CN113673602A - 模型训练方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种模型训练方法及装置、电子设备和存储介质，所述方法包括：对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，图像特征集中包含图像数据的图像特征以及对应的图像标签；按照预设的划分规则，对图像特征集进行划分，得到多个子图像特征集，多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；根据多个子图像特征集，训练图像处理模型，得到训练后的图像处理模型。本公开实施例可实现提高图像处理模型的训练效率。

Description

模型训练方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种模型训练方法及装置、电子设备和存储介质。

背景技术

目前的模型训练过程，通常包含多个训练阶段，每个训练阶段都需要技术人员重新指定训练集并启动模型训练，整体模型训练的训练效率较低。

发明内容

本公开提出了一种模型训练技术方案。

根据本公开的一方面，提供了一种模型训练方法，包括：对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，所述图像特征集中包含所述图像数据的图像特征以及对应的图像标签；按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，所述多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型

在一种可能的实现方式中，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：根据预设的特征类别，通过特征提取网络对所述图像数据集中的图像数据进行特征提取，得到所述图像数据的图像特征；将所述图像数据的图像名称作为所述图像特征的图像标签，得到所述图像特征集，所述图像名称表征所述图像数据的图像类别。

在一种可能的实现方式中，所述划分规则包括划分数量以及划分比例，其中，按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，包括：根据所述划分规则中的划分数量，创建与所述划分数量对应的多个文件，各个文件的文件名称用于指示所述图像处理模型的各个训练阶段；根据所述划分规则中的划分比例以及所述多个文件的文件名称，将所述图像特征集中的图像特征及对应的图像标签，分配到各个文件中，得到多个子图像特征集。

在一种可能的实现方式中，根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型，包括：根据所述多个子图像特征集对应的文件名称，确定与所述图像处理模型的各个训练阶段对应的子图像特征集；根据所述与所述图像处理模型的各个训练阶段对应的子图像特征集，对所述图像处理模型进行训练，得到训练后的图像处理模型。

在一种可能的实现方式中，所述图像特征集包括多个，所述方法还包括：响应于针对图像特征集的合并操作，对所述合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

在一种可能的实现方式中，所述方法还包括：根据与指定文件名称对应的图像特征集，对所述训练后的图像处理模型进行预设评估指标的测试，得到测试结果，所述预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

在一种可能的实现方式中，所述方法还包括：获取图像采集设备采集的图像；对所述图像进行特征提取，得到所述图像的图像特征；将所述图像的图像特征输入至所述训练后的图像处理模型，得到所述图像的处理结果并进行显示。

在一种可能的实现方式中，所述方法还包括：对待部署的特征提取网络进行剪枝处理，得到剪枝后的特征提取网络，并部署所述剪枝后的特征提取网络；其中，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：通过所述剪枝后的特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集。

在一种可能的实现方式中，所述方法应用于人工智能教育设备，所述人工智能教育设备与人工智能教育平台之间存在通信连接，其中，所述人工智能教育平台用于编辑实现所述模型训练方法的代码，并将所述代码发送至所述人工智能教育设备；所述人工智能教育设备用于根据所述图像数据集，运行所述项目代码，以实现所述模型训练方法。

根据本公开的一方面，提供了一种模型训练装置，包括：特征提取模块，用于对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，所述图像特征集中包含所述图像数据的图像特征以及对应的图像标签；划分模块，用于按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，所述多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；训练模块，用于根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型。

在一种可能的实现方式中，所述特征提取模块，包括：特征提取子模块，用于根据预设的特征类别，通过特征提取网络对所述图像数据集中的图像数据进行特征提取，得到所述图像数据的图像特征；特征集生成子模块，用于将所述图像数据的图像名称作为所述图像特征的图像标签，得到所述图像特征集，所述图像名称表征所述图像数据的图像类别。

在一种可能的实现方式中，所述划分规则包括划分数量以及划分比例，其中，划分模块，包括：文件创建子模块，用于根据所述划分规则中的划分数量，创建与所述划分数量对应的多个文件，各个文件的文件名称用于指示所述图像处理模型的各个训练阶段；分配子模块，用于根据所述划分规则中的划分比例以及所述多个文件的文件名称，将所述图像特征集中的图像特征及对应的图像标签，分配到各个文件中，得到多个子图像特征集。

在一种可能的实现方式中，训练模块，包括：特征集确定子模块，用于根据所述多个子图像特征集对应的文件名称，确定与所述图像处理模型的各个训练阶段对应的子图像特征集；训练子模块，用于根据所述与所述图像处理模型的各个训练阶段对应的子图像特征集，对所述图像处理模型进行训练，得到训练后的图像处理模型。

在一种可能的实现方式中，所述图像特征集包括多个，所述装置还包括：合并模块，用于响应于针对图像特征集的合并操作，对所述合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

在一种可能的实现方式中，所述装置还包括：测试模块，用于根据与指定文件名称对应的图像特征集，对所述训练后的图像处理模型进行预设评估指标的测试，得到测试结果，所述预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

