CN113657483A - 模型训练方法、目标检测方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种模型训练方法、目标检测方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。具体方案为：根据训练数据，训练第一目标检测模型以获得已训练第一目标检测模型；将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏；确定第二目标检测模型针对训练数据的目标检测过程的损失函数值，根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值，上述方案可以显著地提升第二目标检测模型针对目标的检测结果的准确率。

Description

模型训练方法、目标检测方法、装置、设备以及存储介质

技术领域

本公开人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。

背景技术

基于知识蒸馏的模型训练方法，是用结构较简单的小网络模型去模仿结构较复杂的大网络模型，让小网络模型接近于大网络模型的性能，从而实现对小网络的训练。

基于现有的知识蒸馏的模型训练方法所得到的模型，针对较简单的分类和识别任务能够输出较准确的任务结果，然而，将该模型应用的较复杂的目标检测任务时，其输出的任务结果准确度往往不能达到预期，并且该模型所适用的目标检测场景较少，通用性较差。

发明内容

本公开提供了一种模型训练方法、目标检测方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种基于知识蒸馏的模型训练方法，包括：

根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型；

将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏；

确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值，根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值。

根据本公开的第二方面，提供了一种目标检测方法，包括：

将待检测数据输入到根据本公开的第一方面提供的训练方法得到的第二目标检测模型；

利用第二目标检测模型输出针对待检测数据的检测结果。

根据本公开的第三方面，提供了一种基于知识蒸馏的模型训练装置，包括：

预训练模块，用于根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型；

知识蒸馏模块，用于将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏；

参数调整模块，用于确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值，根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值。

根据本公开的第四方面，提供了一种目标检测装置，包括：

数据输入模块，用于将待检测数据输入到根据权利要求1至6中任一项的训练方法得到的第二目标检测模型；

结果输出模块，用于利用第二目标检测模型输出针对待检测数据的检测结果。

根据本公开的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于知识蒸馏的模型训练方法或目标检测方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的基于知识蒸馏的模型训练方法或目标检测方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的基于知识蒸馏的模型训练方法或目标检测方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

本公开提供的技术方案带来的有益效果是：

在本公开的技术方案中，可以通过结构较复杂的第一目标检测模型对结构较简单的第二目标检测模型的多个中间层进行知识蒸馏，确保第二目标检测模型能够充分地学习第一目标检测模型的知识，在不明显增加推理计算资源的情况下，可以显著地提升第二目标检测模型针对目标的检测结果的准确率，扩展第二目标检测模型的通用性。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了本公开实施例提供的一种目标检测模型的示例性的结构示意图；

图2示出了本公开实施例提供的一种基于知识蒸馏的模型训练方法的流程示意图；

图3示出了本公开实施例提供的另一种基于知识蒸馏的模型训练方法的流程示意图；

图4示出了本公开实施例提供的一种目标检测方法的流程示意图；

图5示出了本公开实施例提供的一种基于知识蒸馏的模型训练装置的示意图；

图6示出了本公开实施例提供的一种目标检测装置的示意图；

图7示出了可以用来实施本公开实施例提供的基于知识蒸馏的模型训练方法或目标检测方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

基于知识蒸馏的模型训练方法，是用结构较简单的小网络模型去模仿结构较复杂的大网络模型，让小网络模型接近于大网络模型的性能，从而实现对小网络的训练。

基于现有的知识蒸馏的模型训练方法所得到的模型，针对较简单的分类和识别任务能够输出较准确的任务结果，然而，将该模型应用的较复杂的目标检测任务时，其输出的任务结果准确度往往不能达到预期，并且该模型所适用的目标检测场景较少，通用性较差。

目标检测模型通常可以分为无锚框(anchor free)的目标检测模型和基于锚框(anchor based)的目标检测模型。针对无锚框(anchor free)的目标检测模型，现有的知识蒸馏的模型训练方法只能对小网络模型的主干网络进行知识蒸馏，导致小网络模型对大网络模型的学习不够充分，导致训练得到的小网络模型输出的任务结果准确度不够；针对基于锚框(anchor based)的目标检测模型，现有的知识蒸馏的模型训练方法通常仅针对模型的分类分支和回归分支做知识蒸馏，这会限制模型在更多的目标检测场景中的适用能力。

本公开实施例提供的模型训练方法、目标检测方法、装置、设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。

