，应用于终端设备，所述方法包括：
将第二请求发送至中心云节点，所述第二请求包括使用目标检测模型进行检测的信息；
接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
将所述终端设备采集的图像数据发送至所述第一边缘云节点，以使所述第一边缘云节点基于目标检测模型对所述图像数据中的目标对象进行检测，得到检测结果；
接收所述第一边缘云节点发送的所述检测结果；
输出所述检测结果。
再一方面，本发明实施例提供了一种目标检测方法，应用于中心云节点，所述方法包括：
接收终端设备发送的第二请求，所述第二请求包括使用目标检测模型进行检测的信息；
响应于所述第二请求，为所述终端设备分配与所述目标检测模型相关联的第一边缘云节点；
将节点分配结果发送至所述终端设备，所述节点分配结果包括所述第一边缘云节点的信息。
再一方面，本发明实施例提供了一种任务处理方法，应用于第一边缘云节点，所述方法包括：
接收终端设备发送的任务请求；
基于预设任务处理函数，对所述任务请求进行任务处理，得到处理结果；
将所述处理结果发送至所述终端设备。
再一方面，本发明实施例提供了一种任务处理方法，应用于终端设备，所述方法包括：
将第二请求发送至中心云节点，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
将任务请求发送至所述第一边缘云节点，以使所述第一边缘云节点基于所述预设任务处理函数对所述任务请求进行任务处理，得到处理结果；
接收所述第一边缘云节点发送的所述处理结果；
输出所述处理结果。
再一方面，本发明实施例提供了一种任务处理方法，应用于中心云节点，所述方法包括：
接收终端设备发送的第二请求，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
响应于所述第二请求，为所述终端设备分配与所述预设任务处理函数相关联的第一边缘云节点；
将节点分配结果发送至所述终端设备，所述节点分配结果包括所述第一边缘云节点的信息。
再一方面，本发明实施例提供了一种目标检测装置，应用于第一边缘云节点，所述装置包括：
图像数据接收模块，用于接收终端设备发送的由所述终端设备采集的图像数据；
目标检测模块，用于基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果；
检测结果发送模块，用于将所述检测结果发送至所述终端设备。
再一方面，本发明实施例提供了一种目标检测装置，应用于终端设备，所述装置包括：
第二请求发送模块，用于将第二请求发送至中心云节点，所述第二请求包括使用目标检测模型进行检测的信息；
分配信息接收模块，用于接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
图像数据发送模块，用于将所述终端设备采集的图像数据发送至所述第一边缘云节点，以使所述第一边缘云节点基于目标检测模型对所述图像数据中的目标对象进行检测，得到检测结果；
第一检测结果接收模块，用于接收所述第一边缘云节点发送的所述检测结果；
检测结果输出模块，用于输出所述检测结果。
再一方面，本发明实施例提供了一种目标检测装置，应用于中心云节点，所述装置包括：
第二请求接收模块，用于接收终端设备发送的第二请求，所述第二请求包括使用目标检测模型进行检测的信息；
第二请求响应模块，用于响应于所述第二请求，为所述终端设备分配与所述目标检测模型相关联的第一边缘云节点；
分配信息发送模块，用于将节点分配结果发送至所述终端设备，所述节点分配结果包括所述第一边缘云节点的信息。
再一方面，本发明实施例提供了一种任务处理装置，应用于第一边缘云节点，所述装置包括：
任务接收模块，用于接收终端设备发送的任务请求；
任务处理模块，用于基于预设任务处理函数，对所述任务请求进行任务处理，得到处理结果；
处理结果发送模块，用于将所述处理结果发送至所述终端设备。
再一方面，本发明实施例提供了一种任务处理装置，应用于终端设备，所述装置包括：
第二请求发送模块，用于将第二请求发送至中心云节点，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
分配结果接收模块，用于接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
任务发送模块，用于将任务请求发送至所述第一边缘云节点，以使所述第一边缘云节点基于所述预设任务处理函数对所述任务请求进行任务处理，得到处理结果；
处理结果接收模块，用于接收所述第一边缘云节点发送的所述处理结果；
处理结果输出模块，用于输出所述处理结果。
再一方面，本发明实施例提供了一种任务处理装置，应用于中心云节点，所述装置包括：
第二请求接收模块，用于接收终端设备发送的第二请求，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
第二请求响应模块，用于响应于所述第二请求，为所述终端设备分配与所述预设任务处理函数相关联的第一边缘云节点；
分配结果发送模块，用于将节点分配结果发送至所述终端设备，所述节点分配结果包括所述第一边缘云节点的信息。
再一方面，本发明实施例提供了一种目标检测设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现任意一项所述的目标检测方法。
再一方面，本发明实施例提供了一种任务处理设备，其中，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时任意一项所述的任务处理方法。
再一方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现任意一项所述的目标检测方法或者任意一项所述的任务处理方法。
本发明实施例的目标检测方法、任务处理方法、装置、设备及存储介质，第一边缘云节点基于目标检测模型对图像数据中的目标对象进行检测，得到检测结果。由于第一边缘云节点的计算能力高于终端设备的计算能力，由第一边缘云节点对图像数据进行检测。因此，本发明实施例避免了使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地将检测结果反馈至终端设备。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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示出了本发明提供的一个实施例的实现目标检测方法的系统框架的示意图；
图2示出了本发明提供的另一个实施例的实现目标检测方法的系统框架的示意图；
图3示出了本发明一个实施例提供的目标检测方法的时序图；
图4示出了本发明另一个实施例提供的目标检测方法的时序图；
图5示出了本发明一个实施例提供的目标检测方法的流程示意图；
图6示出了本发明另一个实施例提供的目标检测方法的流程示意图；
图7示出了本发明又一个实施例提供的目标检测方法的流程示意图；
图8示出了本发明一个实施例提供的任务处理方法的时序图；
图9示出了本发明一个实施例提供的任务处理方法的流程示意图；
图10示出了本发明另一个实施例提供的任务处理方法的流程示意图；
图11示出了本发明又一个实施例提供的任务处理方法的流程示意图；
图12示出了本发明一个实施例提供的目标检测装置的结构示意图；
图13示出了本发明另一个实施例提供的目标检测装置的结构示意图；
图14示出了本发明又一个实施例提供的目标检测装置的结构示意图；
图15示出了本发明一个实施例提供的任务处理装置的结构示意图；
图16示出了本发明另一个实施例提供的任务处理装置的结构示意图；
图17示出了本发明又一个实施例提供的任务处理装置的结构示意图；
图18示出了本发明实施例提供的设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在万物互联的背景下，网络设备数量迅速增加，流量带宽压力持续增大。如果物联网节点把不加任何处理的原始数据全部传到云端，会导致带宽需求爆炸，网络基础架构无法支撑如此高的带宽需求。另一方面，诸如无人驾驶、增强现实(Augmented Reality，AR)/虚拟现实(Virtual Reality，VR)、实时视频处理等新兴智能业务对网络服务时延和安全提出了更高的要求。边缘云应运而生，相对于基于集中式资源管控的云计算，边缘云计算平台构建在边缘基础设施之上，提供边缘位置的计算、网络、存储、安全等能力，并与中心云和物联网终端形成“中心云-边缘云-终端设备的三体协同”的端到端的技术架构，通过将网络转发、存储、计算，智能化数据分析等工作放在边缘处理，降低响应时延、减轻云端压力、降低带宽成本，并提供全网调度、算力分发等云服务。