在一种可能的实现方式中，所述装置还包括：获取模块，用于获取图像采集设备采集的图像；提取模块，用于对所述图像进行特征提取，得到所述图像的图像特征；处理模块，用于将所述图像的图像特征输入至所述训练后的图像处理模型，得到所述图像的处理结果并进行显示。

在一种可能的实现方式中，所述装置还包括：剪枝模块，用于对待部署的特征提取网络进行剪枝处理，得到剪枝后的特征提取网络，并部署所述剪枝后的特征提取网络；其中，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：通过所述剪枝后的特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集。

在一种可能的实现方式中，所述装置应用于人工智能教育设备，所述人工智能教育设备与人工智能教育平台之间存在通信连接，其中，所述人工智能教育平台用于编辑实现所述模型训练装置的代码，并将所述代码发送至所述人工智能教育设备；所述人工智能教育设备用于根据所述图像数据集，运行所述项目代码，以实现所述模型训练装置。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其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上述方法。

在本公开实施例中，能够自动划分多个子图像特征集，以高效地实现对图像处理模型的多个训练阶段的训练；并且通过先对图像数据集进行特征提取，以采用子图像特征集对图像处理模型进行训练，可以减少图像处理模型进行特征提取所需的运算量，从而提高图像处理模型的训练效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的模型训练方法的流程图。

图2示出根据本公开实施例的模型训练方法的流程图。

图3示出根据本公开实施例的模型训练装置的框图。

图4示出根据本公开实施例的一种电子设备的框图。

图5示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

人工智能时代中，如何借助于教育机器人完成人工智能算法的学习，是未来新一代机器人需要考虑和解决的问题。人工智能时代需要大数据和强算力，然而受限于体积和成本，目前机器人产品一般算力较弱，这也是制约目前机器人教育智能化的最大障碍。现有机器人大多数是通过预先训练好图像分类的接口，然后再由用户调用，但是用户无法自己在机器人上面实现完整的图片分类过程。相当于实现了模型的推理过程，但是无法实现模型的训练过程。

基于上述问题，本公开实施例提出了一种可以在机器人产品上实现完整模型训练和推理的技术方案，并且同时提供了多种不同的分类模型，可由用户进行选择，比较得到最佳模型，从而可以完整实现图片分类任务中模型训练和推理过程，同时该技术方案也便于学生理解和接受。

图1示出根据本公开实施例的模型训练方法的流程图，所述模型训练方法可以由终端设备或服务器等电子设备执行，终端设备可以包括：人工智能教育设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现，或者，可通过服务器执行所述方法。如图1所示，所述模型训练方法包括：

在步骤S11中，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，图像特征集中包含图像数据的图像特征以及对应的图像标签。

在一种可能的实现方式中，可以通过设置默认的文件夹路径，将该文件夹路径下存储的图像数据，作为该指定的图像数据集中的图像数据，应理解的是，该文件夹路径对应的文件夹也即为图像数据集。在该方式下，用户可以将图像采集设备采集的图像数据或其它电子设备传输的图像数据，直接存储于该文件夹路径下的文件夹中(也即该指定的图像数据集中)。

在一种可能的实现方式中，用户还可以通过手动导入图像数据集，实现指定图像数据集，例如，可以通过方法对应的操作界面选择图像数据集对应的文件夹路径，或手动拖拽图像数据集至该操作界面中等方式，实现手动导入图像数据集。应理解的是，用户手动导入的图像数据集，可以作为该指定的图像数据集。本公开实施例对于图像数据集的指定方式，以及图像数据集中图像数据的来源等不作限制。

应理解的是，图像数据集中图像数据的种类，可以取决于图像处理模型所要实现的图像处理项目，用户可根据不同的图像处理项目，预先采集各种图像数据，生成图像数据集，例如，针对人脸表情识别项目，可预先采集具有各种人脸表情的人脸图像；针对人体姿态识别项目，可以预先采集具有各种人体姿态的人体图像等。

在一种可能的实现方式中，可以通过特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，特征提取网络例如可采用MobileNetV2网络(一种轻量级卷积神经网络)、残差网络ResNet18等；对于特征提取网络的网络结构、网络类型以及训练方式，本公开实施例不作限制。

在一种可能的实现方式中，图像标签可以是预先对图像数据进行人工标注所得到的的标签，该图像标签可以表征图像数据的图像类别，例如是戴口罩的人脸图像，还是不戴口罩的人脸图像；是苹果图像还是香蕉图像等。

在一种可能的实现方式中，图像特征与对应的图像标签可以存储于指定文件中，该指定文件可以包括csv文件、xlsx文件、xml文件中的任意一种文件类型。也即，图像特征集可以是csv文件、xlsx文件、xml文件中的任意一种。

在步骤S12中，按照预设的划分规则，对图像特征集进行划分，得到多个子图像特征集，多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练。

