CN113887631A - 图像数据处理方法、目标模型的训练方法、装置和设备 - Google Patents

Abstract

本公开提供了一种图像数据处理方法、目标模型的训练方法、装置、设备、介质和产品，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术。图像数据处理方法包括：利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型；利用待验证图像数据验证更新后的目标模型的识别准确度；基于识别准确度，确定待评价图像数据的数据质量。

Description

图像数据处理方法、目标模型的训练方法、装置和设备

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习领域，更具体地，涉及一种图像数据处理方法、目标模型的训练方法、装置、电子设备、介质和程序产品。

背景技术

相关技术中，在训练目标模型时，通常需要利用训练图像数据来进行模型训练。但是，当训练图像数据的数据质量较低时，将影响目标模型的精度，导致目标模型的精度较低。

发明内容

本公开提供了一种图像数据处理方法、目标模型的训练方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种图像数据处理方法，包括：利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型；利用待验证图像数据验证所述更新后的目标模型的识别准确度；基于所述识别准确度，确定所述待评价图像数据的数据质量。

根据本公开的另一方面，提供了一种目标模型的训练方法，包括：将训练图像数据输入待训练目标模型中，其中，所述训练图像数据包括数据质量，所述训练图像数据的数据质量是利用所述图像数据处理方法确定的；基于所述训练图像数据的数据质量，调整所述待训练目标模型的模型参数，得到经训练目标模型。

根据本公开的另一方面，提供了一种图像数据处理装置，包括：更新模块、验证模块以及第一确定模块。更新模块，用于利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型；验证模块，用于利用待验证图像数据验证所述更新后的目标模型的识别准确度；第一确定模块，用于基于所述识别准确度，确定所述待评价图像数据的数据质量。

根据本公开的另一方面，提供了一种目标模型的训练装置，包括：输入模块和调整模块。输入模块，用于将训练图像数据输入待训练目标模型中，其中，所述训练图像数据包括数据质量，所述训练图像数据的数据质量是利用所述图像数据处理装置确定的；调整模块，用于基于所述训练图像数据的数据质量，调整所述待训练目标模型的模型参数，得到经训练目标模型。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和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图像数据处理方法和/或目标模型的训练方法。

根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行上述的图像数据处理方法和/或目标模型的训练方法。

根据本公开的另一方面，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图像数据处理方法和/或目标模型的训练方法。

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。

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示意性示出了根据本公开一实施例的图像数据处理方法和目标模型的训练方法的应用场景；

图2示意性示出了根据本公开一实施例的图像数据处理方法的流程图；

图3示意性示出了根据本公开一实施例的图像数据处理方法的原理图；

图4示意性示出了根据本公开一实施例的目标模型的训练方法的流程图；

图5示意性示出了根据本公开一实施例的图像数据处理装置的框图；

图6示意性示出了根据本公开一实施例的目标模型的训练装置的框图；以及

图7是用来实现本公开实施例的用于执行图像数据处理和/或目标模型的训练方法的电子设备的框图。

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。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种图像数据处理方法，包括：利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型。然后，利用待验证图像数据验证更新后的目标模型的识别准确度。接下来，基于识别准确度，确定待评价图像数据的数据质量。

本公开的实施例提供了一种目标模型的训练方法，包括：将训练图像数据输入待训练目标模型中，其中，训练图像数据包括数据质量，训练图像数据的数据质量是利用图像数据处理方法确定的。然后，基于训练图像数据的数据质量，调整待训练目标模型的模型参数，得到经训练目标模型。

图1示意性示出了根据本公开一实施例的图像数据处理方法和目标模型的训练方法的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，本公开的应用场景100例如包括待评价图像数据111、112、113以及第一目标模型120和第二目标模型140。

示例性地，第一目标模型120可以是目标检测模型，第二目标模型140也可以是目标检测模型。目标检测模型包括但不仅限于Faster RCNN(Faster Regions withConvolutional Neural Networks Features)模型。

