CN114065244A - 一种数据处理方法、装置、设备及存储介质 - Google Patents
一种数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114065244A CN114065244A CN202111350083.3A CN202111350083A CN114065244A CN 114065244 A CN114065244 A CN 114065244A CN 202111350083 A CN202111350083 A CN 202111350083A CN 114065244 A CN114065244 A CN 114065244A
- Authority
- CN
- China
- Prior art keywords
- file
- face recognition
- model
- npu
- general
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种数据处理方法、装置、设备及存储介质,涉及人工智能技术领域,具体涉及深度学习和计算机视觉技术领域,可用于人脸识别场景。具体实现方案为:从通用人脸识别工具包中获取通用模型文件;根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件;根据所述目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。根据本公开的技术,不同类型的NPU能够兼容同一人脸识别工具包,为执行人脸识别任务提供了一种新思路。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习和计算机视觉技术领域,可应用于人脸识别场景。
背景技术
随着互联网和人工智能技术的发展,人脸识别已广泛应用于人们生产生活的方方面面。目前人脸识别任务是通过安装有人脸识别工具包和网络处理器(Neural-networkProcessing Unit,NPU)的终端设备来实现。
发明内容
本公开提供了一种数据处理方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种数据处理方法,该方法包括:
从通用人脸识别工具包中获取通用模型文件;
根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件;
根据所述目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
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本公开任一实施例所述的数据处理方法。
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,其中,所述计算机指令用于使计算机执行本公开任一实施例所述的数据处理方法。
根据本公开的技术,不同类型的NPU能够兼容同一人脸识别工具包,为执行人脸识别任务提供了一种新思路。
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是根据本公开实施例提供的一种数据处理方法的流程图;
图2是根据本公开实施例提供的另一种数据处理方法的流程图;
图3是根据本公开实施例提供的又一种数据处理方法的流程图;
图4是根据本公开实施例提供的一种数据处理装置的结构示意图;
图5是用来实现本公开实施例的数据处理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。
随着互联网和人工智能技术的发展,人脸识别已广泛应用于人们生产生活的方方面面。目前人脸识别任务是通过安装有人脸识别工具包和网络处理器(Neural-networkProcessing Unit,NPU)的终端设备来实现。其中,人脸识别工具包即为涉及人脸识别数据的软件开发工具包SDK。
目前,开发NPU的厂商越来越多,不同厂商所开发的NPU类型不同。在执行人脸识别任务时,一种类型的NPU需要强关联一种SDK。因此,安装不同类型的NPU的终端设备,需要配置不同的SDK,存在开发成本高和维护难度大等问题。基于此,本公开提供了一种不同类型的NPU能够兼容同一SDK的解决方案。
图1是根据本公开实施例提供的一种数据处理方法的流程图,该方法适用于如何进行数据处理的情况,尤其适用于不同类型的NPU如何通过同一SDK实现人脸识别任务的情况。该方法可以由数据处理装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成数据处理功能的电子设备中。可选的,本实施例的电子设备可以包括通用人脸识别工具包(即通用SDK)、适配层、NPU驱动和NPU等。其中,适配层向上对通用SDK暴露统一的预测C++接口,向下通过接口与NPU驱动对接。进一步的,不同类型的NPU需要不同的NPU驱动,也就是说,本实施例的适配层能够对接不同的NPU驱动。具体的,本实施例可由电子设备中的适配层执行。如图1所示,本实施例的数据处理方法可以包括:
S101,从通用人脸识别工具包中获取通用模型文件。
本实施例中,通用人脸识别工具包即通用SDK,具体为不同类型的NPU均可通过适配层兼容的一种SDK。可选的,通用SDK中包括通用模型文件;所谓通用模型文件即为包括人脸识别模型相关数据的文件。
具体的,在监测到模型初始化事件时,可从电子设备本地所存储的通用SDK中获取通用模型文件。其中,监测到模型初始化事件可以是监测到用户第一次使用电子设备中的人脸识别功能,或者还可以是监测到电子设备中的NPU驱动已升级等。
S102,根据网络处理器NPU类型,对通用模型文件进行转换,得到目标文件。
本实施例中,S102中的NPU类型即为电子设备中所安装的NPU的类型。可选的,对NPU的划分规则可以有很多种,例如可根据NPU型号将NPU划分为多个类型;或者,还可以根据NPU所属厂商将NPU划分为多个类型等。
具体的,在根据NPU类型,对通用模型文件进行转换时,可以先确定电子设备中所安装的NPU类型。例如,可以根据NPU属性,获取NPU型号和/或NPU所属厂商,进而基于NPU划分规则,可确定电子设备中所安装的NPU类型。
在确定电子设备中所安装的NPU类型之后,可以根据预先设置的NPU类型与转换逻辑之间的关联关系,确定该NPU类型所对应的转换逻辑,即将通用模型文件转换为该类型NPU所支持格式的逻辑。并调用该转换逻辑,对通用模型文件进行转换,得到目标文件。
S103,根据目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
可选的,本实施例中的人脸识别模型是用于执行人脸识别任务的神经网络系统,即检测图像是否为人脸图像,以及识别该人脸图像对应的用户身份。该模型至少包括人脸识别环节,还可以包括:人脸检测、人脸对齐、质量评估和活体检测等环节中的至少一种。每个环节对应至少一个子模型。
可选的,在得到电子设备中NPU所能够支持的目标文件之后,可以通过对接NPU驱动的接口将目标文件传输至电子设备中的NPU驱动,由NPU驱动根据目标文件对人脸识别模型进行初始化。具体的,NPU驱动可以基于电子设备中NPU所支持的初始化方式,根据目标文件对人脸识别模型进行初始化。
进一步的,在对人脸识别模型进行初始化之后,NPU驱动可以调用NPU基于初始化后的人脸识别模型执行人脸识别任务。
本公开实施例提供的技术方案,通过根据NPU类型,对通用SDK中的通用模型文件进行转换得到目标文件,并根据目标文件对人脸识别模型进行初始化,以使NPU能够基于初始化的人脸识别模型执行人脸识别任务。上述方案,能够基于NPU类型对SDK中通用模型文件进行转换,来适配不同类型的NPU,实现了不同类型的NPU能够兼容同一SDK的效果;同时,相比于现有一种类型NPU强关联一种SDK而言,实现了NPU与SDK之间的解耦,降低了SDK的开发和维护成本。此外,不同类型的NPU能够兼容同一SDK,便于不同电子设备之间模型识别精度的对齐等。
可选的,为了避免从提供通用SDK的一方下载通用SDK的过程中,通用模型文件被外界攻击等遭到破坏,以保证通用模型文件的安全性和完整性,还可以对通用人脸识别工具包中的通用模型文件进行加密,进而从通用人脸识别工具包中获取通用模型文件可以是:从通用人脸识别工具包中获取加密文件;对加密文件进行解密,得到通用模型文件。
具体可以是,在监测到模型初始化事件时,从电子设备本地所存储的通用SDK中获取加密文件;获取解密密钥,并采用解密密钥对加密文件进行解密,得到通用模型文件。其中,获取解密密钥可以是从通用SDK中获取解密密钥,还可以是从提供通用SDK的一方获取解密密钥等。
图2是根据本公开实施例提供的另一种数据处理方法的流程图,本实施例在上述实施例的基础上,进一步对如何“根据NPU类型,对通用模型文件进行转换,得到目标文件”进行详细解释说明。如图2所示,本实施例提供的数据处理方法可以包括:
S201,从通用人脸识别工具包中获取通用模型文件。
S202,根据网络处理器NPU类型,确定转换逻辑。
本实施例中,转换逻辑可以是将通用模型文件转换为电子设备中NPU所能够支持的目标文件的处理逻辑。例如可以包括对通用模型文件中函数(具体可以包括函数名称和声明等)的处理逻辑。
可选的,可预先存储不同NPU类型与转换逻辑之间的关联关系。进而在确定电子设备中所安装的NPU类型之后,可以以所确定的NPU类型为索引,从预先存储的NPU类型与转换逻辑之间的关联关系中查找,以确定电子设备中所安装的NPU类型对应的转换逻辑。