在一种可能的实现方式中，划分规则可包括划分数量与划分比例，划分数量用于指示划分后的子图像特征集的数量；划分比例用于指示划分后的各个子图像数据集中图像特征相对于图像特征集中图像特征的数量占比。应理解的是，划分规则可以是用户手动设置的规则，也可以是默认规则，对此本公开实施例不作限制。

举例来说，若默认划分数量为2，划分比例为2:8，那么在得到图像特征集后，该图像特征集可划分为两个子图像特征集，其中一个子图像特征集中图像特征占图像特征集中图像特征的2/10，另一个子图像特征集中图像特征占图像特征集中图像特征的8/10，或者说，两个子图像特征集中图像特征的数量比为2:8。

在一种可能的实现方式中，可在得到图像特征集后，可以将图像特征集中的图像特征以及对应的图像标签，按照划分比例随机分配至多个文件(如与划分数量对应的空白csv文件)中，得到多个子图像特征集。

其中，图像处理模型可以用于实现图像分类、图像识别、图像分割、目标检测中的至少一种图像处理任务。例如，图像处理模型可以用于至少实现人脸检测、人脸识别、人脸表情识别、人体检测、人体姿态识别、物体分类识别等。

在一种可能的实现方式中，图像处理模型的模型种类可以包括：线性分类模型、线性回归模型、决策树分类模型、决策树回归模型、最近邻分类模型、随机森林分类模型、随机森林回归模型、神经网络分类模型、神经网络回归模型中的至少一种。本公开实施例对于图像处理模型的算法类型以及训练方式等不作限制。

应理解的是，图像处理模型可以包括多轮迭代训练阶段和/或测试阶段，每个训练阶段可对应一个或多个子图像特征集，例如可至少划分为三个子图像特征集，将其中两个子图像特征集作为训练集，用于多轮迭代训练阶段；还可以将另一个子图像特征集作为测试集，用于测试阶段。

在步骤S13中，根据多个子图像特征集，训练图像处理模型，得到训练后的图像处理模型。

如上所述，子图像特征集用于实现针对图像处理模型多个训练阶段的训练。在一种可能的实现方式中，可以在生成子图像特征集时，规定子图像特征集对应的文件名称与图像处理模型的各个训练阶段对应，这样可以便于根据文件名称，获取各个训练阶段对应的子图像特征集，以对图像处理模型进行各个训练阶段的训练。

应理解的是，本公开实施例对于图像处理模型的训练方式不作限制。在一种可能的实现方式中，可预先设置各种训练结束指标，来确定何时结束图像处理模型的训练，例如，可设置在迭代轮数达到指定轮数时，或在损失收敛时等，结束图像处理模块的训练，输出训练后的图像处理模型，对此本公开实施例不作限制。

在本公开实施例中，能够自动划分多个子图像特征集，以高效地实现对图像处理模型的多个训练阶段的训练；并且通过先对图像数据集进行特征提取，以采用子图像特征集对图像处理模型进行训练，可以减少图像处理模型进行特征提取所需的运算量，从而提高图像处理模型的训练效率。

在一种可能的实现方式中，在步骤S11中，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：

根据预设的特征类别，通过特征提取网络对图像数据集中的图像数据进行特征提取，得到图像数据的图像特征；将图像数据的图像名称作为图像特征的图像标签，得到图像特征集，图像名称表征图像数据的图像类别。

考虑到，根据不同图像处理项目的特征提取需求，可提取图像数据的不同特征类别的图像特征，在一种可能的实现方式中，图像特征的特征类别可以至少包括：人脸特征、人脸关键点特征、人体特征、人体关键点特征、动物特征、植物特征、物体特征中的至少一种。应理解的是，预设的特征类别，可以是用户手动设置的特征类别，也可以是默认的特征类别，对此本公开实施例不作限制。

在一种可能的实现方式中，可以采用不同的特征提取网络，分别对应提取不同特征类别的图像特征；也即可根据预设的特征类别，确定出用于提取该预设的特征类别的特征提取网络，来对图像数据进行特征提取。通过该方式，有利于提高特征提取网络提取的图像特征的精度。

在一种可能的实现方式中，还可以采用同一个特征提取网络，提取多种特征类别的图像特征，例如可以采用同一特征提取网络提取人脸特征、人脸关键点特征、人体特征以及人体关键点特征；再从特征提取网络提取的多种图像特征中，选取与该预设的特征类别对应的图像特征。通过该方式，有利于提高特征提取的效率。

如上所述，可以将提取的图像特征存储于指定文件中(如已创建的csv文件、xlsx文件、xml文件等)，并同时将图像数据的图像名称作为图像特征的图像标签，存储于该指定文件中，得到图像特征集。

其中，图像数据的图像名称可以是用户预先设置的、用于表征图像类别的名称，例如，苹果图像的图像名称可以包括“apple”，香蕉图像的图像名称可包括“banana”等。