第一目标模型120可以是经训练的检测模型。利用第一目标模型120分别对待评价图像数据111、112、113进行数据质量评价，得到每个待评价图像数据的数据质量。示例性地，当待评价图像数据对应的图像的清晰度、分辨率较低时，图像的数据质量较低。

在得到每个待评价图像数据的数据质量之后，将待评价图像数据111、112、113作为训练图像数据131、132、133，每个训练图像数据具有数据质量。然后，利用训练图像数据131、132、133训练第二目标模型140。在利用训练图像数据131、132、133训练第二目标模型140时，可以根据数据质量赋予每个训练图像数据不同的权重，每个训练图像数据的数据质量越低，该训练图像数据的权重越小。在训练第二目标模型140时，权重较低的训练图像数据对第二目标模型140的影响程度较小，从而降低低质量训练图像数据对模型精度的影响，进而提高模型的精度。

本公开实施例提供了一种图像数据处理方法，下面结合图1的应用场景，参考图2～图3来描述根据本公开示例性实施方式的图像数据处理方法。

图2示意性示出了根据本公开一实施例的图像数据处理方法的流程图。

如图2所示，本公开实施例的图像数据处理方法200例如可以包括操作S210～操作S230。

在操作S210，利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型。

在操作S220，利用待验证图像数据验证更新后的目标模型的识别准确度。

在操作S230，基于识别准确度，确定待评价图像数据的数据质量。

示例性地，可以提前训练目标模型。在得到经训练的目标模型之后，可以利用待评价图像数据更新目标模型的模型参数，以便得到更新后的目标模型。例如，将待评价图像数据输入目标模型中，通过目标模型对待评价图像数据进行识别，并根据识别结果调整目标模型的模型参数。

示例性地，目标模型例如包括目标检测模型，目标检测模型包括但不仅限于Faster RCNN模型。利用目标模型对待评价图像数据或待验证图像数据进行处理包括进行图像处理。

在利用待评价图像数据更新目标模型的模型参数之后，需要验证更新后的目标模型的识别准确度，以便确定利用待评价图像数据更新模型参数的更新效果。例如，可以将待验证图像数据输入至更新后的目标模型中进行识别，根据识别结果确定目标模型对待验证图像数据的识别准确度，该识别准确度例如能够表征利用待评价图像数据更新模型参数的更新效果。

在得到识别准确度之后，可以基于识别准确度确定待评价图像数据的数据质量。例如，识别准确度越高，待评价图像数据的数据质量越高。

例如，一个待评价图像数据可以作为一个训练图像数据进行模型训练，在将待评价图像数据作为训练图像数据进行模型训练时，可以根据待评价图像数据的数据质量调整训练过程，以便降低数据质量较低的训练图像数据对模型训练的影响。

根据本公开的实施例，为了确定待评价图像数据的数据质量，利用待评价图像数据调整目标模型的模型参数，得到更新后的目标模型。然后，利用待验证图像数据验证更新后的目标模型的识别准确度，以便确认利用待评价图像数据更新模型参数的更新效果，并基于识别准确度确定待评价图像数据的数据质量。由此可见，通过本公开实施例，提高了数据质量的评价准确性和评价效率。另外，在利用待评价图像数据作为训练图像数据进行模型训练时，可以根据数据质量调整训练过程，以便降低数据质量较低的训练图像数据对模型训练的影响，从而提高模型训练的精度。

图3示意性示出了根据本公开一实施例的图像数据处理方法的原理图。

如图3所示，获取多个目标图像数据310，然后从多个目标图像数据310中确定待评价图像数据。其中，多个目标图像数据310中除待评价图像数据之外的目标图像数据为剩余目标图像数据，目标模型331例如是基于剩余目标图像数据得到的。

例如，多个目标图像数据310中的每个目标图像数据具有数据类别，根据多个目标图像数据310中每个目标图像数据的数据类别，将多个目标图像数据310划分为多个分组321、322、323，多个分组321、322、323中每个分组内的目标图像数据的数据类别一致。数据类别例如包括对象类别，目标图像数据例如包括图像。例如，一个分组内的每个图像所针对的对象例如为同一类别对象，例如分组321针对的对象类别为猫，分组322针对的对象类别为狗。

