CN113807257A - 算法应用元生成方法、装置、设备及计算机可读存储介质 - Google Patents
算法应用元生成方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113807257A CN113807257A CN202111095258.0A CN202111095258A CN113807257A CN 113807257 A CN113807257 A CN 113807257A CN 202111095258 A CN202111095258 A CN 202111095258A CN 113807257 A CN113807257 A CN 113807257A
- Authority
- CN
- China
- Prior art keywords
- application element
- algorithm application
- algorithm
- video
- debugged
- 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.)
- Withdrawn
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 570
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 155
- 230000004044 response Effects 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000013515 script Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Debugging And Monitoring (AREA)
- Stored Programmes (AREA)
Abstract
本公开实施例公开了一种算法应用元生成方法、装置、设备及计算机可读存储介质。该方法包括:依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版;根据指定的配置文件,为初始算法应用元添加业务场景对应的算法模型,得到待调试算法应用元;响应于获取到的调试指令,通过待调试算法应用元对待分析内容进行调试分析,得到分析结果;当基于分析结果明确待调试算法应用元满足业务场景的分析需求时,将待调试算法应用元作为目标算法应用元进行保存。通过本公开,能够提高算法应用元的生成效率。
Description
技术领域
本公开涉及计算机视觉技术,尤其涉及一种算法应用元生成方法、装置、设备及计算机可读存储介质。
背景技术
算法应用元是用于对图像或视频进行智能分析的软件单元,能够应用于各种业务场景,例如,人流量预警场景、交通事故路段预警场景等。算法应用元的生成过程包括了创建算法应用元和调试算法应用元。
相关技术中,创建算法应用元和调试算法应用元,都需要由开发人员手动进行,例如,在创建算法应用元时需要手动编写代码,调试算法应用元时手动启动各个组件,过程较为繁琐,需要花费较长的时间。由此可见,相关技术中,需要较长时间才能生成算法应用元,从而使得算法应用元的生成效率较低。
发明内容
本公开实施例提供一种算法应用元生成方法、装置、设备及计算机可读存储介质,能够提高算法应用元的生成效率。
本公开实施例的技术方案是这样实现的:
本公开实施例提供一种算法应用元生成方法,包括:
依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,所述初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,所述目标算法应用元是用于对业务场景的数据进行解析的软件单元;
根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元;
响应于获取到的调试指令,通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果;
当基于所述分析结果明确所述待调试算法应用元满足所述业务场景的分析需求时,将所述待调试算法应用元作为所述目标算法应用元进行保存。
本公开实施例提供一种算法应用元生成装置,包括:
应用元创建单元,用于依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,所述初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,所述目标算法应用元是用于对业务场景的数据进行解析的软件单元;
应用元打包单元,用于根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元;
应用元调试单元,用于响应于获取到的调试指令,通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果;
应用元保存单元,用于当基于所述分析结果明确所述待调试算法应用元满足所述业务场景的分析需求时,将所述待调试算法应用元作为所述目标算法应用元进行保存。
本公开实施例提供一种算法应用元生成设备,包括:
存储器,用于存储可执行算法应用元生成指令;
处理器,用于执行所述存储器中存储的可执行算法应用元生成指令时,实现本公开实施例提供的算法应用元生成方法。
本公开实施例提供一种计算机可读存储介质,存储有可执行算法应用元生成指令,用于引起处理器执行时,实现本公开实施例提供的算法应用元生成方法。
本公开实施例提供的算法应用元生成方法、装置、设备及计算机可读存储介质,采用本技术方案,算法应用元生成设备先依据目标算法应用元的模板的编译数据,创建出空的初始算法应用元,然后根据指定的配置文件,为初始算法应用元添加针对业务场景的算法模型,从而能够自动生成待调试算法,接着响应调试指令,自动让待调试算法应用元对待分析内容进行调试分析,并从所得到的分析结果中明确待调试算法应用元是否满足业务场景的分析需求,并在满足分析需求时,将待调试算法应用元保存为目标算法应用元。如此,算法应用元生成设备能够自动创建算法应用元并调试,减少了算法应用元在创建和调试时所需的时间,提高了算法应用元的生成效率。
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。
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是本公开实施例提供的算法应用元生成方法的可选的流程示意图一;
图2是本公开实施例提供的算法应用元生成方法的可选的流程示意图二;
图3是本公开实施例提供的算法应用元生成方法的可选的流程示意图三;
图4是本公开实施例提供的算法应用元生成方法的可选的流程示意图四;
图5是本公开实施例提供的算法应用元生成系统的一个可选的架构示意图;
图6是本公开实施例提供的生成算法应用元的流程示意图;
图7为本公开实施例提供的算法应用元生成装置的结构示意图;
图8为本公开实施例提供的算法应用元生成设备的结构示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
对本公开实施例进行进一步详细说明之前,对本公开实施例中涉及的名词和术语进行说明,本公开实施例中涉及的名词和术语适用于如下的解释。