在本公开实施例中，通过将图像名称作为图像特征的图像标签，能够便捷容易地实现对图像特征的标注，无需耗费大量时间对图像特征进行人工标注，有利于提高图像处理模型的训练效率。

如上所述，划分规则包括划分数量以及划分比例，在一种可能的实现方式中，在步骤S12中，按照预设的划分规则，对图像特征集进行划分，得到多个子图像特征集，包括：

步骤S121：根据划分规则中的划分数量，创建与划分数量对应的多个文件，各个文件的文件名称用于指示图像处理模型的各个训练阶段。

如上所述，划分数量可以用于指示划分后的子图像特征集的数量。创建与划分数量对应的多个文件，可理解为，创建的多个空白文件，多个空白文件的数量与划分数量一致。应理解的是，创建的空白文件可例如是csv文件、xlsx文件、xml文件中的任意一种。

举例来说，若用户期望将图像特征集划分为三个子图像特征集，也即划分数量为2，那么在生成图像特征集后，可创建2个空白csv文件，其中2个空白csv文件的文件名称可例如分别自动设置为“train_1.csv”、“train_2.csv”，当然也可通过用户手动设置各个空白csv文件的文件名称，对此本公开实施例不作限制。应理解的是，针对文件“train_1.csv”，train可以代表训练阶段，“1”可以代表第一阶段的训练，其它文件名称以此类推。

步骤S122：根据划分规则中的划分比例以及多个文件的文件名称，将图像特征集中的图像特征及对应的图像标签，分配到各个文件中，得到多个子图像特征集。

如上所述，划分比例用于指示划分后的各个子图像数据集中图像特征相对于图像特征集中图像特征的数量占比。应理解的是，不同训练阶段所需的图像特征的数量可以是不同的，例如，第一轮迭代训练所需的图像特征可以小于第二轮迭代训练所需的图像特征，当然也可以是大于或等于第二轮迭代训练所需的图像特征，用户可以依据实际训练需求设计每轮训练对应的图像特征的数量，对此本公开实施例不作限制。

其中，分配可包括随机复制或随机移动；随机复制可理解为将图像特征集中的图像特征以及对应的图像标签随机复制到与文件名称对应的文件中，应理解的是，在随机复制的方式下，图像特征集中的图像特征以及对应的图像标签仍存在；随机移动，可理解为将图像特征集中的图像特征对应的图像标签随机移动(或者说剪贴)至与文件名称对应的文件中，应理解的是，在随机移动的方式下，图像特征集中的图像特征以及对应的图像标签已不存在。在其他实施例中，分配也可以是顺序复制或顺序移动等，具体分配规则可以预先设置或由用户选择。对于采用何种分配方式，本公开实施例不作限制。

举例来说，若图像特征集中包含1100个图像特征以及对应的图像标签，两个csv文件的文件名称为“train_1.csv”、“train_2.csv”，划分比例为6:5；那么按照该划分比例与文件名称，可以将该1100个图像特征以及对应的图像标签，随机分配至该两个csv文件中，可以得到“train_1.csv”中图像特征以及对应的图像标签的数量为600，“train_2.csv”中图像特征以及对应的图像标签的数量为500。

其中，可以采用分数的形式设置各个训练阶段对应的划分比例，以便于将划分比例与不同训练阶段对应，对此本公开实施例不作限制。

在本公开实施例中，能够实现自动将图像特征集划分为多个子图像特征集，有利于高效地自动实现对图像处理模型的多个训练阶段的训练。

在一种可能的实现方式中，在步骤S13中，根据多个子图像特征集，训练图像处理模型，得到训练后的图像处理模型，包括：

根据多个子图像特征集对应的文件名称，确定与图像处理模型的各个训练阶段对应的子图像特征集；根据与图像处理模型的各个训练阶段对应的子图像特征集，对图像处理模型进行训练，得到训练后的图像处理模型。

如上所述，子图像特征集对应的文件名称，可以用于指示图像处理模型的各个训练阶段。那么根据文件名称，可以确定出与各个训练阶段对应的子图像特征集；进而根据与各个训练阶段对应的子图像特征集，对图像处理模型进行训练。

如上所述，可预先设置各种训练结束指标，来结束图像处理模型的训练，例如，可设置在迭代轮数达到指定轮数时，或在损失收敛时等，结束图像处理模块的训练，输出训练后的图像处理模型，对此本公开实施例不作限制。

在本公开实施例中，能够根据子图像特征集的文件名称，高效地自动实现对图像处理模型的多个训练阶段的训练，提高模型训练效率。

考虑到，在进行模型训练时，所需的图像特征可能是多种多样的，并且如上所述，可以采用不同特征提取网络提取不同特征类别的图像特征，为了满足不同图像处理模型针对图像特征集中图像特征的类别需求，在一种可能的实现方式，可以通过合并多个图像特征集，从而得到新的图像特征集，以满足不同图像处理模型针对图像特征的类别需求。在一种可能的实现方式中，图像特征集包括可以多个，所述方法还包括：