在上述情况下，本发明实施例提供了一种目标检测方法、装置、设备及存储介质。下面首先对本发明实施例所提供的实现目标检测方法的系统框架进行介绍。
图1示出了本发明提供的一个实施例的实现目标检测方法的系统框架的示意图。
如图1所示，实现目标检测方法的系统框架包括中心云节点、终端设备和第一边缘云节点。
中心云节点对目标检测模型进行训练，并将训练后的目标检测模型发送给第一边缘云节点。
终端设备将请求发送至中心云节点发送请求，该请求包括需要使用目标检测模型进行检测的信息。该请求为用于请求中心云节点分配边缘云节点的请求。
中心云节点接收终端设备发送的请求，并为终端设备分配与目标检测模型相关联的第一边缘云节点。比如，中心云节点分配具有目标检测模型的第一边缘云节点。中心云节点将节点分配结果发送至终端设备，其中，节点分配结果包括中心云节点为终端设备分配的第一边缘云节点的信息。
终端设备接收中心云节点发送的节点分配结果。终端设备将采集的图像数据发送至第一边缘云节点。图像数据可以是图像或视频。
第一边缘云节点使用目标检测模型对图像数据中的目标对象进行检测，得到检测结果。第一边缘云节点将检测结果发送至终端设备。
终端设备输出第一边缘云节点发送的检测结果。
其中，中心云节点是部署在云中心、一般距离终端设备较远的云计算基础设施，通常包括高性能定制服务器。
边缘云节点包括基于云计算技术，构筑在边缘基础设施之上的云计算平台。边缘云节点是分布在靠近终端设备的基础设施，可以包括定制化的边缘服务器或边缘服务器集群、通用服务器或者通用服务器集群或者多接入边缘计算(Multi-Access EdgeComputing，MEC)节点或者MEC节点集群，还可以包括接入网关、基站、边缘IDC等设施；边缘云节点可以包括硬件设备及硬件设备集群，也可以包括虚拟机及多个虚拟机的集合。
终端设备可以是监控摄像头，也可以是手机、电脑或者其他需要进行目标检测的物联网(Internet of Things，IoT)设备。终端设备的类型不同，终端设备运行相应的操作系统。终端设备运行的操作系统包括移动操作系统、桌面操作系统或者物联网操作系统。
图2示出了本发明提供的另一个实施例的实现目标检测方法的系统框架的示意图。
如图2所示，中心云节点对目标检测模型进行训练，并将训练后的目标检测模型发送给边缘云节点A至边缘云节点C。
其中，中心云节点可以将目标检测模型发送至其中一个边缘云节点。边缘云节点将目标检测模型转发至其他的边缘云节点。比如，中心云节点将目标检测模型发送至边缘云节点A，边缘云节点A将目标检测模型转发至边缘云节点B和边缘云节点C。其中，边缘云节点A可以通过点对点(Peer to Peer，P2P)的方式将目标检测模型转发至边缘云节点B和边缘云节点C，从而减少网络带宽消耗。
终端设备A至终端设备D中的任意一个终端设备将请求发送至中心云节点，其中，该请求包括需要使用目标检测模型进行检测的信息。该请求为用于请求中心云节点分配边缘云节点的请求。
中心云节点接收终端设备发送的请求，并为终端设备分配与目标检测模型相关联的第一边缘云节点。比如，第一边缘云节点为具有目标检测模型的边缘云节点C，或者距离终端设备最近的边缘云节点B。如果边缘云节点B没有目标检测模型，中心云节点可以将目标检测模型发送至边缘云节点B。
中心云节点将节点分配结果发送至终端设备，其中，节点分配结果包括中心云节点为终端设备分配的第一边缘云节点的信息。
终端设备将采集的图像数据发送至中心云节点分配的第一边缘云节点。
第一边缘云节点使用目标检测模型对图像数据中的目标对象进行检测，得到检测结果。第一边缘云节点将检测结果发送至终端设备。
终端设备输出第一边缘云节点发送的检测结果。
在本发明提供的实施例的上述系统架构中，边缘云节点、终端设备、中心云节点三者协同工作。边缘云节点、终端设备、中心云节点共同执行目标检测的不同阶段任务。
基于上述系统框架，本发明实施例提供了一种目标检测方法，下面对目标检测方法进行介绍。
图3示出了本发明一个实施例提供的目标检测方法的时序图。如图3所示，目标检测方法包括：
S101，终端设备将请求发送至中心云节点，该请求包括使用目标检测模型进行检测的信息。该请求为用于请求中心云节点分配边缘云节点的请求。
S102，中心云节点接收终端设备发送的请求。中心云节点响应于该请求，并为终端设备分配与目标检测模型相关联的第一边缘云节点。
S103，中心云节点将节点分配结果发送至终端设备。其中，节点分配结果包括第一边缘云节点的信息。
S104，终端设备将终端设备采集的图像数据发送至第一边缘云节点。
S105，第一边缘云节点基于目标检测模型，对图像数据中的目标对象进行检测，得到检测结果。
S106，第一边缘云节点将检测结果发送至终端设备。
S107，终端设备输出检测结果。比如，终端设备显示检测结果。或者终端设备将检测结果发送至显示装置。
本发明实施例中，第一边缘云节点基于目标检测模型对图像数据中的目标对象进行检测，得到检测结果。由于第一边缘云节点的计算能力高于终端设备的计算能力，由第一边缘云节点对图像数据进行检测。因此，本发明实施例避免了使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。
图4示出了本发明另一个实施例提供的目标检测方法的时序图。如图4所示，目标检测方法包括：
S201，终端设备将请求发送至中心云节点。该请求为用于请求中心云节点分配边缘云节点的请求。该请求包括使用目标检测模型进行检测的信息，终端设备的唯一编码(Identity Document，ID)，终端设备的认证信息。其中终端设备的认证信息可以包括终端设备的账号和密码。
S202，中心云节点接收终端设备发送的请求。中心云节点响应于该请求，根据终端设备的认证信息，对终端设备进行认证。在对终端设备认证通过的情况下，中心云节点为终端设备分配与目标检测模型相关联的第一边缘云节点。
S203，中心云节点将节点分配结果发送至终端设备。其中，节点分配结果包括边缘云节点列表，边缘云节点列表包括至少一个边缘云节点的信息。
S204，终端设备将请求发送至边缘云节点列表中的至少一个第一边缘云节点。其中，该请求为进行目标检测的请求，该请求包括终端设备的认证信息以及使用目标检测模型进行检测的信息。
S205，第一边缘云节点根据终端设备的认证信息，对终端设备进行认证。在对终端设备认证通过的情况下，第一边缘云节点获取第一信息，并根据第一信息确定终端设备的预处理参数值。
其中，第一信息包括终端设备与第一边缘云节点的网络状态信息，预设的期望目标检测时长，图像数据的大小中的至少一项；预处理参数值包括图像采集频率和/或压缩比率。
S206，第一边缘云节点将预处理参数值发送至终端设备。
S207，终端设备将终端设备采集的图像数据发送至少一个第一边缘云节点。
S208，第一边缘云节点基于目标检测模型，对图像数据中的目标对象进行检测，得到检测结果。
S209，第一边缘云节点将检测结果发送至终端设备。
S210，终端设备输出检测结果。
其中，若图像数据为视频流，则终端设备多次采集视频，并重复执行S207至S210，直至结束。
本发明实施例中，由第一边缘云节点对图像数据进行检测，避免了使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地将检测结果反馈至终端设备。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
另外，第一边缘云节点可以动态调节终端设备的预处理参数值，使得预处理参数值达到比较优的设置。由于经过预处理的图像数据的大小小于预处理之前的图像数据的大小，因此，终端设备将经过预处理的图像数据发送至第一边缘云节点，可以缩短终端设备将图像数据发送至第一边缘云节点的时间。
基于上述实施例提供的目标检测方法的时序图，下面分别说明边缘云节点、终端设备和中心云节点进行的目标检测方法。
图5示出了本发明一个实施例提供的目标检测方法的流程示意图。目标检测方法包括：
S301，第一边缘云节点接收终端设备发送的由终端设备采集的图像数据。