1)人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生成一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,设计领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
2)计算机视觉技术(Computer Vision,CV)计算机实际是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图像处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频分析、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
3)图像/视频分析,是指对图像采集设备所采集到的图像进行分析处理,从而明确图像或视频中是否出现了特定事件。例如,通过对视频进行识别处理,分析出视频中的车辆是否出现了交通事故,或者是视频中的人是否跌倒等。
4)算法应用元,是用于对图像或视频进行分析处理的软件单元,将指定场景下的图像或视频输入到算法应用元中,就可以得到该场景对应的分析结果。在一些实施例中,还可以继续基于算法应用元进行开发,例如,在算法应用元的基础上继续开发界面交互功能,通信功能等,从而基于算法应用元得到一个完整的应用软件。
算法应用元是用于对图像或视频进行智能分析的软件单元,能够应用于各种业务场景,例如,人流量预警场景、交通事故路段预警场景等。算法应用元的生成过程包括了创建算法应用元和调试算法应用元。
相关技术中,在创建算法应用元时,需要手动算法应用元的各个文件,例如算法应用元的目录结构、代码文件、配置文件、文档文件和脚本文件(Make file等)。接着,需要手动编写算法应用元的各个文件的内容,例如在代码文件中手动编写代码等,从而生成算法应用元。
生成的算法应用元需要经过调试,才能够得到真正在实际的业务场景中使用的算法应用元。调试算法应用元分为在线调试和离线调试。在线调试时,需要手动克隆视频解析服务代码,然后将算法应用元解压到视频解析服务项目目录,修改配置文件,编译视频解析服务。接着,开发者手动运行分布式协调组件(例如zookeeper组件)、消息系统平台组件(例如kafka组件)和存储组件(osg组件),运行视频解析服务代码,以下发在线视频分析任务,然后从存储组件中获取分析结果,以实现在线调试。
离线调试时,同样需要手动克隆视频解析服务代码,将生成的算法应用元视频到视频解析服务项目目录,并修改配置文件,编译视频解析服务,最后离线运行视频解析服务,从而得到分析结果,以进行调试。
由上述可见,相关技术中,无论是创建算法应用元,还是调试算法应用元,都需要开发人员手动进行,例如,创建算法应用元时需要手动编写代码,在线调试时需要手动启动各个组件,离线调试时需要手动克隆视频解析服务代码等,即需要较长时间才能得到算法应用元,从而使得算法应用元的生成效率较低。
本公开实施例提供一种算法应用元生成方法,能够提高算法应用元生成效率。本公开实施例提供的算法应用元生成方法应用于算法应用元生成设备。
下面说明本公开实施例提供的算法应用元生成设备的示例性应用,本公开实施例提供的显示设备可以实施为笔记本电脑,平板电脑,台式计算机,移动设备等各种类型的用户终端(以下简称终端),也可以实施为服务器,还可以实施为由用户终端和服务器所组成的设备集群。
下面,将结合本公开实施例提供的算法应用元生成设备的示例性应用和实施,说明本公开实施例提供的算法应用元生成方法。
参见图1,图1是本公开实施例提供的算法应用元生成方法的可选的流程示意图一,将结合图1示出的步骤进行说明。
S101、依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元。
本公开实施例是在生成能够判定业务场景中是否发生了特定事件的算法应用元的场景下实现的,例如,生成能够判定道路场景中是否发生了交通拥堵实现的,或者生成能够判定家庭场景中是否有人摔倒下实现的。算法应用元生成设备已经通过编译,将目标算法应用元的模板集成到了对应可执行文件中,从而,目标算法应用元的模板是以编译数据的形式存在的。在算法应用元生成流程开始之后,算法应用元生成设备会对编译数据进行运行,从中恢复出初始算法应用元。
可以理解的是,初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,即初始算法应用元是空的算法应用元模版,需要在添加算法模型之后,才能够对业务场景的图像或视频进行分析。
需要说明的是,目标算法应用元用于对业务场景的图像或视频进行智能处理,以确定业务场景是否发生特定事件的软件单元,是本公开实施例的最终目标。
可以理解的是,目标算法应用元的模板所对应的编译数据,是提前对目标算法应用元的模板进行编译得到的,也即,算法应用元生成设备在算法应用元生成过程开始之前,先通过编译将目标算法应用元的模板中的每个文件,转换成可执行的文件,这个可执行的文件即为目标算法应发应用元的编译数据。
进一步的,目标算法应用元的模板可以是任意一个空算法应用元,也可以是任意一个已经添加了算法模型的算法应用元,本公开在此不作限定。
S102、根据指定的配置文件,为初始算法应用元添加业务场景对应的算法模型,得到待调试算法应用元。
算法应用元生成设备在创建出空的初始算法应用元之后,会获取开发人员写好的配置文件,即获取指定的配置文件,然后解析指定的配置文件,从中提取出开发人员为业务场景所指定的算法模型的地址或链接,并依据解析出的地址或链接获取到算法模型,并将算法模型添加到初始算法应用元中,得到待调试算法应用元。
需要说明的是,算法应用元生成设备在本步骤中所得到的待调试算法应用元,能够对业务场景的图像或视频进行分析,但是,并不能保证分析结果是正确的,满足业务场景的对应的需求,还需要在后续通过调试,来保证得到能够准确对业务场景的图像或视频进行分析的目标算法应用元。
可以理解的是,业务场景对应的算法模型可以是利用业务场景下的图像或视频训练出的深度学习模型,例如,利用业务场景下的图像或视频训练出的卷积神经网络(Convolutional Neural Network,CNN)模型,也可以是利用业务场景的图像或视频训练出的浅层机器模型,例如,支持向量机(Support Vector Machine,SVM)本公开在此不作限定。
在一些实施例中,指定的配置文件可以是开发人员在算法应用元生成流程开始之前,就已经写好并存储的,从而,算法应用元生成设备可以从存储空间中获取该配置文件。
在另一些实施例中,指定的配置文件是开发人员在创建好初始算法应用元之后才编写并生成的,从而,算法应用元生成设备可以在检测到开发人员结束编写并生成配置文件的操作之后,直接读取开发人员所输入的内容,得到指定的配置文件。
S103、响应于获取到的调试指令,通过待调试算法应用元对待分析内容进行调试分析,得到分析结果。
算法应用元生成设备在得到待调试算法应用元之后,就会实时检测是否接收到了针对待调试算法应用元的调试指令,以判断是否要开启对待调试算法应用元的调试流程。当算法应用元生成设备检测到调试指令时,就会明确当前需要开始对待调试算法应用元的调试过程,获取待分析内容,并将待分析内容输入至待调试算法应用元中,进行调试分析。在调试分析结束之后,算法应用元设备就可以获取到待调试算法应用元所输出的分析结果。