进一步的,在未存储NPU类型与转换逻辑之间的关联关系,或者未从存储的NPU类型与转换逻辑之间的关联关系中查找到电子设备中所安装的NPU类型对应的转换逻辑的情况下,可以与NPU提供方(即提供电子设备中所安装NPU的厂商)进行交互,以确定电子设备中所安装的NPU类型对应的转换逻辑。
S203,采用转换逻辑,对通用模型文件进行转换,得到目标文件。
具体的,在确定转换逻辑之后,可以采用转换逻辑,对通用模型文件进行转换,以得到目标文件。
进一步的,通用模型文件中包括人脸识别模型相关数据,具体可以包括模型参数和计算图。其中,所谓计算图即为实现人脸识别模型的相关函数按照执行顺序所生成的计算图谱;可选的,计算图包括所有可执行运算符集对象,具体包括可执行函数以及可执行函数之间的执行顺序;模型参数包括可执行函数所依赖的参数。
进而,作为本公开实施例的一种可实施方式,可以采用转换逻辑,对通用模型文件中的计算图进行转换,得到目标图;将目标图,以及通用模型文件中的模型参数,作为目标文件。
具体可以是,采用转换逻辑,对通用模型文件中的计算图进行转换。例如,可以是对计算图中可执行函数的名称、声明等格式进行转换,还可以是对计算图中可执行函数的顺序进行调整等。在对通用模型文件中的计算图进行转换得到目标图之后,可以直接将目标图,以及通用模型文件中的模型参数一并作为目标文件。
需要说明的是,本实施例中基于转换逻辑仅对通用模型文件中的计算图进行转换,在保证能够得到电子设备中NPU所支持的目标文件的情况下,降低了转换操作的复杂度。
S204,根据目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
本公开实施例提供的技术方案,通过根据NPU类型确定转换逻辑,进而根据转换逻辑对通用SDK中的通用模型文件进行转换得到目标文件,并根据目标文件对人脸识别模型进行初始化,以使NPU能够基于初始化的人脸识别模型执行人脸识别任务。上述方案,通过引入转换逻辑对通用模型文件进行转换,为基于通用模型文件确定目标文件提供了一种新思路,同时为通用SDK能够适配不同类型的NPU提供了数据支撑。
图3是根据本公开实施例提供的又一种数据处理方法的流程图,本实施例在上述实施例的基础上,在人脸识别模型包括至少两个子模型的情况下,进一步对如何“根据NPU类型,对通用模型文件进行转换,得到目标文件”进行详细解释说明。如图3所示,本实施例提供的数据处理方法可以包括:
S301,从通用人脸识别工具包中获取通用模型文件。
S302,确定人脸识别模型待初始化的子模型。
一种可实施方式,在人脸识别模型包括至少两个子模型的情况下,可以根据用户的人脸识别需求,从至少两个子模型中确定待初始化的子模型。例如,若用户的人脸识别需求包括人脸识别、人脸对齐和质量评估等环节,则可以将人脸识别环节所对应的子模型、人脸对齐环节所对应的子模型、以及质量评估环节所对应的子模型作为待初始化的子模型。
又一种可实施方式,在人脸识别模型包括至少两个子模型的情况下,可以根据电子设备中所安装的NPU的硬件能力,以及每个子模型对硬件资源的消耗情况等,从至少两个子模型中确定待初始化的子模型。
需要说明的是,还可以采用其他方式来确定人脸识别模型待初始化的子模型,本实施例对此不做限定。
S303,根据网络处理器NPU类型,确定待初始化的子模型的转换逻辑。
在本实施例中,所谓待初始化的子模型的转换逻辑即为对待初始化的子模型对应的通用模型文件进行转换的处理逻辑。可选的,所有待初始化的子模型的转换逻辑相同,或者每个待初始化的子模型的转换逻辑不同。
在一种可实施方式中,在所有待初始化的子模型的转换逻辑相同的情况下,根据NPU类型确定待初始化的子模型的转换逻辑,与上述实施例中所陈述的根据NPU类型确定转换逻辑的方式相同。例如,可以以所确定的NPU类型为索引,从预先存储的NPU类型与转换逻辑之间的关联关系中查找,以确定电子设备中所安装的NPU类型对应的转换逻辑,即待初始化的子模型的转换逻辑。
在又一种可实施方式中,在每个待初始化的子模型的转换逻辑不同的情况下,可以以所确定的NPU类型为索引,从预先存储的NPU类型与转换逻辑之间的关联关系中查找,以确定电子设备中所安装的NPU类型对应的转换逻辑(此时可以称为完整转换逻辑);之后,从完整转换逻辑中提取待初始化的子模型的转换逻辑。
S304,采用转换逻辑,对待初始化的子模型对应的通用模型文件进行转换,得到目标文件。
可选的,在人脸识别模型包括至少两个子模型的情况下,每一子模型对应一个通用模型文件,每一通用模型文件中包括模型参数和计算图。
进而,在确定待初始化的子模型的转换逻辑之后,可以先从S301获取的通用模型文件中提取S303所确定的待初始化的子模型对应的通用模型文件,再采用转换逻辑,对待初始化的子模型对应的通用模型文件中的计算图进行转换,得到目标图;将目标图,以及待初始化的子模型对应的通用模型文件中的模型参数,作为目标文件。
S305,根据目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