然后，依次将多个分组321、322、323中的每个分组确定为目标分组，多个分组中除目标分组之外的分组为剩余分组，剩余分组中的目标图像数据为剩余目标图像数据。

例如，第一次将分组321确定为目标分组，分组322、323为剩余分组。利用分组322、323中的目标图像数据训练目标模型331。

在训练得到目标模型331之后，依次将目标分组(分组321)中的每个目标图像数据确定为待评价图像数据。例如，首先将目标图像数据3211确定为待评价图像数据，待评价图像数据例如包括第一数据标签，利用训练得到的目标模型331对待评价图像数据(目标图像数据3211)进行识别处理，得到第一识别结果，并基于第一识别结果和第一数据标签，更新模型参数，得到更新后的目标模型332。基于第一识别结果和第一数据标签更新模型参数，以提高目标模型的识别结果与待评价图像数据的数据标签之间的一致性。

在得到更新后的目标模型332之后，可以利用待验证图像数据340验证更新后的目标模型332得到识别准确度341，该识别准确度341例如是针对目标图像数据3211的。

与目标图像数据3211类似，将目标分组(分组321)中的其他目标图像数据确定为待评价图像数据，利用待评价图像数据更新目标模型331的模型参数，得到更新后的目标模型332。得到更新后的目标模型332之后，利用待验证图像数据340验证更新后的目标模型，从而得到针对目标分组(分组321)中的其他目标图像数据的识别准确度。

例如，待验证图像数据340中的每个待验证图像数据均包括第二数据标签，利用更新后的目标模型332对所每个待验证图像数据进行识别处理，得到第二识别结果。然后，基于第二识别结果和第二数据标签之间的匹配性，确定更新后的目标模型332的识别准确度341。第二识别结果和第二数据标签之间的匹配性越高，表示更新后的目标模型332的识别准确度341越高。

示例性地，待验证图像数据340中的每个待验证图像数据的数据类型例如与目标分组中目标图像数据的数据类型一致。例如，当目标分组中的目标图像数据为针对猫的图像时，待验证图像数据340中的每个待验证图像数据也为针对猫的图像。

在得到目标分组(分组321)中每个目标图像数据的识别准确度之后，可以对识别准确度进行排序，根据排序结果确定针对目标分组(分组321)中每个目标图像数据的数据质量。针对目标图像数据的识别准确度越高，目标图像数据的数据质量也越高。

在得到分组321中每个目标图像数据的数据质量之后，从分组322、323中确定另一个分组作为目标分组，例如第二次确定分组322为目标分组，并将分组321、323作为剩余分组。针对分组322，进行与分组321类似的处理，得到分组322中每个目标图像数据的数据质量。以此类推，直到得到所有分组中每个目标图像数据的数据质量。

经过上述过程，可以得到多个目标图像数据310中每个目标图像数据的数据质量，后续可以将多个目标图像数据310作为训练图像数据进行模型训练。在利用训练图像数据进行模型训练时，可以根据训练图像数据的数据质量调整训练过程，以便降低数据质量较低的训练图像数据对模型训练的影响，从而提高模型训练的精度。

通过本公开的实施例，将多个目标图像数据划分为多个分组，并根据每个分组中目标图像数据的数据类型确定数据类型一致的待验证图像数据进行模型验证，以得到每个分组中目标图像数据的数据质量。由此可见，通过本公开的实施例，针对性地确定每个分组中目标图像数据的数据质量，提高数据质量的准确度。

图4示意性示出了根据本公开一实施例的目标模型的训练方法的流程图。

如图4所示，本公开实施例的目标模型的训练方法400例如可以包括操作S410～操作S420。

在操作S410，将训练图像数据输入待训练目标模型中。

在操作S420，基于训练图像数据的数据质量，调整待训练目标模型的模型参数，得到经训练目标模型。

示例性地，训练图像数据包括数据质量，训练图像数据的数据质量例如是利用上文提及的图像数据处理方法确定的。例如，训练图像数据可以是上文提及的待评价图像数据。待训练目标模型可以是目标检测模型。目标检测模型包括但不仅限于Faster RCNN模型。