在一些实施例中,调试指令可以是由开发人员手动触发的,例如,开发人员在命令行输出用于触发调试指令的命令语句并运行,或者是直接运行写有调试指令对应的命令语句的脚本时,就能触发调试指令。调试命令还可以是由算法应用元生成设备定时触发的,例如,算法应用元生成设备在确认生成待调试算法应用元的十分钟之后,自动生成调试指令,以开始对待调试算法应用元的调试。
需要说明的是,待分析内容是业务场景的任意图像或视频,即判断待调试算法应用元是否可以对业务场景的图像或视频进行分析时,需要利用业务场景本身的图像或视频来确认。
在一些实施例中,待分析内容可以是开发人员事先准备好的,例如,由开发人员事先拍摄业务场景的图像,或者是录制业务场景的视频,并将所得到的图像或视频作为待分析内容。
在另一些实施例中,待分析内容还可以是由算法应用元生成设备通过图像采集设备设施获取到的,例如,将算法应用元生成设备的图像采集设备设置在业务场景中,以实时获取业务场景的图像或视频,然后将获取到的图像或视频作为待分析内容,以便于对待调试算法进行调试。
需要说明的是,待调试算法应用元所输出的分析结果,表征了业务场景的所需要的分析的情况的结果。例如,当业务场景城市主干道时,分析结果可以将主干道发生拥堵的位置标记出来;当业务场景为旅游景点时,分析结果可以表征该旅游景点的人流量是否饱和,并将密集程度过大的人群标注出来等。
S104、当基于分析结果明确待调试算法应用元满足业务场景的分析需求时,将待调试算法应用元作为目标算法应用元进行保存。
算法应用元生成设备对分析结果进行解析,以判断出待调试算法应用元是否能够准确对业务场景的图像或视频进行分析识别,得到业务场景的真实情况。当明确待调试算法应用元能够得到业务场景的真实情况时,算法应用元生成设备就会确认待调试算法应用元能够满足业务场景的分析需求,即得到了能够正常使用的待调试算法应用元。此时,算法应用元生成设备就会将待调试算法应用元确定为目标算法应用元,并保存目标算法应用元。这样,就完成了算法应用元的生成。
在一些实施例中,算法应用元生成设备可以将待分析内容和分析结果输入训练好的结果判断模型中,以通过训练好的结果判断模型来确认待调试算法应用元是否能够得到业务场景的真实情况。
在另一些实施例中,算法应用元生成设备还可以将分析结果形成适合开发人员判断的文件,将该文件反馈给开发人员,由开发人员根据分析结果判读待调试算法应用元是否得到了业务场景的真实情况,并接收开发人员针对该文件的输入内容。接着,算法应用元生成设备对该文件的输入内容进行解析,从而明确开发人员是否指示待调试算法应用元能够得到业务场景的真实情况,在能够得到业务场景的真实情况时,算法应用元设备就会任务待调试算法应用元满足了针对业务场景的分析需求,将待调试算法应用元保存为目标算法应用元。
需要说明的是,不同的业务场景具有不同的分析需求。例如,当业务场景为城市主干道时,分析需求可以为能够准确识别出拥堵、车祸等现象;当业务场景为家庭内部时,分析需求可以为能够准确识别出是否有不法人员闯入、是否有人发生意外等。
本公开实施例中,算法应用元生成设备先依据目标算法应用元的模板的编译数据,创建出空的初始算法应用元,然后根据指定的配置文件,为初始算法应用元添加针对业务场景的算法模型,从而能够自动生成待调试算法,接着响应调试指令,自动让待调试算法应用元对待分析内容进行调试分析,并从所得到的分析结果中明确待调试算法应用元是否满足业务场景的分析需求,并在满足分析需求时,将待调试算法应用元保存为目标算法应用元。如此,算法应用元生成设备能够自动创建算法应用元并调试,减少了算法应用元在创建和调试时所需的时间,提高了算法应用元的生成效率。
参见图2,图2是本公开实施例提供的算法应用元生成方法的可选的流程示意图二。在本公开的一些实施例中,依据目标算法应用元的模板所对应的编译模板数据,创建出初始算法应用元,即S101的具体实现过程,可以包括:S1011-S1013,如下:
S1011、获取指定的目标算法应用元的存储路径和名称。
算法应用元生成设备在创建算法应用元时,需要先明确所创建的算法应用元的存储路径和名称。本公开实施例中,目标算法应用元的存储路径和名称是指定好的,从而,算法应用元生成设备会先获取指定的目标算法应用元的存储路径和名称。
可以理解的是,目标算法应用元的存储路径和名称可以是由开发人员指定的,例如将开发人员在命令行中输入的路径作为目标算法应用元的存储路径,将开发人员在命令行输入的字符作为目标算法应用元的名称。
目标算法应用元的存储路径和名称还可以是由算法应用元生成设备自动设置的,例如,将主菜单的路径(即桌面)作为目标算法应用的存储路径,将当前时间戳作为目标算法应用元的名称。
S1012、在存储路径下,通过项目创建工具,从编译数据中创建出新的算法应用元项目。
算法应用元生成设备运行项目创建工具,通过项目创建工具,对编译数据进行处理,从中恢复出空的算法应用元,恢复出的算法应用元即为新的算法应用元。
本公开实施例中的项目创建工具,可以是boilr工具,还可以自定义的能够从模板创建项目的代码文件,本公开在此不作限定。
S1013、利用名称对新的算法应用元项目进行命名,得到初始算法应用元。
算法应用元生成设备将创建好的新的算法应用元项目以获取到的目标算法应用元的名称进行命名,从而得到等待添加算法模型的初始算法应用元,以便于后续生成待调试算法应用元。
本公开实施例中,算法应用元生成设备会先获取目标算法应用元的存储路径和名称,在存储路径下创建出新的算法应用元项目,并利用获取到的名称对创建出的新的算法应用元进行命名,得到等待添加算法模型的初始算法应用元,以实现算法应用元的自动创建,提高了算法应用元的生成效率。
在本公开的一些实施例中,根据指定的配置文件,为初始算法应用元添加业务场景对应的算法模型,得到待调试算法应用元,即S102的具体实现过程,可以包括:S1021-S1023,如下:
S1021、从配置文件中,提取出业务场景对应的算法模型的下载链接。
算法应用元生成设备对指定的配置文件进行解析,并对配置文件中各个配置参数项进行读取,以查找到用于指定算法模型的模型配置参数项。然后,算法应用元生成设备对模型配置参数项的内容进行提取,所提取到的内容就是针对业务场景所指定的算法模型的下载链接。
S1022、从下载链接,下载算法模型,并将下载到的算法模型添加至初始算法应用元中。
算法应用元生成设备访问提取到的下载链接,以对业务场景所对应的算法模型进行下载。在下载完成时,算法应用元生成设备就会将下载到的算法模型添加到空的初始算法应用元中,得到添加有算法模型的初始算法应用元。
可以理解的是,算法应用元生成设备可以通过直接解压,或者是复制的方式,将下载到的算法模型直接解压到初始算法应用元中,本公开在此不作具体限定。
S1023、将添加有算法模型的初始算法应用元进行打包,得到待调试算法应用元。
算法应用元生成设备在得到添加有算法模型的初始算法应用元之后,就会触发打包命令。算法应用元生成设备响应打包命令,对添加有算法模型的初始算法应用元进行打包,打包之后的初始算法应用元,就是待调试算法应用元。
可以理解的是,本公开实施例中的打包指令,可以是package指令,也可以是install指令,还可以是其他能够实现相同目的指令,本公开在此不作限定。
本公开实施例中,算法应用元生成设备会先从指定的配置文件中提取出算法模型的下载连接,并从该下载链接下载算法模型,将下载到的算法模型添加进初始算法应用元并打包,就能够得到待调试算法应用元,减少了生成待调试算法应用元时的手动操作,提高了算法应用元的生成效率。