S302，第一边缘云节点基于目标检测模型，对图像数据中的目标对象进行检测，得到检测结果。
S303，第一边缘云节点将检测结果发送至终端设备。
本发明实施例中，第一边缘云节点对图像数据进行检测，避免使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈检测结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
可选地，在S301之前，目标检测方法还包括：
第一边缘云节点接收终端设备发送的第一请求；第一请求为进行目标检测的请求；
第一边缘云节点响应于第一请求，获取第一信息，其中，第一信息包括终端设备与第一边缘云节点的网络状态信息，预设的期望目标检测时长，图像数据的大小中的至少一项；
第一边缘云节点根据第一信息，确定终端设备的与第一信息相关联的预处理参数值；其中，预处理参数值包括图像采集频率和/或压缩比率；
第一边缘云节点将预处理参数值发送至终端设备。
其中，终端设备与第一边缘云节点的网络状态信息包括终端设备与第一边缘云节点的网络延时和/或终端设备与第一边缘云节点的网络带宽。
第一边缘云节点可以根据预定的函数关系和第一信息，计算预处理参数值。
比如，终端设备发送的第一请求包括期望目标检测时长t，终端设备与第一边缘云节点的网络时延为L，终端设备与第一边缘云节点的网络带宽为B。假设终端设备采集的图像数据为一张图像，一张图片压缩后的大小为X，那么存在公式(1)：
t＝L+X/B(1)
根据公式(1)反推得到公式(2)：
X＝(t-L)*B(2)
图片的原始大小为S，那么通过公式(3)可以得到压缩比率r：
r＝X/S＝(t-L)*B/S(3)
其中，压缩比率为原始文件压缩后占用的磁盘空间与原始文件占用的磁盘空间的比率。图像采集频率为每秒采集的图像个数。比如，终端设备采集了10秒的视频(即图像数据)，终端设备按照每秒采集5个图像的频率，在10秒的视频中采集50个图像。
在本发明实施例中，第一边缘云节点可以动态调节终端设备的预处理参数值，使得预处理参数值达到比较优的设置。由于经过预处理的图像数据的大小小于预处理之前的图像数据的大小，因此，终端设备将经过预处理的图像数据发送至第一边缘云节点，可以缩短终端设备将图像数据发送至第一边缘云节点的时间。
可选地，在S302之后，目标检测方法还包括：
第一边缘云节点将检测结果发送至中心云节点；中心云节点存储检测结果，和/或根据检测结果优化目标检测模型。
在本发明实施例中，中心云节点存储检测结果，可以实现检测结果的永久化存储。中心云节点根据检测结果优化目标检测模型，因此，边缘云节点基于优化后的目标检测模型进行下一次目标检测时，检测结果更加准确。
可选地，在S302之前，目标检测方法还包括：
第一边缘云节点从中心云节点接收由中心云节点训练得到的目标检测模型；
或者，
第一边缘云节点从第二边缘云节点接收由中心云节点训练得到的目标检测模型，第二边缘云节点是从中心云节点接收的目标检测模型。
在本发明实施例中，由于目标检测模型的训练需要大量的计算，因此，中心云节点对目标检测模型进行训练，中心云节点将训练后的目标检测模型下发至边缘云节点。
图6示出了本发明另一个实施例提供的目标检测方法的流程示意图。
目标检测方法包括：
S401，终端设备将第二请求发送至中心云节点，第二请求包括使用目标检测模型进行检测的信息；第二请求为请求分配边缘云节点的请求。
S402，终端设备接收中心云节点发送的节点分配结果，节点分配结果包括中心云节点分配第一边缘云节点的信息；
S403，终端设备将终端设备采集的图像数据发送至第一边缘云节点，以使第一边缘云节点基于目标检测模型对图像数据中的目标对象进行检测，得到检测结果；
S404，终端设备接收第一边缘云节点发送的检测结果；
S405，终端设备输出检测结果。
本发明实施例中，终端设备采集图像数据，将采集的图像数据发送至第一边缘云节点。第一边缘云节点对图像数据进行检测，避免使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈检测结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
可选地，在S403之前，目标检测方法还包括：
终端设备将第一请求发送至第一边缘云节点；其中，第一请求用于请求确定终端设备的预处理参数值，预处理参数值包括图像采集频率和/或压缩比率；
终端设备接收第一边缘云节点发送的预处理参数值；
终端设备根据预处理参数值，对图像数据进行预处理，得到预处理后的图像数据；
其中，S403包括：
终端设备将预处理后的图像数据发送至第一边缘云节点。
在本发明实施例中，由于经过预处理的图像数据的大小小于预处理之前的图像数据的大小，因此，终端设备将经过预处理的图像数据发送至第一边缘云节点，可以缩短终端设备将图像数据发送至第一边缘云节点的时间。
图7示出了本发明又一个实施例提供的目标检测方法的流程示意图。如图7所示，目标检测方法包括：
S501，中心云节点接收终端设备发送的第二请求，第二请求包括使用目标检测模型进行检测的信息。第二请求为请求分配边缘云节点的请求。
S502，中心云节点响应于第二请求，为终端设备分配与目标检测模型相关联的第一边缘云节点。
比如，中心云节点在多个边缘云节点中选择具有目标检测模型的第一边缘云节点。或者，中心云节点在多个边缘云节点中选择距离终端设备最近的第一边缘云节点，如果第一边缘云节点没有目标检测模型，则中心云节点将目标检测模型发送至第一边缘云节点。
S503，中心云节点将节点分配结果发送至终端设备，节点分配结果包括第一边缘云节点的信息。
本发明实施例中，中心云节点为终端设备分配第一边缘云节点。第一边缘云节点对图像数据进行检测，避免使用计算能力较弱的终端设备对图像数据进行检测，从而缩短了目标检测的时间。而且，由于第一边缘云节点与终端设备的距离小于中心云节点与终端设备的距离，因此，第一边缘云节点可以更快地向终端设备反馈检测结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
可选地，中心云节点为终端设备分配第一边缘云节点，包括：
中心云节点获取第二信息，第二信息包括终端设备分别与多个边缘云节点的距离，多个边缘云节点是否分别具有目标检测模型，多个边缘云节点的资源剩余量中的至少一项；
中心云节点根据第二信息，在多个边缘云节点中选择第一边缘云节点；
其中，第一边缘云节点满足具有目标检测模型，与终端设备的距离小于预定距离，资源剩余量大于预定数值中的至少一项。
在本发明实施例中，中心云节点选择具有目标检测模型的第一边缘云节点，从而方便第一边缘云节点基于目标检测模型进行检测。如果第一边缘云节点不具有目标检测模型，中心云节点可以将目标检测模型发送至第一边缘云节点。中心云节点选择距离终端设备较近的第一边缘云节点，从而缩短终端设备将图像数据发送至第一边缘云节点的时间。中心云节点选择资源剩余量大的第一边缘云节点，即选择负载小的第一边缘云节点，使得第一边缘云节点具有足够的资源进行目标检测。
可选地，目标检测方法还包括：
中心云节点接收第一边缘云节点发送的目标检测模型对图像数据的检测结果；
中心云节点存储检测结果，和/或根据检测结果优化目标检测模型。
在本发明实施例中，中心云节点存储检测结果，可以实现检测结果的永久化存储。中心云节点根据检测结果优化目标检测模型，因此，边缘云节点基于优化后的目标检测模型进行下一次目标检测时，检测结果更加准确。
上述本发明实施例的目标检测方法可以应用到人脸识别、图像识别、视频监控、行人检测、大规模场景识别等多个场景中。
下面通过两个对比例来说明本发明实施例的效果。
对比例一：中心云节点对图像数据进行目标检测。
但是，由于云中心网络链路普遍距离终端设备较远，时延和网络质量无法得到保证，难以做到实时和稳定的目标检测。在本发明实施例中，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地将检测结果反馈至终端设备。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行目标检测的目的。
对比例二：边缘云节点对图像数据进行目标检测、模型训练和存储，中心云节点不参与目标检测。而本发明实施例，云中心节点、边缘云节点和终端设备三者协同工作，中心云节点能对各边缘云节点进行统一调度和管控，在资源利用率、稳定性等方面均能取得更好的效果。