可以理解，在利用训练图像数据进行模型训练时，可以根据训练图像数据的数据质量调整训练过程，以便降低数据质量较低的训练图像数据对模型训练的影响，从而提高模型训练的精度。

示例性地，可以利用待训练目标模型对训练图像数据进行识别处理，得到模型损失值。然后，基于训练图像数据的数据质量更新模型损失值。例如，数据质量可以包括权重，将数据质量对应的权重乘以模型损失值，以便更新模型损失值，数据质量越低，对应的权重越小，将数据质量对应的权重乘以模型损失值可以降低模型损失值。接下来，基于更新后的模型损失值，调整待训练目标模型的模型参数，例如基于更新后的模型损失值反向传播，以调整待训练目标模型的模型参数。即，当利用数据质量较低的训练图像数据训练模型时，降低模型损失值，以便降低数据质量较低的训练图像数据对模型训练的影响。

可以理解，在利用训练图像数据训练模型的过程中，基于训练图像数据的数据质量更新模型损失值，实现了降低数据质量较低的训练图像数据对模型训练的影响，从而提高模型训练的精度。

在另一示例中，可以获取多个候选图像数据，多个候选图像数据中的每个候选图像数据包括数据质量。然后，基于每个候选图像数据的数据质量，确定针对每个候选图像数据的采样概率。接下来，基于采样概率，对多个候选图像数据进行数据采样得到训练图像数据。

例如，降低数据质量较低的候选图像数据的采样概率，以便在进行数据采样时，尽量减少将数据质量低的候选图像数据作为训练图像数据，实现在模型训练过程中降低数据质量低的候选图像数据的使用率，以便提高模型训练的精度。

图5示意性示出了根据本公开一实施例的图像数据处理装置的框图。

如图5所示，本公开实施例的图像数据处理装置500例如包括更新模块510、验证模块520和第一确定模块530。

更新模块510可以用于利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型。根据本公开实施例，更新模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。

验证模块520可以用于利用待验证图像数据验证更新后的目标模型的识别准确度。根据本公开实施例，验证模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。

第一确定模块530可以用于基于识别准确度，确定待评价图像数据的数据质量。根据本公开实施例，第一确定模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。

根据本公开的实施例，装置500还可以包括：第一获取模块和第二确定模块。第一获取模块，用于获取多个目标图像数据；第二确定模块，用于从多个目标图像数据中确定待评价图像数据，其中，多个目标图像数据中除待评价图像数据之外的目标图像数据为剩余目标图像数据，目标模型是基于剩余目标图像数据得到的。

根据本公开的实施例，第二确定模块包括：划分子模块、第一确定子模块和第二确定子模块。划分子模块，用于根据多个目标图像数据中每个目标图像数据的数据类别，将多个目标图像数据划分为多个分组，其中，多个分组中每个分组内的目标图像数据的数据类别一致；第一确定子模块，用于依次将多个分组中的每个分组确定为目标分组，其中，多个分组中除目标分组之外的分组为剩余分组，剩余分组中的目标图像数据为剩余目标图像数据；第二确定子模块，用于依次将目标分组中的每个目标图像数据确定为待评价图像数据。

根据本公开的实施例，待评价图像数据包括第一数据标签；更新模块510包括：第一识别子模块和第一更新子模块。第一识别子模块，用于利用目标模型对待评价图像数据进行识别处理，得到第一识别结果；第一更新子模块，用于基于第一识别结果和第一数据标签，更新模型参数。

根据本公开的实施例，待验证图像数据包括第二数据标签；验证模块520包括：第二识别子模块和第三确定子模块。第二识别子模块，用于利用更新后的目标模型对待验证图像数据进行识别处理，得到第二识别结果；第三确定子模块，用于基于第二识别结果和第二数据标签之间的匹配性，确定更新后的目标模型的识别准确度。