参见图3,图3是本公开实施例提供的算法应用元生成方法的可选的流程示意图三。在本公开的一些实施例中,待分析内容包括:离线视频,此时,通过待调试算法应用元对待分析内容进行调试分析,得到分析结果,即S103的具体实现过程,可以包括:S1031-S1034,如下:
S1031、将离线视频和待调试算法应用元渲染成视频解析服务的离线任务文件。
算法应用元生成设备将指定的离线视频和待调试算法应用元进行视频解析服务的任务渲染,从而离线视频和待调试算法应用整合成需要视频解析服务实现的离线任务文件,以便于后续运行离线任务文件。其中,视频解析服务是用于对视频进行智能分析的软件服务。
S1032、通过视频解析服务执行离线任务文件,并在视频解析服务运行结束时,得到离线运行结果。
算法应用元生成设备在得到离线任务文件之后,就会运行视频解析服务,以执行离线任务文件,并在离线任务文件执行完成之后,得到离线运行结果。其中,离线运行结果中包括了发生了特定事件的视频帧,以及特定事件在该视频帧的发生区域。例如,出现拥挤的人群的视频帧,以及拥挤的人群在视频帧的区域;发生交通事故的视频帧,以及交通事故在视频帧的出现区域等。
需要说明的是,算法应用元生成设备在执行离线任务文件时,待调试算法应用元也会运行,即执行离线任务文件,就能够分析出离线视频中的各种事件。从而,算法应用元生成设备在视频解析服务运行结束时,就能得到离线运行结果。
可以理解的是,在一些实施例中,为了避免影响算法应用元生成设备本身的配置参数,算法应用元生成设备会运行视频解析服务的镜像文件,也即,算法应用元生成设备会通过视频解析服务的镜像文件执行离线任务文件,从而得到离线运行结果。
S1033、从离线运行结果中,提取出发生特定事件的第一视频帧,以及特定事件在第一视频帧中的第一区域信息。
S1034、在第一视频帧中标注出第一区域信息,得到分析结果。
算法应用元生成设备在得到离线运行结果之后,会从离线运行结果中,抽取出发生了特定时间的视频帧,将抽取出的视频帧作为第一视频帧,同时,对特定事件在第一视频帧中的出现区域的信息进行提取,得到第一区域信息。接着,算法应用元生成设备会将第一区域信息在第一视频帧中标注出来,标注出第一区域信息的第一视频帧,就是分析结果。
需要说明的是,第一区域信息可以是人脸所在的区域的信息,人体所在的区域的信息、事件所在的区域的信息,以及目标所在的区域的信息等,本公开在此不做限定。
进一步的,第一区域信息可以处于特定事件对应中心的像素的坐标,还可以是是特定事件框选的左上角像素和右下角像素的坐标,本公开在此不作限定。
可以理解的是,算法应用元生成设备可以通过标注框从第一视频帧中标注出第一区域信息,也可以通过箭头从第一视频帧中标注出第一区域信息,还可以通过高亮特效、闪烁特效等从第一视频帧中标注出第一区域信息等,本公开在此不作具体限定。
本公开实施例中,算法应用元生成设备可以将离线视频和待调试算法应用元渲染成离线任务文件,并通过视频解析服务执行离线任务文件,得到离线运行结果,然后从离线运行结果中提取出第一视频帧和第一区域信息,将第一区域信息标注在第一视频帧中。如此,算法应用元生成设备就能够得到分析结果,以便于后续基于分析结果判定待调试算法应用元是否满足了业务场景的分析需求。
在本公开的一些实施例中,通过视频解析服务执行离线任务文件,并在视频解析服务运行结束时,得到离线运行结果,即1032的具体实现过程,可以包括:S1032a,如下:
S1032a、通过视频解析服务镜像执行离线任务文件,并在视频解析服务镜像运行结束时,在视频解析服务镜像所对应的容器中,获取到离线运行结果。
由于算法应用元生成设备在运行视频解析服务时,需要先对自身的环境进行配置,以使得视频解析服务能够在算法应用元生成设备上运行。但是,这种方式,无疑会使得算法应用元生成设备的环境参数发生改变,可能会导致算法应用元生成设备的其他功能无法使用。为了不改变自身的环境参数,算法应用元生成设备可以构建一个独立的容器,这个容器的环境参数,能够使视频解析服务镜像运行。接着,算法应用元生成设备会在该容器中运行视频解析服务镜像,从而执行离线任务文件,并在视频解析服务镜像运行结束时,从该容器中,获取离线运行结果。
本公开实施例中,算法应用元生成设备能够通过视频解析服务镜像执行离线任务文件,并从对应的容器中获取离线运行结果,这样,算法应用元生成设备在无需对自身的环境参数进行改变的情况下,就能够得到离线运行结果。
参见图4,图4是本公开实施例提供的算法应用元生成方法的可选的流程示意图四。在本公开的一些实施例中,待分析内容包括:在线视频,在此情况下,通过待调试算法应用元对待分析内容进行调试分析,得到分析结果,即S103的具体实现过程,可以包括:S1035-S1038,如下:
S1035、将在线视频和待调试算法应用元作为在线任务文件下发给视频解析服务。
算法应用元生成设备可以将在线视频和待调试算法应用元渲染成视频解析服务的在线任务文件,并将在线任务文件下发给视频解析服务。在一些实施例中,视频解析服务中具有管理模块和任务模块,其中,管理模型用于下发在线任务文件,以及监听在线任务文件是否下发成功;任务模块用于执行在线任务文件,算法应用元生成设备可以运行视频解析服务,然后通过视频解析服务的管理模型,将在线视频和待调试算法应用元渲染成在线任务文件,并将所得到的在线任务文件下发给视频解析服务的任务模块。
S1036、通过视频解析服务,执行在线任务文件,并在视频解析服务运行结束时,获取在线任务文件对应的在线运行结果。
在一些实施例中,算法应用元生成设备可以通过启动视频解析服务的任务模块,执行在线任务文件,从而调用待调试算法应用元对在线视频进行处理,并在视频解析服务的任务模块结束运行时,获取在线运行结果。
另一些实施例中,算法应用元生成设备中还集成了消息组件,从而算法应用元设备可以通过运行的消息组件对任务模块所得到的在线运行结果进行记录,然后从消息组件中获取在线任务文件所对应的在线运行结果。
可以理解的是,消息组件是算法应用元生成设备在任务模块执行在线任务文件之前就已经启动了的。
S1037、依据在线运行结果中的图像链接,下载图像链接对应的第二视频帧。
一些实施例中,算法应用元生成设备中可以集成消息组件和存储组件的消费逻辑,继而从消息组件中消费在线运行结果,即从消息组件中获取在线运行结果。接着,算法应用元生成设备对在线运行结果进行解析,从中得到图像链接,然后依据图像链接,从运行的存储组件中查找到对应的第二视频帧,并将第二视频帧下载下来。
需要说明的是,图像链接为发生特定事件的视频帧的链接,也就是说,图像链接所对应的第二视频帧,就是发生了特定事件的视频帧。
可以理解的是,与消息组件类似,存储组件也是算法应用元生成设备在任务模型执行在线任务文件之前就已经启动了的。
S1038、从在线运行结果中提取出特定事件在第二视频帧的第二区域信息,并在第二视频帧上标注出第二区域信息,得到分析结果。
算法应用元生成设备对获取到的在线运行结果进行解析,从中确定出特定事件发生在第二视频帧的哪个区域,将发生了特定事件的区域信息记为第二区域信息。然后,算法应用元生成设备会将第二区域信息在第二视频帧中标注出来,就得到了分析结果。
同理的,第二区域信息可以处于特定事件对应中心的像素的坐标,还可以是是特定事件框选的左上角像素和右下角像素的坐标,本公开在此不作限定。
可以理解的是,算法应用元生成设备可以通过标注框从第二视频帧中标注出第二区域信息,也可以通过箭头从第二视频帧中标注出第二区域信息,还可以通过高亮特效、闪烁特效等从第二视频帧中标注出第二区域信息等,本公开在此不作具体限定。