由此可见，在本发明实施例中，云中心节点、边缘云节点和终端设备三者协同工作，根据终端设备、边缘云节点以及中心云节点的不同计算能力、网络状况等特点，将目标检测的任务处理流程中的不同阶段分解到终端设备、边缘云节点和中心云节点，并通过中心云节点统一调度和管控、边缘云低时延和省带宽的特点，共同实现高性能和低时延的实时目标检测。终端设备和边缘云节点使用了Python(一种计算机程序设计语言)和Flask(一个使用Python编写的轻量级万维网web应用框架)框架，不涉及修改代码。
为了更好地说明本发明实施例的技术效果，通过如表1所示的实验数据说明本发明实施例的目标检测方法的速度。
表1
在表1中，T’表示在现有技术中终端设备进行目标检测所需花费的时间；
T1表示使用本发明实施例时的网络消耗的时间(网络消耗的时间包括终端设备将图片发送至边缘云节点的时间、边缘云节点将检测结果发送至终端设备的时间)；
T2表示使用本发明实施例时边缘云节点基于目标检测模型进行目标检测消耗的时间；
T0表示使用本发明实施例实现目标检测消耗的时间，T0＝T1+T2。
从表1可以看出：本发明实施例实现目标检测消耗的时间远远小于终端设备进行目标检测所需花费的时间。因此，通过本发明实施例的方案，可以有效地缩短目标检测的时间，提高目标检测的效率。
图8示出了本发明一个实施例提供的任务处理方法的时序图。如图8所示，任务处理方法包括：
S601，终端设备将请求发送至中心云节点，该请求包括使用预设任务处理函数进行任务处理的信息。该请求用于请求中心云节点分配边缘云节点。
S602，中心云节点接收终端设备发送的请求。中心云节点响应于该请求，并为终端设备分配与预设任务处理函数相关联的第一边缘云节点。
其中，与预设任务处理函数相关联的第一边缘云节点包括：第一边缘云节点具有预设任务处理函数。
S603，中心云节点将节点分配结果发送至终端设备。其中，节点分配结果包括第一边缘云节点的信息。
S604，终端设备将任务请求发送至第一边缘云节点。
S605，第一边缘云节点基于预设任务处理函数，对任务请求进行任务处理，得到处理结果。
比如，S604中的任务请求包括任务数据，任务数据可以是终端设备采集的图像数据。在S605中，预设任务处理函数为目标检测模型。第一边缘云节点基于目标检测模型，对图像数据中的目标对象进行检测，得到检测结果，检测结果即上述的处理结果。
S606，第一边缘云节点将处理结果发送至终端设备。
S607，终端设备输出处理结果。比如，终端设备显示处理结果。或者终端设备将处理结果发送至显示装置。
本发明实施例中，第一边缘云节点基于预设任务处理函数对任务请求进行任务处理，得到处理结果。由于第一边缘云节点的计算能力高于终端设备的计算能力，由第一边缘云节点进行任务处理。因此，本发明实施例避免了使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。
图9示出了本发明一个实施例提供的任务处理方法的流程示意图。如图9所示，任务处理方法包括：
S701，第一边缘云节点接收终端设备发送的任务请求；
S702，第一边缘云节点基于预设任务处理函数，对任务请求进行任务处理，得到处理结果；
S703，第一边缘云节点将处理结果发送至终端设备。
本发明实施例中，第一边缘云节点进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈处理结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，所述任务请求中包括任务数据；S701之前，任务处理方法还包括：
第一边缘云节点接收所述终端设备发送的第一请求；
第一边缘云节点响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望任务处理时长，所述任务数据的大小中的至少一项；
第一边缘云节点根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括任务数据采集频率和/或压缩比率；
第一边缘云节点将所述预处理参数值发送至所述终端设备。
其中，预处理参数值用于对任务数据进行预处理。终端设备与第一边缘云节点的网络状态信息包括终端设备与第一边缘云节点的网络延时和/或终端设备与第一边缘云节点的网络带宽。
第一边缘云节点可以根据预定的函数关系和第一信息，计算预处理参数值。由于本发明实施例的计算预处理参数值的方式与上述目标检测方法实施例中的计算预处理参数值的方式类似，因此，在此不再重复赘述。
在本发明实施例中，第一边缘云节点可以动态调节终端设备的预处理参数值，使得预处理参数值达到比较优的设置。由于经过预处理的任务数据的大小小于预处理之前的任务数据的大小，因此，终端设备将经过预处理的任务数据发送至第一边缘云节点，可以缩短终端设备将任务数据发送至第一边缘云节点的时间。
可选地，在S702之后，任务处理方法还包括：
第一边缘云节点将处理结果发送至中心云节点；以使中心云节点存储处理结果，和/或根据处理结果优化预设任务处理函数。
在本发明实施例中，中心云节点存储处理结果，可以实现处理结果的永久化存储。中心云节点根据处理结果优化预设任务处理函数，因此，边缘云节点基于优化后的预设任务处理函数进行下一次任务处理时，可以使得处理结果更加准确。
可选地，在S702之前，任务处理方法还包括：
第一边缘云节点从中心云节点接收由中心云节点训练得到的预设任务处理函数；
或者，
第一边缘云节点从第二边缘云节点接收由中心云节点训练得到的预设任务处理函数，第二边缘云节点是从中心云节点接收的预设任务处理函数。
在本发明实施例中，由于预设任务处理函数的训练需要大量的计算，因此，中心云节点对预设任务处理函数进行训练，中心云节点将训练后的预设任务处理函数下发至边缘云节点。
图10示出了本发明一个实施例提供的任务处理方法的流程示意图。如图10所示，任务处理方法包括：
S801，终端设备将第二请求发送至中心云节点，第二请求包括使用预设任务处理函数进行任务处理的信息；第二请求用于请求分配边缘云节点。
S802，终端设备接收中心云节点发送的节点分配结果，节点分配结果包括中心云节点分配第一边缘云节点的信息；
S803，终端设备将任务请求发送至第一边缘云节点，以使第一边缘云节点基于预设任务处理函数对任务请求进行任务处理，得到处理结果；
S804，终端设备接收第一边缘云节点发送的处理结果；
S805，终端设备输出处理结果。
本发明实施例中，终端设备将任务请求发送至第一边缘云节点。第一边缘云节点对任务请求进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈任务处理的结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，在S803之前，任务处理方法还包括：
终端设备将第一请求发送至第一边缘云节点；其中，第一请求用于请求确定终端设备的预处理参数值，预处理参数值包括任务数据采集频率和/或压缩比率；
终端设备接收第一边缘云节点发送的预处理参数值；
终端设备根据预处理参数值，对所述任务数据进行预处理，得到预处理后的所述任务数据；
其中，所述任务请求包括预处理后的所述任务数据。
在本发明实施例中，由于经过预处理的任务数据的大小小于预处理之前的任务数据的大小，因此，终端设备将经过预处理的任务数据发送至第一边缘云节点，可以缩短终端设备将任务数据发送至第一边缘云节点的时间。
图11示出了本发明一个实施例提供的任务处理方法的流程示意图。如图11所示，任务处理方法包括：
S901，中心云节点接收终端设备发送的第二请求，第二请求包括使用预设任务处理函数进行任务处理的信息；
S902，中心云节点响应于第二请求，为终端设备分配与预设任务处理函数相关联的第一边缘云节点；
比如，中心云节点在多个边缘云节点中选择具有预设任务处理函数的第一边缘云节点。或者，中心云节点在多个边缘云节点中选择距离终端设备最近的第一边缘云节点，如果第一边缘云节点没有预设任务处理函数，则中心云节点将预设任务处理函数发送至第一边缘云节点。
S903，中心云节点将节点分配结果发送至终端设备，节点分配结果包括第一边缘云节点的信息。
本发明实施例中，中心云节点为终端设备分配第一边缘云节点。第一边缘云节点进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点与终端设备的距离小于中心云节点与终端设备的距离，因此，第一边缘云节点可以更快地向终端设备反馈任务处理的结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，中心云节点为终端设备分配第一边缘云节点，包括：