响应于针对图像特征集的合并操作，对合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

在一种可能的实现方式中，对合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集，可包括：将该多个图像特征集中的图像特征以及对应的图像标签复制或移动到同一目标文件中，得到合并后的图像特征集。

其中，同一目标文件可包括多个图像特征集中的任意一个图像特征集，例如，若要合并图像特征集A、B和C，可指定将A和B中的图像特征及图像标签复制到C中，得到合并后的图像特征集；当然,同一目标文件还可包括其它已创建的csv文件、xlsx文件、xml文件中的任意一种，例如，将图像特征集A、B和C中图像特征及图像标签复制到csv文件D中，得到合并后的图像特征集，对此本公开实施例不作限制。

其中，针对多个图像特征集的合并操作可包括：选择待合并的多个图像特征集，以及选择上述同一目标文件(例如上述数据集C，或csv文件D)。应理解的是，将选中的多个图像特征集中的图像特征以及对应的图像标签复制到目标文件中后，选中的多个图像特征集中的图像特征以及对应的图像标签仍存在，合并后的图像特征集中包括选中的多个图像特征集中的图像特征以及对应的图像标签。

在本公开实施例中，能够实现灵活的构建不同图像特征集，从而满足不同图像处理模型针对图像特征集中图像特征的类别需求。

如上所述，图像处理模型还可以包括测试阶段，也即测试训练后的图像处理模型是否符合要求。在一种可能的实现方式中，所述方法还包括：

根据与指定文件名称对应的图像特征集，对训练后的图像处理模型进行预设评估指标的测试，得到测试结果，预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

其中，指定文件名称，可以是用于测试图像处理模型的图像特征集所对应的文件名称，例如可以指定文件名称为“test”，那么采用该指定文件名称的图像特征集，可以是用于测试图像处理模型的图像特征集。应理解的是，该指定文件名称可以是用户手动设置的，也可以是采用默认的文件名称，对此本公开实施例不作限制。

在一种可能的实现方式中，与指定文件名称对应的图像特征集可以包括上述划分后的子图像特征集，当然也可以包括划分前的图像特征集。应理解的是，测试结果可以包括训练后的图像处理模型的精度、准确率、精准率、召回率中的至少一种。在一种可能的实现方式中，测试结果可以显示在电子设备的显示界面中，以便于告知用户测试结果。

在本公开实施例中，能够自动根据指定文件名称，高效实现对训练后的图像处理模型的测试。

在一种可能的实现方式中，所述方法还包括：

获取图像采集设备采集的图像；对图像进行特征提取，得到图像的图像特征；将图像的图像特征输入至训练后的图像处理模型，得到图像的处理结果并进行显示。

在一种可能的实现方式中，训练后的图像处理模型可以直接部署在模型训练方法的执行主体中，当然，也可以发送并部署在其它电子设备中，对此本公开实施例不作限制。

其中，图像采集设备可包括各种摄像头、相机等，对此本公开实施例不作限制。在一种可能的实现方式中，图像采集设备可与模型训练方法的执行主体进行有线连接(如通过USB连接)，或者通过无线连接(如通过WiFi连接)，图像采集设备还作为该执行主体的部件，与执行主体进行内部走线连接，对此本公开实施例不作限制。

在一种可能的实现方式中，可通过上述本公开实施例中的特征提取网络实现对图像进行特征提取，得到图像的图像特征；进而将该图像特征输入至该训练后的图像处理模型中，得到处理结果并显示在当前执行主体的显示界面中。例如，针对用于检测人体区域的图像处理模型，处理结果可以包括图像中人体区域对应的检测框；针对用于识别人脸表情的图像处理模型，处理结果可以包括图像中人脸的人脸表情等。

在本公开实施例中，能够有效利用训练后的图像处理模型，执行各种图像处理项目。

考虑到，通常特征提取网络的体积较大，或者说网络参数较多。而有些电子设备的运算能力较低，为了使特征提取网络适应于各种电子设备，可以对特征提取网络进行剪枝处理，从而得到体积较小的特征提取网络，且该体积较小的特征提取网络在运算能力较低的电子设备中仍可以完成特征提取。

在一种可能的实现方式中，所述方法还包括：对待部署的特征提取网络进行剪枝处理，得到剪枝后的特征提取网络，并部署剪枝后的特征提取网络；其中，在步骤S11中，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：通过剪枝后的特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集。

其中，待部署的特征提取网络，可以是待部署在模型训练方法的执行主体中的特征提取网络，如上所述，对于该特征提取网络的网络结构、网络类型以及训练方式，本公开实施例不作限制。应理解的是，该待部署的特征提取网络，可以是在该执行主体中进行网络训练所得到的训练后的神经网络，也可以是其它电子设备传输至该执行主体中的训练后的神经网络，对此本公开实施例不作限制。

应理解的是，不同网络结构或网络类型下的特征提取网络的剪枝处理方式可以不同。如上所述，特征提取网络可以采用MobileNetV2网络，本公开实施例以MobileNetV2网络为例，说明特征提取网络的一种剪枝处理方式。