本公开实施例中,算法应用元生成设备能够将在线视频和待调试算法应用元渲染成在线任务文件,下发给视频解析服务,然后视频解析服务执行在线任务文件,从消息组件中消费在线运行结果,并依据在线运行结果中的图像连接从存储组件中获取到发生了特定事件的第二视频帧,最后将从在线运行结果中提取出的第二区域信息标注在第二视频帧中,得到最终的分析结果。
在本公开的一些实施例中,通过视频解析服务,执行在线任务文件,并在视频解析服务运行结束时,获取在线任务文件对应的在线运行结果,即S1036的具体实现过程,可以包括:S1036a,如下:
S1036a、通过视频解析服务镜像,执行在线任务文件,并在视频解析服务镜像运行结束时,获取在线任务文件对应的在线运行结果。
一些实施例中,算法应用元生成设备为了在不改变自身的环境参数的情况下,能够正常执行在线任务文件,会集成视频解析服务镜像,并运行视频解析服务镜像,以通过视频解析服务镜像中的任务模型来执行在线任务文件,从而在视频解析服务镜像中的任务模块运行结束时,获取在线运行结果。
另一些实施例中,算法应用元生成设备中还可以集成消息组件镜像,从而利用已经启动的消息组件镜像来记录在线运行结果。
可以理解的是,消息组件镜像中包含了消息组件在运行时所要依赖的所有环境参数,通过消息组件镜像,即算法应用元生成设备不需要对自身的环境参数进行修改,也能够运行消息组件。进一步的,消息组件镜像是算法应用元设备在利用视频解析服务镜像中的任务模块执行在线任务文件之间就已经启动的。
本公开实施例中,算法应用元生成设备通过运行视频解析服务镜像能够实现在不改变自身环境参数的情况下,也能够正常运行视频解析服务。
在本公开的一些实施例中,将在线视频和待调试算法应用元作为在线任务文件下发给视频解析服务,即S1035的具体实现过程,可以包括:S1035a,如下:
S1035a、将在线视频和待调试算法应用元作为在线任务文件下发给视频解析服务镜像。
算法应用元设备可以将在线任务文件下发给集成的视频解析服务镜像,以便通过镜像对在线任务文件进行执行,从而不需要改变算法应用元设备自身的环境参数,就能够实现对在线视频的调试分析。
一些实施例中,算法应用元设备在生成在线任务文件时,是先运行视频解析服务镜像,然后通过视频解析服务镜像的管理模块,将在线视频和待调试算法应用元渲染成在线任务文件,并下发在线任务文件给视频解析服务镜像的任务模块。
本公开实施例中,算法应用元设备能够针对视频解析服务镜像,来下发在线任务文件,从而能够在不改变自身环境参数的情况下,也能够完成对在线任务文件的解析。
在本公开的一些实施例中,依据在线运行结果中的图像链接,下载图像链接对应的第二视频帧,即S1037的具体实现过程,可以包括:S1037a,如下:
S1037a、从视频解析服务镜像对应的容器中获取在线运行结果,并依据在线运行结果中的图像链接,从视频解析服务镜像对应的容器中下载图像链接对应的第二视频帧。
视频解析服务镜像对应的容器是算法应用元生成设备中的一个独立的空间,从而,算法应用元在通过视频解析服务镜像来执行在线任务文件时,也需要在视频服务镜像所对应的容器中来获取对应的在线运行结果,并依据在线运行结果中的图像连接,从该容器中下载第二视频帧。
一些实施例中,算法应用元生成设备在视频解析服务的镜像所在的容器中,还集成了消息组件镜像和存储组件镜像。算法应用元生成设备利用运行的消息组件镜像来记录在线运行结果时,算法应用元生成设备就相应地会从消息组件镜像中消费在线运行结果,并从存储组件镜像中得到第二视频帧。
本公开实施例中,算法应用元生成设备在视频解析服务镜像对应的容器中获取在线运行结果,以便于在不改变自身的环境参数的情况下,能够得到在线运行结果。
在本公开的一些实施例中,在将待调试算法应用元作为目标算法应用元进行保存之后,即在S104之后,该方法还可以包括:S105,如下:
S105、对目标算法应用元进行签名,得到签名后的算法应用元,以对目标算法应用元进行发布。
算法应用元生成设备在得到目标算法应用元,完成算法应用元的生成之后,还可以对目标算法应用元进行签名,所得到的签名后的算法应用元,已经明确了其生成者的身份,能够进行发布。
在一些实施例中,算法应用元生成设备可以利用自身身份标识,来对目标算法应用元进行签名,从而所得到的签名后的算法应用元,能够明确是哪个设备生成的。
在另一些实施例中,算法应用元设备还可以利用负责该算法应用元的生成的开发人员的身份标识,来对目标算法应用元进行签名,从而所得到的签名后的算法应用元,能够明确是哪个开发人员负责生成的。
可以理解的是,算法应用元生成设备在发布目标算法应用元的时,除了对目标算法应用元进行签名之外,还可以对指定目标算法应用元的状态,例如,指定目标算法应用元是等待下一次调试的待调试状态,还是已经完全调试完成的完整版本等,本公开在此不作限定。
在公开的一些实施例中,算法应用元生成设备可以集成上传(upload)、查找(list)、删除(delete)等接口,以利用这些接口来对目标算法应用元进行管理,例如通过上传接口来对目标算法应用元进行发布等。
本公开实施例中,算法应用元生成设备能够对目标算法应用元进行签名,生成签名后的算法应用元,以便于对目标算法应用元进行发布。
下面,将说明算法应用元生成设备实施为服务器时的示例性应用。参见图5,图5是本公开实施例提供的算法应用元生成系统的一个可选的架构示意图。为支撑实现一个算法应用元生成应用,在算法应用元生成系统100中,终端400(示例性示出了终端400-1和终端400-2)通过网络300连接服务器200,网络300可以是广域网或者是局域网,又扩展是二者的组合。
首先,服务器200依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元,其中,初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,目标算法应用元是用于对业务场景的数据进行解析的软件单元。接着,服务器200根据指定的配置文件,为初始算法应用元添加业务场景对应的算法模型,得到待调试算法应用元,并响应于获取到的调试指令,通过待调试算法应用元对待分析内容进行调试分析,得到分析结果。当基于分析结果明确待调试算法应用元满足业务场景的分析需求时,服务器200将待调试算法应用元作为目标算法应用元进行保存。这样,服务器200就实现了算法应用元的生成。
在一些实施例中,服务器200可以将得到的目标算法应用元下发给终端400-1和终端400-2,以使得终端400-1和终端400-2可以通过目标算法应用元来解析业务场景的数据,例如解析业务场景的图像或视频。
下面,对本公开实施例在实际应用场景中的实现过程进行介绍。
本公开实施例是在生成对视频进行智能分析的算法应用元(目标算法应用元)的场景下实现的。图6是本公开实施例提供的生成算法应用元的流程示意图。参见图6,算法应用元的生成过程包括:
S201、新建算法应用元。
生成工具(算法应用元生成装置,运行在算法应用生成设备上)执行init命令,设置算法应用元的项目目录(存储路径),设置算法应用元的名称,设置作者等,得到新的算法应用元(初始算法应用元)。
在此之前,生成工具在编译时,使用go-bindata将算法应用元的模板(目标算法应用元的模板)中每个文件的二进制数据转换成golang代码,即算法应用元的模板已经编译到生成工具的可执行文件中(编译数据)。同时,boilr工具也已经编译到可执行文件中了,新建算法应用元,相当于使用算法应用元模板通过boilr生成算法应用元demo(新的算法应用元项目)。
S202、开发算法应用元,下载模型并打包。