基于知识蒸馏的模型训练方法，是用结构较简单的小网络模型去模仿结构较复杂的大网络模型，让小网络模型接近于大网络模型的性能。其中，大网络模型可以称为教师(Teacher)模型，是“知识”的输出者；小网络模型可以称为学生(Student)模型，是“知识”的接受者，也是需要被训练的模型。大网络模型的检测效果较好，但是由于其结构复杂而导致规模很大，不方便部署到服务中去，因此可以利用大网络模型对结构较简单的小网络模型进行知识蒸馏，让小网络模型接近于大网络模型的性能，以便将小网络模型部署到服务中去提供较好的目标检测服务。在本公开实施例中所使用和训练的模型均为目标检测模型，其中，第一目标检测模型为结构较复杂的大网络模型，第二目标检测模型为结构较简单的小网络模型。

图1示出了本公开实施例提供的一种目标检测模型的示例性的结构示意图，如图1所示，任一目标检测模型(第一目标检测模型或第二目标检测模型)均包括主干网络层(Backbone Layer)、瓶颈层(Neck Layer)和头部层(Head Layer)。主干网络层负责从图像中提取特征；瓶颈层是放在主干网络层和头部层之间的，是为了更好的利用主干网络层提取的特征；头部层的作用是对目标进行分类和定位。

可选地，第二目标检测模型还包括适应层(Adaptation Layer)，适应层用于将第二目标检测模型中每个中间层提取的特征的属性参数，调整为与已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同

图2示出了本公开实施例提供的另一种基于知识蒸馏的模型训练方法的流程示意图，如图2所示，该方法主要可以包括以下步骤：

S210：根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型。

本公开实施例的训练数据可以包含至少一个样本图片，将训练数据输入到第一目标检测模型之后，利用第一目标检测模型输出针对训练数据的目标检测结果，基于该目标检测结果与该训练数据的实际标签结果，确定出第一目标检测模型针对训练数据的目标检测过程的损失函数值，基于该损失函数值调整第一目标检测模型参数，以使损失函数值可以达到预设损失值，从而完成对第一目标检测模型的训练。为了便于理解和描述，本公开实施例将训练好的第一目标检测模型定义为已训练第一目标检测模型，可以理解，第一目标检测模型与已训练第一目标检测模型的结构是相同的。

S220：将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏。

可以理解，目标检测模型的中间层可以从图像中提取特征，中间层从样本图片中提取特征的方式会影响目标检测结果，通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏，可以使第二目标检测模型的多个中间层学习和模仿已训练第一目标检测模型的多个中间层提取特征的方式。具体地，本公开实施例可以基于注意力(Attention)机制对第二目标检测模型的多个中间层进行知识蒸馏。

可选地，本公开实施例可以确定出已训练第一目标检测模型的多个中间层分别提取的特征、以及第二目标检测模型的多个中间层分别提取的特征；计算已训练第一目标检测模型的每个中间层提取的特征与第二目标检测模型中对应的中间层提取的特征的差异结果，并基于差异结果调整第二目标检测模型中对应的中间层的参数。

可选地，在计算已训练第一目标检测模型的每个中间层提取的特征与第二目标检测模型中对应的中间层提取的特征的差异结果之前，本公开实施例该可以通过第二目标检测模型的适应层，将第二目标检测模型中每个中间层提取的特征的属性参数，调整为与已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同。

S230：确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值。

在本公开实施例中，可以利用第二目标检测模型输出针对训练数据的目标检测结果，基于目标检测结果与训练数据的实际标签结果，确定出第二目标检测模型针对所述训练数据的目标检测过程的损失函数值。具体来说，可以将目标检测结果与实际标签结果的差异值作为损失函数值。

可选地，本公开实施例还可以利用已训练第一目标检测模型输出针对训练数据的第一目标检测结果、以及利用第二目标检测模型输出针对训练数据的第一目标检测结果；基于第一目标检测结果和第二目标检测结果，确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值。

S240：根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值。

可以理解，本公开实施例可以基于损失函数值调整第二目标检测模型的参数，以使损失函数值尽可能接近或小于预设损失值，这里，预设损失值的具体数值可以根据实际的设计需要而定，本公开实施例对此不做限定。

本公开实施例提供的基于知识蒸馏的模型训练方法，可以通过结构较复杂的第一目标检测模型对结构较简单的第二目标检测模型的多个中间层进行知识蒸馏，确保第二目标检测模型能够充分地学习第一目标检测模型的知识，在不明显增加推理计算资源的情况下，可以显著地提升第二目标检测模型针对目标的检测结果的准确率，扩展第二目标检测模型的通用性。