可知晓的是，在MobileNetV2网络的网络结构中，卷积层、池化层和归一化层是作为基本单元，通过大量叠加该基本单元可以提取图像特征。一般来说，神经网络的层数越多，该神经网络有更好的非线性表达能力，可以学习更复杂的图像特征；每层网络的通道数越多，可以有利于每一层网络学到丰富的图像特征，比如不同方向的纹理特征。但是过多的网络层数会使得网络参数较大，也即网络体积较大，计算量也较大，且提取过多重复图像特征，会增大网络的计算负担。

为了在减小网络体积的同时尽可能保证网络的准确率，在一种可能的实现方式中，可以为MobileNetV2网络的每层网络层中的每个通道引入一个缩放因子，将各个缩放因子与各个通道的输出相乘，从而将缩放因子引入到损失函数中，接着联合训练网络参数与这些缩放因子，最后将较小的缩放因子对应的通道移除，得到剪枝处理后的MobileNetV2网络，也即得到剪枝处理后的特征提取网络。

在一种可能的实现方式中，引入缩放因子的损失函数，可以表示为目标函数(1)：

其中，x为输入的训练数据，y为训练数据的标签，W为网络的可训练网络参数，∑_(x,y)l(f(x,W),y)为任意卷积神经网络的损失函数式，γ为缩放因子，Γ为各通道对应的缩放因子的集合，g(γ)为缩放因子的正则项，λ为目标函数中加号前后两项之间的平衡因子(或可称为比例系数)。

可知晓的是，移除一个通道可理解为移除网络层中与该通道相关的输入连接和输出连接，实际上也即移除该通道对应的卷积核。举例来说，假设经过某网络层之后的特征图维度为h*w*c，h和w分别代表特征图的长宽，c代表特征图的通道数，特征图的每一个通道都对应一个γ，那么移除较小缩放因子对应的通道，可以理解为，移除该较小缩放因子对应的通道在网络层中对应的卷积核。

其中，缩放因子的作用是选择所要移除的通道，基于上述目标函数(1)，网络训练过程实际包括将缩放因子的正则项和损失函数进行联合优化，在训练过程中，网络可以自动鉴别不重要的通道，并调整该不重要的通道对应的缩放因子，进而移除掉较小缩放因子对应的通道，同时还不会损失网络精度。

在一种可能的实现方式中，可以为整个网络所有网络层设置全局阈值，用于移除小于该全局阈值的缩放因子所对应的通道，例如，假设需要剪掉整个网络中70％的通道，那么可以先对所有缩放因子的绝对值排个序，然后取从小到大排序的缩放因子中70％的位置的缩放因子为该全局阈值，并移除小于该全局阈值的缩放因子对应的通道。

应理解的是，特征提取网络可以训练多轮，对应得到的缩放因子可以为多组，上述剪枝处理过程可重复执行多次。本公开实施例对于剪枝后的特征提取网络的部署方式不作限制，可以在该剪枝后的特征提取网络的完成部署后，使用该剪枝后的特提取网络对图像数据集中的图像数据进行特征提取。

在本公开实施例中，剪枝后的特征提取网络，能够适用于各种电子设备，尤其是运算能力不高的电子设备，并且能够在减小参数量的同时不会损失网络精度，从而有利于提高整个图像处理模型的训练效率。

如上所述，所述方法可以应用于人工智能教育设备，在一种可能的实现方式中，人工智能教育设备与人工智能教育平台之间存在通信连接，其中，人工智能教育平台用于编辑实现模型训练方法的代码，并将代码发送至人工智能教育设备；人工智能教育设备用于根据图像数据集，运行项目代码，以实现模型训练方法。

在一种可能的实现方式中，人工智能教育设备可以是用于学习人工智能技术的电子设备，人工智能教育设备例如可包括智能教育机器人，应理解的是，本公开实施例对于智能教育设备的种类不作限制。

可理解的是，人工智能教育平台可以通过浏览器或客户端为用户提供操作界面，通过实验教学平台可以不用单独配置复杂的编程环境。用户可以通过操作界面编写实现模型训练方法的代码，编写的代码可以打包发送至人工智能教育设备。

在一种可能的实现方式中，实现模型训练方法的代码可以包括Python、Java、Lisp、Prolog、C++、Yigo等各种编程语言编写的代码。该代码可以包括利用上述原始编程语言编写的代码，也包括根据需求将原始编程语言进行封装后的中间表达，例如，该代码可以包括利用Python语言进行封装后的文件包，对此本公开实施例不作限制。

如上所述，人工智能教育设备与人工智能教育平台之间可通过有线连接(如通过OTG接口连接)或通过无线连接(如通过WiFi连接)，从而实现两者之间的通信，人工智能教育平台可通过有线数据传输或无线数据传输等方式，将编写的代码发送至人工智能教育设备。