生成工具的model命令集成了模型自动化部署系统中模型(算法模型)的下载链接,执行model命令,并指定对应的模型的yml配置文件(配置文件),即可下载模型。接着,生成工具可通过package命令将算法应用元项目(添加有算法模型的初始算法应用元)打包成标准的算法应用元包(待调试算法应用元)。
生成工具在S202之后,可以执行S203-204或S205中的任意一个步骤。
S203、在线调试算法应用元。
生成工具集成了视频即系服务镜像、zookeeper镜像(分布式协调组件镜像)、kafka镜像(消息组件镜像)和osg镜像(存储组件镜像)。生成工具先运行zookeeper镜像、kafka镜像和osg镜像,运行视频解析服务镜像,然后再运行视频解析服务manager(视频解析服务的管理模块)和视频解析服务worker(视频解析服务的任务模块)。视频解析服务manager监听在线任务的下发,下发任务成功后算法应用元(待调试算法应用元)即开始分析在线视频(在线视频)。
S204、消费算法应用元结果。
生成工具根据自身特定的kafka topic消费kafka记录(从消息组件镜像中获取在线运行结果),并根据消费结果中的图片url(图像链接)从osg镜像下载图片(第二视频帧)。最后,生成工具将得到的结果中的目标框、人体框、人脸库、事件框等渲染到结果的大图上(将第二信息区域标注在第二视频帧中,得到分析结果)。
S205、离线调试算法应用元,得到结果。
生成工具集成了视频解析服务镜像,离线调试时,生成工具首先会将离线视频文件(离线视频)和算法应用元渲染成视频解析服务的离线任务文件,然后运行视频解析服务镜像,输出结果路径(离线运行结果)会挂在到容器(视频解析服务镜像所对应的容器)中。接着生成工具将输出结果中的目标框、人体框、人脸框、事件框等绘制到结果的大图中(将第一区域信息标注在第一视频帧中,得到分析结果)。
206、判断算法应用元是否满足功能。
是则执行S207,否则回到S202。
S207、上传算法应用元签名,并下载签名后的算法应用元。
当从绘制有目标框、人体框、人脸框、事件框的大图中,判断出算法应用元满足功能时,就会执行本工具的publish命令,指定算法应用元的状态,指定是否待上传的算法应用元(目标算法应用元),即可在本地获得签名后的算法应用元。
S208、发布算法应用元。
生成工具通过upload、list、delete等接口,就可以对签名后的算法应用元进行发布。
由上述可知,生成设备可以通过算法应用元模板生成算法应用元demo,然后为算法应用元demo添加模型,并打包,在离线调试或在线调试通过时,就能够得到算法应用元,从而无需开发人员通过编写代码手动生成算法应用元,以及手动对生成的算法应用元进行调试,提高了算法应用元的生成效率。
本公开还提供一种算法应用元生成装置,图7为本公开实施例提供的算法应用元生成装置的结构示意图;如图7所示,算法应用元生成装置1包括:
应用元创建单元11,用于依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,所述初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,所述目标算法应用元是用于对业务场景的数据进行解析的软件单元;
应用元打包单元12,用于根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元;
应用元调试单元13,用于响应于获取到的调试指令,通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果;
应用元保存单元14,用于当基于所述分析结果明确所述待调试算法应用元满足所述业务场景的分析需求时,将所述待调试算法应用元作为所述目标算法应用元进行保存。
在本公开的一些实施例中,所述应用元创建单元11,还用于获取指定的所述目标算法应用元的存储路径和名称;在所述存储路径下,通过项目创建工具,从所述编译数据中创建出新的算法应用元项目;利用所述名称对所述新的算法应用元项目进行命名,得到所述初始算法应用元。
在本公开的一些实施例中,所述应用元打包单元12,还用于从所述配置文件中,提取出所述业务场景对应的所述算法模型的下载链接;从所述下载链接,下载所述算法模型,并将下载到的所述算法模型添加至所述初始算法应用元中;将添加有所述算法模型的初始算法应用元进行打包,得到所述待调试算法应用元。
在本公开的一些实施例中,所述待分析内容包括:离线视频;所述应用元调试单元13,还用于将所述离线视频和所述待调试算法应用元渲染成视频解析服务的离线任务文件;通过所述视频解析服务执行所述离线任务文件,并在所述视频解析服务运行结束时,得到离线运行结果;从所述离线运行结果中,提取出发生特定事件的第一视频帧,以及所述特定事件在所述第一视频帧中的第一区域信息;在所述第一视频帧中标注出所述第一区域信息,得到所述分析结果。
在本公开的一些实施例中,所述应用元调试单元13,还用于通过视频解析服务镜像执行所述离线任务文件,并在所述视频解析服务镜像运行结束时,在所述视频解析服务镜像所对应的容器中,获取到所述离线运行结果。
在本公开的一些实施例中,所述待分析内容包括:在线视频;所述应用元调试单元13,还用于将所述在线视频和所述待调试算法应用元作为在线任务文件下发给视频解析服务;通过所述视频解析服务,执行所述在线任务文件,并在所述视频解析服务运行结束时,获取所述在线任务文件对应的在线运行结果;依据所述在线运行结果中的图像链接,下载所述图像链接对应的第二视频帧;其中,所述图像链接为发生特定事件的视频帧的链接;从所述在线运行结果中提取出所述特定事件在所述第二视频帧的第二区域信息,并在所述第二视频帧上标注出所述第二区域信息,得到所述分析结果。
在本公开的一些实施例中,所述应用元调试单元13,还用于通过视频解析服务镜像,执行所述在线任务文件,并在所述视频解析服务镜像运行结束时,获取所述在线任务文件对应的在线运行结果。
在本公开的一些实施例中,所述应用元调试单元13,还用于将所述在线视频和所述待调试算法应用元作为所述在线任务文件下发给视频解析服务镜像。
在本公开的一些实施例中,所述应用元调试单元13,还用于从所述视频解析服务镜像对应的容器中获取在线运行结果,并依据所述在线运行结果中的图像链接,从所述视频解析服务镜像对应的容器中下载所述图像链接对应的第二视频帧。
在本公开的一些实施例中,所述算法应用元生成装置1还包括:应用元签名单元15;
所述应用元签名单元15,用于在所述将所述待调试算法应用元作为所述目标算法应用元进行保存之后,对所述目标算法应用元进行签名,得到签名后的算法应用元,以对所述目标算法应用元进行发布。
本公开实施例还提供一种算法应用元生成设备,图8为本公开实施例提供的算法应用元生成设备的结构示意图,如图8所示,算法应用元生成设备2包括:存储器21和处理器22,其中,存储器21和处理器22通过总线23连接;存储器21,用于存储可执行算法应用元生成指令;处理器22,用于执行存储器21中存储的可执行计算机程序时,实现本公开实施例提供的方法,例如,本公开实施例提供的算法应用元生成方法。
本公开实施例提供一种计算机可读存储介质,存储有可执行算法应用元生成指令,用于引起处理器22执行时,实现本公开实施例提供的方法,例如,本公开实施例提供的算法应用元生成方法。