本公开实施例提供的技术方案,在人脸识别模型包括至少两个子模型的情况下,通过确定人脸识别模型待初始化的子模型,并根据NPU类型确定待初始化的子模型的转换逻辑,之后基于所确定的转换逻辑,对通用SDK中待初始化的子模型对应的通用模型文件进行转换得到目标文件,并根据目标文件对人脸识别模型进行初始化,以使NPU能够基于初始化的人脸识别模型执行人脸识别任务。上述方案,通过有针对性的对人脸识别模型中的子模型进行初始化,满足了用户的多样化需求,增加了人脸识别功能的智能化程度。
可选的,在上述任一实施例的基础上,在对人脸识别模型进行初始化之后,还可以对初始化后的人脸识别模型进行更新。例如可以是若监测到更新事件,则根据通用模型文件中已更新的模型参数,对初始化后的人脸识别模型进行更新。在本实施例中,监测到更新事件可以是监测到通用SDK发生更新,具体为通用SDK中的通用模型文件中模型参数发生更新,或者可以是监测到当前时间满足设定更新周期等。
具体可以是,在监测到更新事件的情况下,可以从通用SDK的通用模型文件中获取已更新的模型参数;通过对接NPU驱动的接口,将已更新的模型参数传输至NPU驱动,由NPU驱动根据已更新的模型参数对初始化后的人脸识别模型进行更新。
需要说明的是,目前不同类型的NPU需配置不同的SDK,进而在对人脸识别模型进行更新时,需要对不同的SDK分别进行更新,存在维护成本高的问题;进一步的,若有些SDK进行了更新,有些SDK未进行更新,此时还存在不同电子设备之间模型识别精度难以对齐的缺陷。
而实施例不同类型的NPU能够兼容同一通用SDK,进而在对人脸识别模型进行更新时,只需对通用SDK进行更新即可,降低了维护成本;同时,便于不同电子设备之间模型识别精度的对齐。
进一步的,在上述任一实施例的基础上,在对人脸识别模型进行初始化之后,还可以基于初始化后的人脸识别模型执行人脸识别任务。例如可以是根据NPU类型,对待识别图像进行格式转换,得到目标图像;通过NPU基于初始化后的人脸识别模型对目标图像进行人脸识别。本实施例中,待识别图像可以是用户提供的需要进行人脸识别的图像;或者还可以是基于用户提供的地址所获取的图像等。
具体可以是,在确定具有人脸识别任务的情况下,根据NPU类型,确定NPU所能够支持的图像格式;确定待识别图像的格式是否与NPU所能够支持的图像格式相匹配;若否,则根据NPU所能够支持的图像格式,对待识别图像的格式进行转换,得到目标图像;之后,将目标图像传输至NPU驱动,由NPU驱动调用NPU基于初始化后的人脸识别模型对目标图像进行人脸识别。
进一步,若待识别图像的格式与NPU所能够支持的图像格式相匹配,则直接将待识别图像传输至NPU驱动,由NPU驱动调用NPU基于初始化后的人脸识别模型对待识别图像进行人脸识别。
需要说明的是,本实施例中通过增加对图像进行格式转换的操作,保证了人脸识别模型能够对不同格式的图像进行识别,扩宽了人脸识别模型的数据处理范围。
图4是根据本公开实施例提供的一种数据处理装置的结构示意图。本公开实施例适用于如何对数据进行处理的情况,尤其适用于不同类型的NPU如何通过同一SDK实现人脸识别任务的情况。该装置可以采用软件和/或硬件来实现,该装置可以实现本公开任意实施例所述的数据处理方法。如图4所示,该数据处理装置包括:
文件获取模块401,用于从通用人脸识别工具包中获取通用模型文件;
文件转换模块402,用于根据网络处理器NPU类型,对通用模型文件进行转换,得到目标文件;
初始化模块403,用于根据目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
本公开实施例提供的技术方案,通过根据NPU类型,对通用SDK中的通用模型文件进行转换得到目标文件,并根据目标文件对人脸识别模型进行初始化,以使NPU能够基于初始化的人脸识别模型执行人脸识别任务。上述方案,能够基于NPU类型对SDK中通用模型文件进行转换,来适配不同类型的NPU,实现了不同类型的NPU能够兼容同一SDK的效果;同时,相比于现有一种类型NPU强关联一种SDK而言,实现了NPU与SDK之间的解耦,降低了SDK的开发和维护成本。此外,不同类型的NPU能够兼容同一SDK,便于不同电子设备之间模型识别精度的对齐等。
示例性的,文件转换模块402包括:
转换逻辑确定单元,用于根据网络处理器NPU类型,确定转换逻辑;
文件转换单元,用于采用转换逻辑,对通用模型文件进行转换,得到目标文件。
示例性的,文件转换单元具体用于:
采用转换逻辑,对通用模型文件中的计算图进行转换,得到目标图;
将目标图,以及通用模型文件中的模型参数,作为目标文件。
示例性的,人脸识别模型包括至少两个子模型;
相应的,文件转换模块402具体用于:
确定人脸识别模型待初始化的子模型;
根据网络处理器NPU类型,确定待初始化的子模型的转换逻辑;
采用转换逻辑,对待初始化的子模型对应的通用模型文件进行转换,得到目标文件。
示例性的,上述装置还包括:
更新模块,用于若监测到更新事件,则根据通用模型文件中已更新的模型参数,对初始化后的人脸识别模型进行更新。
示例性的,上述装置还包括:
图像转换模块,用于根据NPU类型,对待识别图像进行格式转换,得到目标图像;
识别模块,用于通过NPU基于初始化后的人脸识别模型对目标图像进行人脸识别。
示例性的,文件获取模块401具体用于:
从通用人脸识别工具包中获取加密文件;
对加密文件进行解密,得到通用模型文件。
上述产品可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的待识别图像等的收集、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5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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501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501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501执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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,本发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)
1.一种数据处理方法,包括:
从通用人脸识别工具包中获取通用模型文件;
根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件;
根据所述目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
2.根据权利要求1所述的方法,其中,所述根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件,包括:
根据网络处理器NPU类型,确定转换逻辑;
采用所述转换逻辑,对所述通用模型文件进行转换,得到目标文件。
3.根据权利要求2所述的方法,其中,所述采用所述转换逻辑,对所述通用模型文件进行转换,得到目标文件,包括:
采用所述转换逻辑,对所述通用模型文件中的计算图进行转换,得到目标图;
将所述目标图,以及所述通用模型文件中的模型参数,作为目标文件。
4.根据权利要求1所述的方法,其中,所述人脸识别模型包括至少两个子模型;
相应的,所述根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件,包括:
确定所述人脸识别模型待初始化的子模型;
根据网络处理器NPU类型,确定所述待初始化的子模型的转换逻辑;
采用所述转换逻辑,对所述待初始化的子模型对应的通用模型文件进行转换,得到目标文件。
5.根据权利要求1所述的方法,还包括:
若监测到更新事件,则根据所述通用模型文件中已更新的模型参数,对初始化后的人脸识别模型进行更新。
6.根据权利要求1所述的方法,还包括:
根据所述NPU类型,对待识别图像进行格式转换,得到目标图像;
通过NPU基于初始化后的人脸识别模型对所述目标图像进行人脸识别。
7.根据权利要求1所述的方法,其中,所述从通用人脸识别工具包中获取通用模型文件,包括:
从通用人脸识别工具包中获取加密文件;
对所述加密文件进行解密,得到通用模型文件。
8.一种数据处理装置,包括:
文件获取模块,用于从通用人脸识别工具包中获取通用模型文件;
文件转换模块,用于根据网络处理器NPU类型,对所述通用模型文件进行转换,得到目标文件;
初始化模块,用于根据所述目标文件对人脸识别模型进行初始化,以使NPU基于初始化后的人脸识别模型执行人脸识别任务。
9.根据权利要求8所述的装置,其中,所述文件转换模块包括:
转换逻辑确定单元,用于根据网络处理器NPU类型,确定转换逻辑;
文件转换单元,用于采用所述转换逻辑,对所述通用模型文件进行转换,得到目标文件。
10.根据权利要求9所述的装置,其中,所述文件转换单元具体用于:
采用所述转换逻辑,对所述通用模型文件中的计算图进行转换,得到目标图;
将所述目标图,以及所述通用模型文件中的模型参数,作为目标文件。
11.根据权利要求8所述的装置,其中,所述人脸识别模型包括至少两个子模型;
相应的,所述文件转换模块具体用于:
确定所述人脸识别模型待初始化的子模型;
根据网络处理器NPU类型,确定所述待初始化的子模型的转换逻辑;
采用所述转换逻辑,对所述待初始化的子模型对应的通用模型文件进行转换,得到目标文件。
12.根据权利要求8所述的装置,还包括:
更新模块,用于若监测到更新事件,则根据所述通用模型文件中已更新的模型参数,对初始化后的人脸识别模型进行更新。