图6示意性示出了根据本公开一实施例的目标模型的训练装置的框图。

如图6所示，本公开实施例的目标模型的训练装置600例如包括输入模块610和调整模块620。

输入模块610可以用于将训练图像数据输入待训练目标模型中，其中，训练图像数据包括数据质量，训练图像数据的数据质量是利用上述的图像数据处理装置确定的。根据本公开实施例，输入模块610例如可以执行上文参考图4描述的操作S410，在此不再赘述。

调整模块620可以用于基于训练图像数据的数据质量，调整待训练目标模型的模型参数，得到经训练目标模型。根据本公开实施例，调整模块620例如可以执行上文参考图4描述的操作S420，在此不再赘述。

根据本公开的实施例，调整模块620包括：第三识别子模块、第二更新子模块和调整子模块。第三识别子模块，用于利用待训练目标模型对训练图像数据进行识别处理，得到模型损失值；第二更新子模块，用于基于训练图像数据的数据质量，更新模型损失值；调整子模块，用于基于更新后的模型损失值，调整待训练目标模型的模型参数。

根据本公开的实施例，装置600还可以包括：第二获取模块、第三确定模块和采样模块。第二获取模块，用于获取多个候选图像数据，其中，多个候选图像数据中的每个候选图像数据包括数据质量；第三确定模块，用于基于每个候选图像数据的数据质量，确定针对每个候选图像数据的采样概率；采样模块，用于基于采样概率，对多个候选图像数据进行数据采样，得到训练图像数据。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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是用来实现本公开实施例的用于执行图像数据处理和/或目标模型的训练方法的电子设备的框图。

图7示出了可以用来实施本公开实施例的示例电子设备700的示意性框图。电子设备700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，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702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(RAM)703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。

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，例如图像数据处理方法和/或目标模型的训练方法。例如，在一些实施例中，图像数据处理方法和/或目标模型的训练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图像数据处理方法和/或目标模型的训练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)而被配置为执行图像数据处理方法和/或目标模型的训练方法。

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、现场可编程门阵列(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图像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 (19)

1.一种图像数据处理方法，包括：

利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型；

利用待验证图像数据验证所述更新后的目标模型的识别准确度；以及

基于所述识别准确度，确定所述待评价图像数据的数据质量。

2.根据权利要求1所述的方法，还包括：

获取多个目标图像数据；以及

从所述多个目标图像数据中确定所述待评价图像数据，

其中，所述多个目标图像数据中除所述待评价图像数据之外的目标图像数据为剩余目标图像数据，所述目标模型是基于所述剩余目标图像数据得到的。

3.根据权利要求2所述的方法，其中，所述从所述多个目标图像数据中确定所述待评价图像数据包括：

根据所述多个目标图像数据中每个目标图像数据的数据类别，将所述多个目标图像数据划分为多个分组，其中，所述多个分组中每个分组内的目标图像数据的数据类别一致；

依次将所述多个分组中的每个分组确定为目标分组，其中，所述多个分组中除所述目标分组之外的分组为剩余分组，所述剩余分组中的目标图像数据为所述剩余目标图像数据；以及

依次将所述目标分组中的每个目标图像数据确定为所述待评价图像数据。

4.根据权利要求1-3中任意一项所述的方法，其中，所述待评价图像数据包括第一数据标签；所述利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型包括：