在本公开的一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在本公开的一些实施例中,可执行算法应用元生成指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行算法应用元生成指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper Text Markup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行算法应用元生成指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本公开的实施例而已,并非用于限定本公开的保护范围。凡在本公开的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本公开的保护范围之内。
Claims (13)
1.一种算法应用元生成方法,其特征在于,包括:
依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,所述初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,所述目标算法应用元是用于对业务场景的数据进行解析的软件单元;
根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元;
响应于获取到的调试指令,通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果;
当基于所述分析结果明确所述待调试算法应用元满足所述业务场景的分析需求时,将所述待调试算法应用元作为所述目标算法应用元进行保存。
2.根据权利要求1所述的方法,其特征在于,所述依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元,包括:
获取指定的所述目标算法应用元的存储路径和名称;
在所述存储路径下,通过项目创建工具,从所述编译数据中创建出新的算法应用元项目;
利用所述名称对所述新的算法应用元项目进行命名,得到所述初始算法应用元。
3.根据权利要求1所述的方法,其特征在于,所述根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元,包括:
从所述配置文件中,提取出所述业务场景对应的所述算法模型的下载链接;
从所述下载链接,下载所述算法模型,并将下载到的所述算法模型添加至所述初始算法应用元中;
将添加有所述算法模型的初始算法应用元进行打包,得到所述待调试算法应用元。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述待分析内容包括:离线视频;所述通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果,包括:
将所述离线视频和所述待调试算法应用元渲染成视频解析服务的离线任务文件;
通过所述视频解析服务执行所述离线任务文件,并在所述视频解析服务运行结束时,得到离线运行结果;
从所述离线运行结果中,提取出发生特定事件的第一视频帧,以及所述特定事件在所述第一视频帧中的第一区域信息;
在所述第一视频帧中标注出所述第一区域信息,得到所述分析结果。
5.根据权利要求4所述的方法,其特征在于,所述通过所述视频解析服务执行所述离线任务文件,并在所述视频解析服务运行结束时,得到离线运行结果,包括:
通过视频解析服务镜像执行所述离线任务文件,并在所述视频解析服务镜像运行结束时,在所述视频解析服务镜像所对应的容器中,获取到所述离线运行结果。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述待分析内容包括:在线视频;所述通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果,包括:
将所述在线视频和所述待调试算法应用元作为在线任务文件下发给视频解析服务;
通过所述视频解析服务,执行所述在线任务文件,并在所述视频解析服务运行结束时,获取所述在线任务文件对应的在线运行结果;
依据所述在线运行结果中的图像链接,下载所述图像链接对应的第二视频帧;其中,所述图像链接为发生特定事件的视频帧的链接;
从所述在线运行结果中提取出所述特定事件在所述第二视频帧的第二区域信息,并在所述第二视频帧上标注出所述第二区域信息,得到所述分析结果。
7.根据权利要求6所述的方法,其特征在于,所述通过所述视频解析服务,执行所述在线任务文件,并在所述视频解析服务运行结束时,获取所述在线任务文件对应的在线运行结果,包括:
通过视频解析服务镜像,执行所述在线任务文件,并在所述视频解析服务镜像运行结束时,获取所述在线任务文件对应的在线运行结果。
8.根据权利要求6所述的方法,其特征在于,所述将所述在线视频和所述待调试算法应用元作为在线任务文件下发给视频解析服务,包括:
将所述在线视频和所述待调试算法应用元作为所述在线任务文件下发给视频解析服务镜像。
9.根据权利要求7所述的方法,其特征在于,所述依据所述在线运行结果中的图像链接,下载所述图像链接对应的第二视频帧,包括:
从所述视频解析服务镜像对应的容器中获取在线运行结果,并依据所述在线运行结果中的图像链接,从所述视频解析服务镜像对应的容器中下载所述图像链接对应的第二视频帧。
10.根据权利要求1至3任一项所述的方法,其特征在于,在所述将所述待调试算法应用元作为所述目标算法应用元进行保存之后,所述方法还包括:
对所述目标算法应用元进行签名,得到签名后的算法应用元,以对所述目标算法应用元进行发布。
11.一种算法应用元生成装置,其特征在于,包括:
应用元创建单元,用于依据目标算法应用元的模板所对应的编译数据,创建出初始算法应用元;其中,所述初始算法应用元为待添加业务场景对应的算法模型的算法应用元模版,所述目标算法应用元是用于对业务场景的数据进行解析的软件单元;
应用元打包单元,用于根据指定的配置文件,为所述初始算法应用元添加所述业务场景对应的算法模型,得到待调试算法应用元;
应用元调试单元,用于响应于获取到的调试指令,通过所述待调试算法应用元对待分析内容进行调试分析,得到分析结果;
应用元保存单元,用于当基于所述分析结果明确所述待调试算法应用元满足所述业务场景的分析需求时,将所述待调试算法应用元作为所述目标算法应用元进行保存。
12.一种算法应用元生成设备,其特征在于,包括:
存储器,用于存储可执行算法应用元生成指令;
处理器,用于执行所述存储器中存储的可执行算法应用元生成指令时,实现权利要求1至10任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,存储有可执行算法应用元生成指令,用于引起处理器执行时,实现权利要求1至10任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095258.0A CN113807257A (zh) | 2021-09-17 | 2021-09-17 | 算法应用元生成方法、装置、设备及计算机可读存储介质 |
PCT/CN2022/071450 WO2023040151A1 (zh) | 2021-09-17 | 2022-01-11 | 算法应用元生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095258.0A CN113807257A (zh) | 2021-09-17 | 2021-09-17 | 算法应用元生成方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807257A true CN113807257A (zh) | 2021-12-17 |