图3示出了本公开实施例提供的另一种基于知识蒸馏的模型训练方法的流程示意图，如图3所示，该方法主要可以包括以下步骤：

S310：根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型。在本公开实施例中，步骤S310的具体描述可以参照步骤S210中的描述，此处不再赘述。

S320：将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，确定出已训练第一目标检测模型的多个中间层分别提取的特征、以及第二目标检测模型的多个中间层分别提取的特征。

在本公开实施例中，多个中间层的具体类型可以根据实际的设计需要而定。可选地，已训练第一目标检测模型的多个中间层至少包括主干网络层和瓶颈层，第二目标检测模型的多个中间层至少包括主干网络层和瓶颈层。将训练数据输入到已训练第一目标检测模型之后，已训练第一目标检测模型的主干网络层和瓶颈层可以依次提取出训练数据的相应的特征；将训练数据输入到第二目标检测模型之后，第二目标检测模型的主干网络层和瓶颈层可以依次提取出训练数据的相应的特征。

S330：通过第二目标检测模型的适应层，将第二目标检测模型中每个中间层提取的特征的属性参数，调整为与已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同。

可以理解，已训练第一目标检测模型中间层(如主干网络层)提取出的特征的属性参数，与第二目标检测模型对应的中间层(如主干网络层)提取出的属性参数可能是不同的，因此需要通过第二目标检测模型的适应层将两个模型对应的中间层提取出的特征的属性参数统一，以便后续本步骤对两个对应的中间层提取的特征更加客观地进行比较，确定出更加准确的差异结果。在本公开实施例中，属性参数可以包括特征的空间数量和通道数量之中的至少一项，第二目标检测模型的适应层可以第二目标检测模型中每个中间层提取的特征的空间数量和通道数量，调整为与已训练第一目标检测模型中对应的中间层提取的特征的空间数量和通道数量相同。

S340：计算已训练第一目标检测模型的每个中间层提取的特征与第二目标检测模型中对应的中间层提取的特征的差异结果，并基于差异结果调整第二目标检测模型中对应的中间层的参数。

如前文所述，已训练第一目标检测模型的多个中间层至少包括主干网络层和瓶颈层，第二目标检测模型的多个中间层至少包括主干网络层和瓶颈层。本公开实施例可以计算已训练第一目标检测模型的主干网络层提取的特征与第二目标检测模型的主干网络层提取的特征的第一差异结果，基于第一差异结果调整第二目标检测模型的主干网络层的参数；以及，计算已训练第一目标检测模型的瓶颈层提取的特征与第二目标检测模型的瓶颈层提取的特征的第二差异结果，基于第二差异结果调整第二目标检测模型的瓶颈层的参数。

S350：利用已训练第一目标检测模型输出针对训练数据的第一目标检测结果、以及利用第二目标检测模型输出针对训练数据的第一目标检测结果。

S360：基于第一目标检测结果和第二目标检测结果，确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值。

可以理解，本公开实施例可以将第一目标检测结果和第二目标检测结果的差异值作为损失函数值。在传统的训练过程，通常是利用第二目标检测模型输出的目标检测结果与训练数据的实际标签结果确定损失函数值，然而实际标签结果往往将所有负标签都被统一对待。相比于实际标签结果，已训练第一目标检测模型输出针对训练数据的第一目标检测结果所蕴含的信息更加丰富，基于第一目标检测结果和第二目标检测结果所确定的损失函数值来训练第二目标检测模型，可以提高模型的泛化能力。

S370：根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值。

可以理解，本公开实施例可以基于损失函数值调整第二目标检测模型的参数，以使损失函数值尽可能接近或小于预设损失值，这里，预设损失值的具体数值可以根据实际的设计需要而定，本公开实施例对此不做限定。

图4示出了本公开实施例提供的一种目标检测方法的流程示意图，如图4所示，该方法主要可以包括以下步骤：

S410：将待检测数据输入到训练好的第二目标检测模型。

S420：利用第二目标检测模型输出针对待检测数据的检测结果。

可以理解，第二目标检测模型是基于上述的基于知识蒸馏的模型训练方法训练得到的，待检测数据可以包含至少一个待检测图片，将待检测图片输入到训练好的第二目标检测模型，第二目标检测模型可以输出针对待检测图片中指定目标的检测结果，检测结果可以包括指定目标所属的类型信息、所属的类型信息的正确率等信息。