中心云节点获取第二信息，第二信息包括终端设备分别与多个边缘云节点的距离，多个边缘云节点是否分别具有预设任务处理函数，多个边缘云节点的资源剩余量中的至少一项；
中心云节点根据第二信息，在多个边缘云节点中选择第一边缘云节点；
其中，第一边缘云节点满足：具有预设任务处理函数，与终端设备的距离小于预定距离，资源剩余量大于预定数值中的至少一项。
在本发明实施例中，中心云节点选择具有预设任务处理函数的第一边缘云节点，从而方便第一边缘云节点基于预设任务处理函数进行任务处理。如果第一边缘云节点不具有预设任务处理函数，中心云节点可以将预设任务处理函数发送至第一边缘云节点。中心云节点选择距离终端设备较近的第一边缘云节点，从而缩短终端设备将任务数据发送至第一边缘云节点的时间。中心云节点选择资源剩余量大的第一边缘云节点，即选择负载小的第一边缘云节点，使得第一边缘云节点具有足够的资源进行任务处理。
可选地，目标检测方法还包括：
中心云节点接收第一边缘云节点发送的处理结果，该处理结果为第一边缘云节点基于预设任务处理函数对任务请求进行任务处理的结果；
中心云节点存储处理结果，和/或根据处理结果优化预设任务处理函数。
在本发明实施例中，中心云节点存储处理结果，可以实现处理结果的永久化存储。中心云节点根据处理结果优化预设任务处理函数，因此，边缘云节点基于优化后的预设任务处理函数进行下一次目标检测时，处理结果更加准确。
上述本发明实施例的任务处理方法可以应用到目标检测的场景中，还可以应用到结果预测的场景中，比如用户行为预测。
图12示出了本发明一个实施例提供的目标检测装置的结构示意图。目标检测装置应用于第一边缘云节点，如图12所示，目标检测装置100包括：
图像数据接收模块1001，用于接收终端设备发送的由终端设备采集的图像数据；
目标检测模块1002，用于基于目标检测模型，对图像数据中的目标对象进行检测，得到检测结果；
检测结果发送模块1003，用于将检测结果发送至终端设备。
可选地，目标检测装置100还包括：
第一请求接收模块，用于接收终端设备发送的第一请求；
第一请求响应模块，用于响应于第一请求，获取第一信息，其中，第一信息包括终端设备与第一边缘云节点的网络状态信息，预设的期望目标检测时长，图像数据的大小中的至少一项；
参数值确定模块，用于根据第一信息，确定终端设备的与第一信息相关联的预处理参数值；其中，预处理参数值包括图像采集频率和/或压缩比率；
参数值发送模块，用于将预处理参数值发送至终端设备。
可选地，目标检测装置100还包括：
检测结果发送模块，用于将检测结果发送至中心云节点，以使中心云节点存储检测结果，和/或根据检测结果优化目标检测模型。
可选地，目标检测装置100还包括：
第一模型接收模块，用于从中心云节点接收由中心云节点训练得到的目标检测模型；
或者，
第二模型接收模块，用于从第二边缘云节点接收由中心云节点训练得到的目标检测模型，第二边缘云节点是从中心云节点接收的目标检测模型。
图11示出了本发明另一个实施例提供的目标检测装置的结构示意图。目标检测装置应用于终端设备，如图11所示，目标检测装置110包括：
第二请求发送模块1101，用于将第二请求发送至中心云节点，第二请求包括使用目标检测模型进行检测的信息；
分配信息接收模块1102，用于接收中心云节点发送的节点分配结果，节点分配结果包括中心云节点分配第一边缘云节点的信息；
图像数据发送模块1103，用于将终端设备采集的图像数据发送至第一边缘云节点，以使第一边缘云节点基于目标检测模型对图像数据中的目标对象进行检测，得到检测结果；
第一检测结果接收模块1104，用于接收第一边缘云节点发送的检测结果；
检测结果输出模块1105，用于输出检测结果。
可选地，目标检测装置110还包括：
第一请求发送模块，用于将第一请求发送至第一边缘云节点；其中，第一请求用于请求确定终端设备的预处理参数值，预处理参数值包括图像采集频率和/或压缩比率；
参数值接收模块，用于接收第一边缘云节点发送的预处理参数值；
数据预处理模块，用于根据预处理参数值，对图像数据进行预处理，得到预处理后的图像数据；
其中，图像数据发送模块1103包括：
预处理数据发送模块，用于将预处理后的图像数据发送至第一边缘云节点。
图14示出了本发明又一个实施例提供的目标检测装置的结构示意图。目标检测装置应用于中心云节点，如图14所示，目标检测装置120包括：
第二请求接收模块1201，用于接收终端设备发送的第二请求，第二请求包括使用目标检测模型进行检测的信息；
第二请求响应模块1202，用于响应于第二请求，为终端设备分配与目标检测模型相关联的第一边缘云节点；
分配信息发送模块1203，用于将节点分配结果发送至终端设备，节点分配结果包括第一边缘云节点的信息。
可选地，第二请求响应模块1202包括：
信息获取模块，用于获取第二信息，第二信息包括终端设备分别与多个边缘云节点的距离，多个边缘云节点是否分别具有目标检测模型，多个边缘云节点的资源剩余量中的至少一项；
节点选择模块，用于根据第二信息，在多个边缘云节点中选择第一边缘云节点；
其中，第一边缘云节点满足具有目标检测模型，与终端设备的距离小于预定距离，资源剩余量大于预定数值中的至少一项。
可选地，目标检测装置120还包括：
第二检测结果接收模块，用于接收第一边缘云节点发送的目标检测模型对图像数据的检测结果；
目标检测装置120还包括：
检测结果存储模块，用于存储检测结果；
和/或，
模型优化模块，用于根据检测结果优化目标检测模型。
图15示出了本发明一个实施例提供的任务处理装置的结构示意图。任务处理装置应用于第一边缘云节点，如图15所示，任务处理装置130包括：
任务接收模块1301，用于接收终端设备发送的任务请求；
任务处理模块1302，用于基于预设任务处理函数，对所述任务请求进行任务处理，得到处理结果；
第一处理结果发送模块1303，用于将所述处理结果发送至所述终端设备。
本发明实施例中，第一边缘云节点进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈处理结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，所述任务请求中包括任务数据；任务处理装置130还包括：
第一请求接收模块，用于接收所述终端设备发送的第一请求；
第一请求响应模块，用于响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望任务处理时长，所述任务数据的大小中的至少一项；
参数值确定模块，用于根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括任务数据采集频率和/或压缩比率；
参数值发送模块，用于将所述预处理参数值发送至所述终端设备。
可选地，任务处理装置130还包括：
第二处理结果发送模块，用于将处理结果发送至中心云节点；以使中心云节点存储处理结果，和/或根据处理结果优化预设任务处理函数。
在本发明实施例中，中心云节点存储处理结果，可以实现处理结果的永久化存储。中心云节点根据处理结果优化预设任务处理函数，因此，边缘云节点基于优化后的预设任务处理函数进行下一次任务处理时，可以使得处理结果更加准确。
可选地，任务处理装置130还包括：
第一边缘云节点从中心云节点接收由中心云节点训练得到的预设任务处理函数；
或者，
第一边缘云节点从第二边缘云节点接收由中心云节点训练得到的预设任务处理函数，第二边缘云节点是从中心云节点接收的预设任务处理函数。
图16示出了本发明另一个实施例提供的任务处理装置的结构示意图。任务处理装置应用于终端设备，如图16所示，任务处理装置140包括：
第二请求发送模块1401，用于将第二请求发送至中心云节点，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
分配结果接收模块1402，用于接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
任务发送模块1403，用于将任务请求发送至所述第一边缘云节点，以使所述第一边缘云节点基于所述预设任务处理函数对所述任务请求进行任务处理，得到处理结果；
处理结果接收模块1404，用于接收所述第一边缘云节点发送的所述处理结果；