利用所述目标模型对所述待评价图像数据进行识别处理，得到第一识别结果；以及

基于所述第一识别结果和所述第一数据标签，更新所述模型参数。

5.根据权利要求1-4中任意一项所述的方法，其中，所述待验证图像数据包括第二数据标签；所述利用待验证图像数据验证所述更新后的目标模型的识别准确度包括：

利用更新后的目标模型对所述待验证图像数据进行识别处理，得到第二识别结果；以及

基于所述第二识别结果和所述第二数据标签之间的匹配性，确定更新后的目标模型的识别准确度。

6.一种目标模型的训练方法，包括：

将训练图像数据输入待训练目标模型中，其中，所述训练图像数据包括数据质量，所述训练图像数据的数据质量是利用权利要求1-5中任意一项所述的方法确定的；以及

基于所述训练图像数据的数据质量，调整所述待训练目标模型的模型参数，得到经训练目标模型。

7.根据权利要求6所述的方法，其中，所述基于所述训练图像数据的数据质量，调整所述待训练目标模型的模型参数包括：

利用所述待训练目标模型对所述训练图像数据进行识别处理，得到模型损失值；

基于所述训练图像数据的数据质量，更新所述模型损失值；以及

基于更新后的模型损失值，调整所述待训练目标模型的模型参数。

8.根据权利要求6或7所述的方法，还包括：

获取多个候选图像数据，其中，所述多个候选图像数据中的每个候选图像数据包括数据质量；

基于所述每个候选图像数据的数据质量，确定针对所述每个候选图像数据的采样概率；以及

基于所述采样概率，对所述多个候选图像数据进行数据采样，得到所述训练图像数据。

9.一种图像数据处理装置，包括：

更新模块，用于利用待评价图像数据更新目标模型的模型参数，得到更新后的目标模型；

验证模块，用于利用待验证图像数据验证所述更新后的目标模型的识别准确度；以及

第一确定模块，用于基于所述识别准确度，确定所述待评价图像数据的数据质量。

10.根据权利要求9所述的装置，还包括：

第一获取模块，用于获取多个目标图像数据；以及

第二确定模块，用于从所述多个目标图像数据中确定所述待评价图像数据，

其中，所述多个目标图像数据中除所述待评价图像数据之外的目标图像数据为剩余目标图像数据，所述目标模型是基于所述剩余目标图像数据得到的。

11.根据权利要求10所述的装置，其中，所述第二确定模块包括：

划分子模块，用于根据所述多个目标图像数据中每个目标图像数据的数据类别，将所述多个目标图像数据划分为多个分组，其中，所述多个分组中每个分组内的目标图像数据的数据类别一致；

第一确定子模块，用于依次将所述多个分组中的每个分组确定为目标分组，其中，所述多个分组中除所述目标分组之外的分组为剩余分组，所述剩余分组中的目标图像数据为所述剩余目标图像数据；以及

第二确定子模块，用于依次将所述目标分组中的每个目标图像数据确定为所述待评价图像数据。

12.根据权利要求9-11中任意一项所述的装置，其中，所述待评价图像数据包括第一数据标签；所述更新模块包括：

第一识别子模块，用于利用所述目标模型对所述待评价图像数据进行识别处理，得到第一识别结果；以及

第一更新子模块，用于基于所述第一识别结果和所述第一数据标签，更新所述模型参数。

13.根据权利要求9-12中任意一项所述的装置，其中，所述待验证图像数据包括第二数据标签；所述验证模块包括：

第二识别子模块，用于利用更新后的目标模型对所述待验证图像数据进行识别处理，得到第二识别结果；以及

第三确定子模块，用于基于所述第二识别结果和所述第二数据标签之间的匹配性，确定更新后的目标模型的识别准确度。

14.一种目标模型的训练装置，包括：

输入模块，用于将训练图像数据输入待训练目标模型中，其中，所述训练图像数据包括数据质量，所述训练图像数据的数据质量是利用权利要求9-13中任意一项所述的装置确定的；以及

调整模块，用于基于所述训练图像数据的数据质量，调整所述待训练目标模型的模型参数，得到经训练目标模型。

15.根据权利要求14所述的装置，其中，所述调整模块包括：

第三识别子模块，用于利用所述待训练目标模型对所述训练图像数据进行识别处理，得到模型损失值；

第二更新子模块，用于基于所述训练图像数据的数据质量，更新所述模型损失值；以及

调整子模块，用于基于更新后的模型损失值，调整所述待训练目标模型的模型参数。

16.根据权利要求14或15所述的装置，还包括：

第二获取模块，用于获取多个候选图像数据，其中，所述多个候选图像数据中的每个候选图像数据包括数据质量；

第三确定模块，用于基于所述每个候选图像数据的数据质量，确定针对所述每个候选图像数据的采样概率；以及

采样模块，用于基于所述采样概率，对所述多个候选图像数据进行数据采样，得到所述训练图像数据。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，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1-8中任一项所述的方法。

Images