基于与上述的基于知识蒸馏的模型训练方法相同的原理，图5示出了本公开实施例提供的一种基于知识蒸馏的模型训练装置的示意图。如图5所示，基于知识蒸馏的模型训练装置500包括预训练模块510、知识蒸馏模块520和参数调整模块530。

预训练模块510用于根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型。

知识蒸馏模块520用于将训练数据输入到已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏。

参数调整模块530用于确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值，根据损失函数值调整第二目标检测模型的参数，以使损失函数值达到预设损失阈值。

本公开实施例提供的基于知识蒸馏的模型训练装置，可以通过结构较复杂的第一目标检测模型对结构较简单的第二目标检测模型的多个中间层进行知识蒸馏，确保第二目标检测模型能够充分地学习第一目标检测模型的知识，在不明显增加推理计算资源的情况下，可以显著地提升第二目标检测模型针对目标的检测结果的准确率，扩展第二目标检测模型的通用性。

在本公开实施例中，知识蒸馏模块520在用于通过已训练第一目标检测模型的多个中间层提取的特征对第二目标检测模型的多个中间层进行知识蒸馏时，具体用于：

确定出已训练第一目标检测模型的多个中间层分别提取的特征、以及第二目标检测模型的多个中间层分别提取的特征；

计算已训练第一目标检测模型的每个中间层提取的特征与第二目标检测模型中对应的中间层提取的特征的差异结果，并基于差异结果调整第二目标检测模型中对应的中间层的参数。

在本公开实施例中，知识蒸馏模块520还用于：通过第二目标检测模型的适应层，将第二目标检测模型中每个中间层提取的特征的属性参数，调整为与已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同。

在本公开实施例中，属性参数包括特征的空间数量和通道数量之中的至少一项。

在本公开实施例中，已训练第一目标检测模型的多个中间层至少包括主干网络层和瓶颈层，第二目标检测模型的多个中间层至少包括主干网络层和瓶颈层。

在本公开实施例中，参数调整模块530在用于确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值时，具体用于：

利用已训练第一目标检测模型输出针对训练数据的第一目标检测结果、以及利用第二目标检测模型输出针对训练数据的第一目标检测结果；

基于第一目标检测结果和第二目标检测结果，确定出第二目标检测模型针对训练数据的目标检测过程的损失函数值。

可以理解的是，本公开实施例中的基于知识蒸馏的模型训练装置的上述各模块具有实现上述的基于知识蒸馏的模型训练方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述基于知识蒸馏的模型训练装置的各模块的功能描述具体可以参见上述的基于知识蒸馏的模型训练方法的对应描述，在此不再赘述。

基于与上述的目标检测方法相同的原理，图6示出了本公开实施例提供的一种目标检测装置的示意图。如图6所示，目标检测装置600包括数据输入模块610和结果输出模块620。

数据输入模块610用于将待检测数据输入到训练好的第二目标检测模型。

结果输出模块620用于利用第二目标检测模型输出针对待检测数据的检测结果。

可以理解，第二目标检测模型是基于上述的基于知识蒸馏的模型训练方法训练得到的，待检测数据可以包含至少一个待检测图片，将待检测图片输入到训练好的第二目标检测模型，第二目标检测模型可以输出针对待检测图片中指定目标的检测结果，检测结果可以包括指定目标所属的类型信息、所属的类型信息的正确率等信息。

可以理解的是，本公开实施例中的目标检测装置的上述各模块具有实现上述的目标检测方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述目标检测装置的各模块的功能描述具体可以参见上述的目标检测方法的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开实施例提供的基于知识蒸馏的模型训练方法或目标检测方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器ROM702中的计算机程序或者从存储单元708加载到随机访问存储器RAM703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如基于知识蒸馏的模型训练方法或目标检测方法。例如，在一些实施例中，基于知识蒸馏的模型训练方法或目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的基于知识蒸馏的模型训练方法或目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于知识蒸馏的模型训练方法或目标检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种基于知识蒸馏的模型训练方法，包括：

根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型；

将所述训练数据输入到所述已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过所述已训练第一目标检测模型的多个中间层提取的特征对所述第二目标检测模型的多个中间层进行知识蒸馏；

确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值，根据所述损失函数值调整所述第二目标检测模型的参数，以使所述损失函数值达到预设损失阈值。