处理结果输出模块1405，用于输出所述处理结果。
本发明实施例中，终端设备将任务请求发送至第一边缘云节点。第一边缘云节点对任务请求进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点分布在靠近终端设备的位置，因此，第一边缘云节点可以更快地向终端设备反馈任务处理的结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，任务处理装置140还包括：
第一请求发送模块，用于将第一请求发送至第一边缘云节点；其中，第一请求用于请求确定终端设备的预处理参数值，预处理参数值包括任务数据采集频率和/或压缩比率；
参数值接收模块，用于接收第一边缘云节点发送的预处理参数值；
预处理模块，用于根据预处理参数值，对所述任务数据进行预处理，得到预处理后的所述任务数据；
其中，所述任务请求包括预处理后的所述任务数据。
在本发明实施例中，由于经过预处理的任务数据的大小小于预处理之前的任务数据的大小，因此，终端设备将经过预处理的任务数据发送至第一边缘云节点，可以缩短终端设备将任务数据发送至第一边缘云节点的时间。
图17示出了本发明又一个实施例提供的任务处理装置的结构示意图。任务处理装置应用于中心云节点，如图17所示，任务处理装置150包括：
第二请求接收模块1501，用于接收终端设备发送的第二请求，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
第二请求响应模块1502，用于响应于所述第二请求，为所述终端设备分配与所述预设任务处理函数相关联的第一边缘云节点；
分配结果发送模块1503，用于将节点分配结果发送至所述终端设备，所述节点分配结果包括所述第一边缘云节点的信息。
本发明实施例中，中心云节点为终端设备分配第一边缘云节点。第一边缘云节点进行任务处理，避免使用计算能力较弱的终端设备进行任务处理，从而缩短了任务处理的时间。而且，由于第一边缘云节点与终端设备的距离小于中心云节点与终端设备的距离，因此，第一边缘云节点可以更快地向终端设备反馈任务处理的结果。本发明实施例充分利用了边缘云节点低时延的特点，实现了高性能、低时延进行任务处理的目的。
可选地，第二请求响应模块1502包括：
第二信息获取模块，用于获取第二信息，第二信息包括终端设备分别与多个边缘云节点的距离，多个边缘云节点是否分别具有预设任务处理函数，多个边缘云节点的资源剩余量中的至少一项；
边缘云节点选择模块，用于根据第二信息，在多个边缘云节点中选择第一边缘云节点；
其中，第一边缘云节点满足：具有预设任务处理函数，与终端设备的距离小于预定距离，资源剩余量大于预定数值中的至少一项。
在本发明实施例中，中心云节点选择具有预设任务处理函数的第一边缘云节点，从而方便第一边缘云节点基于预设任务处理函数进行任务处理。如果第一边缘云节点不具有预设任务处理函数，中心云节点可以将预设任务处理函数发送至第一边缘云节点。中心云节点选择距离终端设备较近的第一边缘云节点，从而缩短终端设备将任务数据发送至第一边缘云节点的时间。中心云节点选择资源剩余量大的第一边缘云节点，即选择负载小的第一边缘云节点，使得第一边缘云节点具有足够的资源进行任务处理。
可选地，任务处理装置150还包括：
处理结果接收模块，用于接收第一边缘云节点发送的处理结果，该处理结果为第一边缘云节点基于预设任务处理函数对任务请求进行任务处理的结果；
任务处理装置150还包括：
存储模块，用于存储处理结果；
和/或，
优化模块，用于根据处理结果优化预设任务处理函数。
在本发明实施例中，中心云节点存储处理结果，可以实现处理结果的永久化存储。中心云节点根据处理结果优化预设任务处理函数，因此，边缘云节点基于优化后的预设任务处理函数进行下一次目标检测时，处理结果更加准确。
图18示出了本发明实施例提供的设备的硬件结构示意图。
设备可以包括处理器1601以及存储有计算机程序指令的存储器1602。
具体地，上述处理器1601可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器1602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1602可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1602是非易失性固态存储器。在特定实施例中，存储器1602包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1601通过读取并执行存储器1602中存储的计算机程序指令，以实现上述实施例中的任意一种目标检测方法。
在一个示例中，设备还可包括通信接口1603和总线1610。其中，如图18所示，处理器1601、存储器1602、通信接口1603通过总线1610连接并完成相互间的通信。
通信接口1603，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线1610包括硬件、软件或两者，将设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1610可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
设备可以是目标检测设备，设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现任意一项所述的目标检测方法。
目标检测设备可以是上述中的第一边缘云节点、终端设备、中心云节点中的至少一项。设备可以执行本发明实施例中的目标检测方法，从而实现结合图5至图7描述的目标检测方法和图12至图14描述的目标检测装置。
设备还可以是任务处理设备，任务处理设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现任意一项所述的任务处理方法。
任务处理设备可以是上述中的第一边缘云节点、终端设备、中心云节点中的至少一项。设备可以执行本发明实施例中的任务处理方法，从而实现结合图8至图11描述的任务处理方法和图15至图17描述的任务处理装置。
另外，结合上述实施例中的目标检测方法或任务处理方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种目标检测方法或任务处理方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种目标检测方法，应用于第一边缘云节点，所述方法包括：
接收终端设备发送的第一请求；
响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望目标检测时长，图像数据的大小中的至少一项；
根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括图像采集频率和/或压缩比率；
将所述预处理参数值发送至所述终端设备；
接收所述终端设备发送的由所述终端设备基于所述预处理参数值采集的图像数据；
基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果；
将所述检测结果发送至所述终端设备。
2.根据权利要求1所述的方法，其中，在所述得到检测结果之后，所述方法还包括：
将所述检测结果发送至中心云节点，以使所述中心云节点存储所述检测结果，和/或根据所述检测结果优化所述目标检测模型。
3.根据权利要求1所述的方法，其中，在所述基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果之前，所述方法还包括：
从中心云节点接收由所述中心云节点训练得到的所述目标检测模型；
或者，
从第二边缘云节点接收由中心云节点训练得到的所述目标检测模型，所述第二边缘云节点是从所述中心云节点接收的所述目标检测模型。
4.一种目标检测方法，应用于终端设备，所述方法包括：
将第二请求发送至中心云节点，所述第二请求包括使用目标检测模型进行检测的信息；
接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
将第一请求发送至所述第一边缘云节点；其中，所述第一请求用于请求确定所述终端设备的预处理参数值，所述预处理参数值包括图像采集频率和/或压缩比率；