其中，人工智能教育设备可将接收到的代码存储至存储器(例如人工智能教育设备的硬盘)中，这样人工智能教育设备的处理器可调用并运行存储器中的代码，实现模型训练方法。

在一种可能的实现方式中，图像数据集可以是人工智能教育设备自身设置的图像采集部件(如摄像头)所采集的图像数据集，或与人工智能教育设备外部连接的图像采集设备所采集的图像数据集，也可以是其它电子设备(如人工智能教育平台)传输的图像数据集，对此本公开实施例不作限制。

在本公开实施例中，提供了一种在人工智能教育设备上实现模型训练的方式，能够有利于用户更好的学习模型训练技术。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了模型训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种模型训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

在一种可能的实现方式中，还可以通过图形用户界面(Graphical UserInterface，GUI)结合人机交互方式，实现上述本公开实施例的模型训练方法。图2示出根据本公开实施例的模型训练方法的流程图，该模型训练方法可以应用于各种终端设备，如图2所示，该模型训练方法，可以包括：

在步骤S21中，响应于针对图像数据集的特征提取操作，对特征提取操作指定的图像数据集中的图像数据进行特征提取，得到图像特征集，该图像数据集包括图像数据的图像特征以及对应的图像标签；

在步骤S22中，响应于针对图像特征集的划分操作，按照预设的划分操作，对图像特征集进行划分，得到多个子图像特征集，多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；

在步骤S23中，响应于针对图像处理模型的训练操作，根据训练操作指示的子图像特征集，对训练操作指示的图像处理模型进行训练，得到训练后的图像处理模型。

在一种可能的实现方式中，所述方法还可以包括：响应于针对图像特征集的合并操作，对合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

在一种可能的实现方式中，所述方法还包括：响应于针对图像处理模型的测试操作，根据测试操作指示的图像特征集，对测试操作指示的图像处理模型进行预设评估指标的测试，得到测试结果，预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

在一种可能的实现方式中，所述方法还包括：响应于针对图像处理模型的应用操作，获取图像采集设备采集的图像，并对图像进行特征提取，得到图像的图像特征；将图像的图像特征输入至应用操作指示的图像处理模型，得到图像的处理结果并进行显示。

在一种可能的实现方式中，可以通过上述人工智能教育平台编写代码，实现该图形用户界面，进而可以将该代码传输到上述人工智能教育设备上运行，以在上述人工智能教育设备上显示该图形用户界面，并响应于各种人工操作执行所述模型训练方法；或者还可以直接在人工智能教育平台上运行该图形用户界面，通过响应于各种人工操作，触发将对应的操作指令发送到人工智能教育设备上，由人工智能教育设备响应于操作指令，执行所述模型训练方法。

其中，各种人工操作可以包括上述特征提取操作、合并操作、划分操作、训练操作、测试操作、应用操作中的至少一种。应理解的是，上述图形用户界面中可以提供用于实现上述各种人工操作的操作控件，以通过图形用户界面触发上述各种人工操作。

需要说明的是，本公开实施例中模型训练方法的各个步骤的具体实现方式，可以参照上述方法实施例的描述，在此不做赘述。

根据本公开的实施例，能够实现提供一套GUI工具，便于学生基于人工交互方式，实现人工智能技术的入门学习；还提供一种基于GUI工具对模型训练方法的各个步骤进行解耦合的模型训练方式，也即针对模型训练方法的各个步骤所对应的算法模型进行解耦合，可理解为各个步骤所对应的算法模型可独立执行，从而便于学生进行模型训练学习，提高人工智能技术学习效率。

图3示出根据本公开实施例的模型训练装置的框图，如图3所示，所述装置包括：

特征提取模块101，用于对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，所述图像特征集中包含所述图像数据的图像特征以及对应的图像标签；

划分模块102，用于按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，所述多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；

训练模块103，用于根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型。

在一种可能的实现方式中，所述特征提取模块101，包括：特征提取子模块，用于根据预设的特征类别，通过特征提取网络对所述图像数据集中的图像数据进行特征提取，得到所述图像数据的图像特征；特征集生成子模块，用于将所述图像数据的图像名称作为所述图像特征的图像标签，得到所述图像特征集，所述图像名称表征所述图像数据的图像类别。

在一种可能的实现方式中，所述划分规则包括划分数量以及划分比例，其中，划分模块102，包括：文件创建子模块，用于根据所述划分规则中的划分数量，创建与所述划分数量对应的多个文件，各个文件的文件名称用于指示所述图像处理模型的各个训练阶段；分配子模块，用于根据所述划分规则中的划分比例以及所述多个文件的文件名称，将所述图像特征集中的图像特征及对应的图像标签，分配到各个文件中，得到多个子图像特征集。

在一种可能的实现方式中，训练模块103，包括：特征集确定子模块，用于根据所述多个子图像特征集对应的文件名称，确定与所述图像处理模型的各个训练阶段对应的子图像特征集；训练子模块，用于根据所述与所述图像处理模型的各个训练阶段对应的子图像特征集，对所述图像处理模型进行训练，得到训练后的图像处理模型。