2.根据权利要求1所述的方法，其中，所述通过所述已训练第一目标检测模型的多个中间层提取的特征对所述第二目标检测模型的多个中间层进行知识蒸馏，包括：

确定出所述已训练第一目标检测模型的多个中间层分别提取的特征、以及第二目标检测模型的多个中间层分别提取的特征；

计算所述已训练第一目标检测模型的每个中间层提取的特征与所述第二目标检测模型中对应的中间层提取的特征的差异结果，并基于所述差异结果调整所述第二目标检测模型中对应的中间层的参数。

3.根据权利要求2所述的方法，在所述计算所述已训练第一目标检测模型的每个中间层提取的特征与所述第二目标检测模型中对应的中间层提取的特征的差异结果之前，还包括：

通过所述第二目标检测模型的适应层，将所述第二目标检测模型中每个中间层提取的特征的属性参数，调整为与所述已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同。

4.根据权利要求3所述的方法，所述属性参数包括特征的空间数量和通道数量之中的至少一项。

5.根据权利要求2所述的方法，其中，所述已训练第一目标检测模型的多个中间层至少包括主干网络层和瓶颈层，所述第二目标检测模型的多个中间层至少包括主干网络层和瓶颈层。

6.根据权利要求1所述的方法，其中，所述确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值，包括：

利用所述已训练第一目标检测模型输出针对所述训练数据的第一目标检测结果、以及利用所述第二目标检测模型输出针对所述训练数据的第一目标检测结果；

基于所述第一目标检测结果和所述第二目标检测结果，确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值。

7.一种目标检测方法，包括：

将待检测数据输入到根据权利要求1至6中任一项所述的训练方法得到的第二目标检测模型；

利用所述第二目标检测模型输出针对所述待检测数据的检测结果。

8.一种基于知识蒸馏的模型训练装置，包括：

预训练模块，用于根据训练数据，训练第一目标检测模型从而获得已训练第一目标检测模型；

知识蒸馏模块，用于将所述训练数据输入到所述已训练第一目标检测模型和第二目标检测模型进行目标检测，并通过所述已训练第一目标检测模型的多个中间层提取的特征对所述第二目标检测模型的多个中间层进行知识蒸馏；

参数调整模块，用于确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值，根据所述损失函数值调整所述第二目标检测模型的参数，以使所述损失函数值达到预设损失阈值。

9.根据权利要求8所述的装置，其中，所述知识蒸馏模块在用于通过所述已训练第一目标检测模型的多个中间层提取的特征对所述第二目标检测模型的多个中间层进行知识蒸馏时，具体用于：

确定出所述已训练第一目标检测模型的多个中间层分别提取的特征、以及第二目标检测模型的多个中间层分别提取的特征；

计算所述已训练第一目标检测模型的每个中间层提取的特征与所述第二目标检测模型中对应的中间层提取的特征的差异结果，并基于所述差异结果调整所述第二目标检测模型中对应的中间层的参数。

10.根据权利要求9所述的装置，所述知识蒸馏模块还用于：

通过所述第二目标检测模型的适应层，将所述第二目标检测模型中每个中间层提取的特征的属性参数，调整为与所述已训练第一目标检测模型中对应的中间层提取的特征的属性参数相同。

11.根据权利要求10所述的装置，所述属性参数包括特征的空间数量和通道数量之中的至少一项。

12.根据权利要求9所述的装置，其中，所述已训练第一目标检测模型的多个中间层至少包括主干网络层和瓶颈层，所述第二目标检测模型的多个中间层至少包括主干网络层和瓶颈层。

13.根据权利要求8所述的装置，其中，所述参数调整模块在用于确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值时，具体用于：

利用所述已训练第一目标检测模型输出针对所述训练数据的第一目标检测结果、以及利用所述第二目标检测模型输出针对所述训练数据的第一目标检测结果；

基于所述第一目标检测结果和所述第二目标检测结果，确定出所述第二目标检测模型针对所述训练数据的目标检测过程的损失函数值。

14.一种目标检测装置，包括：

数据输入模块，用于将待检测数据输入到根据权利要求1至6中任一项所述的训练方法得到的第二目标检测模型；

结果输出模块，用于利用所述第二目标检测模型输出针对所述待检测数据的检测结果。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法或权利要求7所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法或权利要求7所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法或权利要求7所述的方法。

Images