接收所述第一边缘云节点发送的所述预处理参数值；
根据所述预处理参数值，对图像数据进行预处理，得到预处理后的所述图像数据；
将预处理后的图像数据发送至所述第一边缘云节点，以使所述第一边缘云节点基于目标检测模型对所述图像数据中的目标对象进行检测，得到检测结果；
接收所述第一边缘云节点发送的所述检测结果；
输出所述检测结果。
5.一种任务处理方法，应用于第一边缘云节点，所述方法包括：
接收终端设备发送的第一请求；
响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望任务处理时长，所述任务数据的大小中的至少一项；
根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括任务数据采集频率和/或压缩比率；
将所述预处理参数值发送至所述终端设备；
接收所述终端设备发送的任务请求，其中，所述任务请求包括所述任务数据；
基于预设任务处理函数，对所述任务请求进行任务处理，得到处理结果；
将所述处理结果发送至所述终端设备。
6.一种任务处理方法，应用于终端设备，所述方法包括：
将第二请求发送至中心云节点，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
将第一请求发送至所述第一边缘云节点；其中，所述第一请求用于请求确定所述终端设备的预处理参数值，所述预处理参数值包括任务数据采集频率和/或压缩比率；
接收所述第一边缘云节点发送的所述预处理参数值；
根据所述预处理参数值，对所述任务数据进行预处理，得到预处理后的所述任务数据；其中，所述任务请求包括预处理后的所述任务数据；
将任务请求发送至所述第一边缘云节点，以使所述第一边缘云节点基于所述预设任务处理函数对所述任务请求进行任务处理，得到处理结果；
接收所述第一边缘云节点发送的所述处理结果；
输出所述处理结果。
7.一种目标检测装置，应用于第一边缘云节点，所述装置包括：
第一请求接收模块，用于接收终端设备发送的第一请求；
第一请求响应模块，用于响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望目标检测时长，图像数据的大小中的至少一项；
参数值确定模块，用于根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括图像采集频率和/或压缩比率；
参数值发送模块，用于将所述预处理参数值发送至所述终端设备；
图像数据接收模块，用于接收所述终端设备发送的由所述终端设备基于所述预处理参数值采集的图像数据；
目标检测模块，用于基于目标检测模型，对所述图像数据中的目标对象进行检测，得到检测结果；
检测结果发送模块，用于将所述检测结果发送至所述终端设备。
8.一种目标检测装置，应用于终端设备，所述装置包括：
第二请求发送模块，用于将第二请求发送至中心云节点，所述第二请求包括使用目标检测模型进行检测的信息；
分配信息接收模块，用于接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
第一请求发送模块，用于将第一请求发送至所述第一边缘云节点；其中，所述第一请求用于请求确定所述终端设备的预处理参数值，所述预处理参数值包括图像采集频率和/或压缩比率；
参数值接收模块，用于接收所述第一边缘云节点发送的所述预处理参数值；
数据预处理模块，用于根据所述预处理参数值，对图像数据进行预处理，得到预处理后的所述图像数据；
图像数据发送模块，用于将预处理后的图像数据发送至所述第一边缘云节点，以使所述第一边缘云节点基于目标检测模型对所述图像数据中的目标对象进行检测，得到检测结果；
第一检测结果接收模块，用于接收所述第一边缘云节点发送的所述检测结果；
检测结果输出模块，用于输出所述检测结果。
9.一种任务处理装置，应用于第一边缘云节点，所述装置包括：
第一请求接收模块，用于接收终端设备发送的第一请求；
第一请求响应模块，用于响应于所述第一请求，获取第一信息，其中，所述第一信息包括所述终端设备与所述第一边缘云节点的网络状态信息，预设的期望任务处理时长，所述任务数据的大小中的至少一项；
参数值确定模块，用于根据所述第一信息，确定所述终端设备的与所述第一信息相关联的预处理参数值；其中，所述预处理参数值包括任务数据采集频率和/或压缩比率；
参数值发送模块，用于将所述预处理参数值发送至所述终端设备；
任务接收模块，用于接收所述终端设备发送的任务请求，其中，所述任务请求包括所述任务数据；
任务处理模块，用于基于预设任务处理函数，对所述任务请求进行任务处理，得到处理结果；
处理结果发送模块，用于将所述处理结果发送至所述终端设备。
10.一种任务处理装置，应用于终端设备，所述装置包括：
第二请求发送模块，用于将第二请求发送至中心云节点，所述第二请求包括使用预设任务处理函数进行任务处理的信息；
分配结果接收模块，用于接收所述中心云节点发送的节点分配结果，所述节点分配结果包括所述中心云节点分配第一边缘云节点的信息；
将第一请求发送至所述第一边缘云节点；其中，所述第一请求用于请求确定所述终端设备的预处理参数值，所述预处理参数值包括任务数据采集频率和/或压缩比率；
接收所述第一边缘云节点发送的所述预处理参数值；
根据所述预处理参数值，对所述任务数据进行预处理，得到预处理后的所述任务数据；其中，所述任务请求包括预处理后的所述任务数据；
任务发送模块，用于将任务请求发送至所述第一边缘云节点，以使所述第一边缘云节点基于所述预设任务处理函数对所述任务请求进行任务处理，得到处理结果；
处理结果接收模块，用于接收所述第一边缘云节点发送的所述处理结果；
处理结果输出模块，用于输出所述处理结果。
11.一种目标检测设备，其中，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述的目标检测方法。
12.一种任务处理设备，其中，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求5-6任意一项所述的任务处理方法。
13.一种计算机存储介质，其中，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的目标检测方法或者如权利要求5-6任意一项所述的任务处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911307160.XA CN112989894B (zh) | 2019-12-18 | 2019-12-18 | 目标检测方法、任务处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911307160.XA CN112989894B (zh) | 2019-12-18 | 2019-12-18 | 目标检测方法、任务处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112989894A CN112989894A (zh) | 2021-06-18 |
| CN112989894B true CN112989894B (zh) | 2024-05-03 |
Family
ID=76343787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911307160.XA Active CN112989894B (zh) | 2019-12-18 | 2019-12-18 | 目标检测方法、任务处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112989894B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241002B (zh) * | 2021-12-14 | 2024-02-02 | 中国电信股份有限公司 | 基于云边协同的目标跟踪方法、系统、设备和介质 |
| CN115086317A (zh) * | 2022-06-13 | 2022-09-20 | 国网北京市电力公司 | 电缆监测方法、装置、非易失性存储介质及电子设备 |