Family
ID=78895817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095258.0A Withdrawn CN113807257A (zh) | 2021-09-17 | 2021-09-17 | 算法应用元生成方法、装置、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113807257A (zh) |
WO (1) | WO2023040151A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040151A1 (zh) * | 2021-09-17 | 2023-03-23 | 上海商汤智能科技有限公司 | 算法应用元生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
CN115861775A (zh) * | 2022-12-08 | 2023-03-28 | 广州市双照电子科技有限公司 | 一种视频分析方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656810A (zh) * | 2018-11-07 | 2019-04-19 | 深圳市维海德技术股份有限公司 | 一种图像算法的调试方法、调试系统及终端设备 |
CN110390262B (zh) * | 2019-06-14 | 2023-06-30 | 平安科技(深圳)有限公司 | 视频分析方法、装置、服务器及存储介质 |
CN110472516A (zh) * | 2019-07-23 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种人物图像识别系统的构建方法、装置、设备及系统 |
CN111639859A (zh) * | 2020-06-01 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 人工智能ai解决方案的模板生成方法和装置及存储介质 |
CN113807257A (zh) * | 2021-09-17 | 2021-12-17 | 深圳市商汤科技有限公司 | 算法应用元生成方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-09-17 CN CN202111095258.0A patent/CN113807257A/zh not_active Withdrawn
-
2022
- 2022-01-11 WO PCT/CN2022/071450 patent/WO2023040151A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040151A1 (zh) * | 2021-09-17 | 2023-03-23 | 上海商汤智能科技有限公司 | 算法应用元生成方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
CN115861775A (zh) * | 2022-12-08 | 2023-03-28 | 广州市双照电子科技有限公司 | 一种视频分析方法及系统 |
CN115861775B (zh) * | 2022-12-08 | 2024-02-23 | 广州市双照电子科技有限公司 | 一种视频分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023040151A1 (zh) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022037260A1 (zh) | 基于人工智能的多媒体处理方法、装置及电子设备 | |
CN111639287A (zh) | 一种页面处理方法、装置、终端设备及可读存储介质 | |
CN113807257A (zh) | 算法应用元生成方法、装置、设备及计算机可读存储介质 | |
US10762678B2 (en) | Representing an immersive content feed using extended reality based on relevancy | |
CN115061679B (zh) | 离线rpa元素拾取方法及系统 | |
CN102591696A (zh) | 一种手机软件行为数据提取方法及系统 | |
WO2023065746A1 (zh) | 算法应用元生成方法、装置、电子设备、计算机程序产品及计算机可读存储介质 | |
CN113868126A (zh) | 应用调试方法、装置、设备的存储介质 | |
CN112035768A (zh) | 快应用的页面渲染方法、装置、存储介质及电子设备 | |
CN113568841B (zh) | 一种针对小程序的风险检测方法、装置及设备 | |
CN113159091A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN107526623B (zh) | 一种数据处理方法及装置 | |
CN114297700B (zh) | 动静态结合的移动应用隐私协议提取方法及相关设备 | |
CN115640394A (zh) | 文本分类方法、文本分类装置、计算机设备及存储介质 | |
CN113342489A (zh) | 任务处理方法及装置、电子设备和存储介质 | |
Del Sole | Microsoft computer vision APIs distilled: Getting started with cognitive services | |
CN111679828B (zh) | 一种数据处理的方法及装置、电子设备、存储介质 | |
CN116227629B (zh) | 一种信息解析方法、模型训练方法、装置及电子设备 | |
CN115061386B (zh) | 智能驾驶的自动化仿真测试系统及相关设备 | |
CN116226850A (zh) | 应用程序的病毒检测方法、装置、设备、介质及程序产品 | |
CN114675978A (zh) | 算法应用元的运行框架和数据处理方法、设备及存储介质 | |
CN114968198A (zh) | 一种网站开发方法、系统及其存储介质 | |
CN113709575A (zh) | 视频编辑处理方法、装置、电子设备及存储介质 | |
CN113656044A (zh) | 安卓安装包压缩方法、装置、计算机设备及存储介质 | |
CN113326113A (zh) | 任务处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40064030 Country of ref document: HK |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211217 |