在一种可能的实现方式中，所述图像特征集包括多个，所述装置还包括：合并模块，用于响应于针对图像特征集的合并操作，对所述合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

在一种可能的实现方式中，所述装置还包括：测试模块，用于根据与指定文件名称对应的图像特征集，对所述训练后的图像处理模型进行预设评估指标的测试，得到测试结果，所述预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

在一种可能的实现方式中，所述装置还包括：获取模块，用于获取图像采集设备采集的图像；提取模块，用于对所述图像进行特征提取，得到所述图像的图像特征；处理模块，用于将所述图像的图像特征输入至所述训练后的图像处理模型，得到所述图像的处理结果并进行显示。

在一种可能的实现方式中，所述装置还包括：剪枝模块，用于对待部署的特征提取网络进行剪枝处理，得到剪枝后的特征提取网络，并部署所述剪枝后的特征提取网络；其中，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：通过所述剪枝后的特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集。

在一种可能的实现方式中，所述装置应用于人工智能教育设备，所述人工智能教育设备与人工智能教育平台之间存在通信连接，其中，所述人工智能教育平台用于编辑实现所述模型训练装置的代码，并将所述代码发送至所述人工智能教育设备；所述人工智能教育设备用于根据所述图像数据集，运行所述项目代码，以实现所述模型训练装置。

在本公开实施例中，能够自动划分多个子图像特征集，以高效地实现对图像处理模型的多个训练阶段的训练；并且通过先对图像数据集进行特征提取，以采用子图像特征集对图像处理模型进行训练，可以减少图像处理模型进行特征提取所需的运算量，从而提高图像处理模型的训练效率。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其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上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OSX^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种模型训练方法，其特征在于，包括：

对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，所述图像特征集中包含所述图像数据的图像特征以及对应的图像标签；

按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，所述多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；

根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型。

2.根据权利要求1所述的方法，其特征在于，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：

根据预设的特征类别，通过特征提取网络对所述图像数据集中的图像数据进行特征提取，得到所述图像数据的图像特征；

将所述图像数据的图像名称作为所述图像特征的图像标签，得到所述图像特征集，所述图像名称表征所述图像数据的图像类别。

3.根据权利要求1或2所述的方法，其特征在于，所述划分规则包括划分数量以及划分比例，其中，按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，包括：

根据所述划分规则中的划分数量，创建与所述划分数量对应的多个文件，各个文件的文件名称用于指示所述图像处理模型的各个训练阶段；

根据所述划分规则中的划分比例以及所述多个文件的文件名称，将所述图像特征集中的图像特征及对应的图像标签，分配到各个文件中，得到多个子图像特征集。

4.根据权利要求1-3任一项所述的方法，其特征在于，根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型，包括：

根据所述多个子图像特征集对应的文件名称，确定与所述图像处理模型的各个训练阶段对应的子图像特征集；

根据所述与所述图像处理模型的各个训练阶段对应的子图像特征集，对所述图像处理模型进行训练，得到训练后的图像处理模型。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述图像特征集包括多个，所述方法还包括：

响应于针对图像特征集的合并操作，对所述合并操作指示的多个图像特征集进行合并，得到合并后的图像特征集。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

根据与指定文件名称对应的图像特征集，对所述训练后的图像处理模型进行预设评估指标的测试，得到测试结果，所述预设评估指标包括精度、准确率、精确率、召回率中的至少一种。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：

获取图像采集设备采集的图像；

对所述图像进行特征提取，得到所述图像的图像特征；

将所述图像的图像特征输入至所述训练后的图像处理模型，得到所述图像的处理结果并进行显示。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：

对待部署的特征提取网络进行剪枝处理，得到剪枝后的特征提取网络，并部署所述剪枝后的特征提取网络；

其中，所述对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，包括：

通过所述剪枝后的特征提取网络，对指定的图像数据集中的图像数据进行特征提取，得到图像特征集。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述方法应用于人工智能教育设备，所述人工智能教育设备与人工智能教育平台之间存在通信连接，

其中，所述人工智能教育平台用于编辑实现所述模型训练方法的代码，并将所述代码发送至所述人工智能教育设备；

所述人工智能教育设备用于根据所述图像数据集，运行所述项目代码，以实现所述模型训练方法。

10.一种模型训练装置，其特征在于，包括：

特征提取模块，用于对指定的图像数据集中的图像数据进行特征提取，得到图像特征集，所述图像特征集中包含所述图像数据的图像特征以及对应的图像标签；

划分模块，用于按照预设的划分规则，对所述图像特征集进行划分，得到多个子图像特征集，所述多个子图像特征集用于实现针对图像处理模型多个训练阶段的训练；

训练模块，用于根据所述多个子图像特征集，训练所述图像处理模型，得到训练后的图像处理模型。

11.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。

Images