| CN115988092B (zh) * | 2023-02-08 | 2023-06-23 | 天翼云科技有限公司 | 一种图像处理方法、装置、设备、介质及产品 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101977242A (zh) * | 2010-11-16 | 2011-02-16 | 西安电子科技大学 | 一种分层分布式云计算体系结构及服务提供方法 |
| CN106911762A (zh) * | 2017-01-16 | 2017-06-30 | 西安电子科技大学 | 一种在sdn中基于雾计算的架构及其处理方法 |
| CN108810170A (zh) * | 2018-07-19 | 2018-11-13 | 中国联合网络通信集团有限公司 | 资源配置方法及系统 |
| CN109800072A (zh) * | 2019-01-22 | 2019-05-24 | 深圳市简智联信息科技有限公司 | 基于边缘计算的任务调度优化方法和装置 |
| CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
| CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
| CN110430266A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 一种边云协同数据传输方法、装置、设备及存储介质 |
| WO2019221352A1 (ko) * | 2018-05-15 | 2019-11-21 | 순천향대학교 산학협력단 | 모바일 비디오의 품질 향상을 위한 모바일 에지 클라우드에서의 트래픽 관리 방법 및 이를 위한 장치 |
| CN110557419A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 一种任务处理方法、装置及云计算系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10938736B2 (en) * | 2017-10-18 | 2021-03-02 | Futurewei Technologies, Inc. | Dynamic allocation of edge computing resources in edge computing centers |
-
2019
- 2019-12-18 CN CN201911307160.XA patent/CN112989894B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101977242A (zh) * | 2010-11-16 | 2011-02-16 | 西安电子科技大学 | 一种分层分布式云计算体系结构及服务提供方法 |
| CN106911762A (zh) * | 2017-01-16 | 2017-06-30 | 西安电子科技大学 | 一种在sdn中基于雾计算的架构及其处理方法 |
| WO2019221352A1 (ko) * | 2018-05-15 | 2019-11-21 | 순천향대학교 산학협력단 | 모바일 비디오의 품질 향상을 위한 모바일 에지 클라우드에서의 트래픽 관리 방법 및 이를 위한 장치 |
| CN110557419A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 一种任务处理方法、装置及云计算系统 |
| CN108810170A (zh) * | 2018-07-19 | 2018-11-13 | 中国联合网络通信集团有限公司 | 资源配置方法及系统 |
| CN109800072A (zh) * | 2019-01-22 | 2019-05-24 | 深圳市简智联信息科技有限公司 | 基于边缘计算的任务调度优化方法和装置 |
| CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
| CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
| CN110430266A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技（深圳）有限公司 | 一种边云协同数据传输方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于极大团的边缘云节点聚合算法;朱金彬;武继刚;隋秀峰;;计算机科学;20180415(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112989894A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112989894B (zh) | 目标检测方法、任务处理方法、装置、设备及存储介质 | |
| Long et al. | Edge computing framework for cooperative video processing in multimedia IoT systems | |
| CN108924221B (zh) | 分配资源的方法和装置 | |
| CN106549878B (zh) | 一种业务分流方法和装置 | |
| CN107395572B (zh) | 一种数据处理方法及物联网网关 | |
| CN107741899B (zh) | 处理终端数据的方法、装置及系统 | |
| CN104429029A (zh) | 网络中通过中央控制器的基于延迟的业务速率控制 | |
| KR101773593B1 (ko) | 멀티-에이전트 기반 코드 오프로딩을 수행하는 모바일 포그 컴퓨팅 시스템 및 그 방법 | |
| CN107015942B (zh) | 一种多核cpu发包的方法及装置 | |
| TW201926069A (zh) | 運算裝置、其資源分配方法及通訊系統 | |
| US11294736B2 (en) | Distributed processing system, distributed processing method, and recording medium | |
| CN110113140B (zh) | 一种雾计算无线网络中的计算卸载方法 | |
| US10708195B2 (en) | Predictive scheduler | |
| KR20190030589A (ko) | 오프로딩 시스템을 통해 무인 비행체의 영상을 분석하기 위한 방법 및 장치 | |
| CN105335313A (zh) | 一种基础数据的传输方法及装置 | |
| CN116582173B (zh) | 基于卫星的分布式网络处理数据的方法、装置及存储介质 | |
| CN112154689B (zh) | 通信方法 | |
| Eriksson et al. | Algorithms for distributed feature extraction in multi-camera visual sensor networks | |
| Lu et al. | On-demand video processing in wireless networks | |
| CN112714081A (zh) | 一种数据处理方法及其装置 | |
| CN111405670B (zh) | 一种资源分配方法、装置、设备及计算机存储介质 | |
| CN114253728A (zh) | 基于网页生态的异构多节点协同分布式神经网络部署系统 | |
| US20170248916A1 (en) | Method and system for image processing and data transmission in network-based multi-camera environment | |
| CN116600361B (zh) | 无人机组网配置方法、设备和可读存储介质 | |
| CN215729726U (zh) | 5g边缘计算平台架构 |
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 |