13.根据权利要求8所述的装置,还包括:
图像转换模块,用于根据所述NPU类型,对待识别图像进行格式转换,得到目标图像;
识别模块,用于通过NPU基于初始化后的人脸识别模型对所述目标图像进行人脸识别。
14.根据权利要求8所述的装置,其中,所述文件获取模块具体用于:
从通用人脸识别工具包中获取加密文件;
对所述加密文件进行解密,得到通用模型文件。
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1-7中任一项所述的数据处理方法。
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计算机执行根据权利要求1-7中任一项所述的数据处理方法。
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1-7中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350083.3A CN114065244A (zh) | 2021-11-15 | 2021-11-15 | 一种数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350083.3A CN114065244A (zh) | 2021-11-15 | 2021-11-15 | 一种数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065244A true CN114065244A (zh) | 2022-02-18 |
Family
ID=80272126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111350083.3A Pending CN114065244A (zh) | 2021-11-15 | 2021-11-15 | 一种数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065244A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200115A (zh) * | 2020-10-21 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 人脸识别训练方法、识别方法、装置、设备及存储介质 |
CN113033373A (zh) * | 2021-03-19 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型及识别人脸的方法及相关装置 |
WO2021217367A1 (zh) * | 2020-04-27 | 2021-11-04 | 华为技术有限公司 | 一种开启应用程序的方法、装置及终端 |
-
2021
- 2021-11-15 CN CN202111350083.3A patent/CN114065244A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217367A1 (zh) * | 2020-04-27 | 2021-11-04 | 华为技术有限公司 | 一种开启应用程序的方法、装置及终端 |
CN112200115A (zh) * | 2020-10-21 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 人脸识别训练方法、识别方法、装置、设备及存储介质 |
CN113033373A (zh) * | 2021-03-19 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型及识别人脸的方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
YANNING ZHANG; ZHE GUO; ZENGGANG LIN; HONGXIA ZHANG; CHAO ZHANG: "The NPU Multi-case Chinese 3D Face Database and Information Processing", 《CHINESE JOURNAL OF ELECTRONICS》, vol. 21, 30 April 2012 (2012-04-30), pages 283 * |
解谦;张睿;刘红;: "移动智能终端基于神经网络的人工智能技术与应用", 信息通信技术与政策, no. 12, 15 December 2019 (2019-12-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4109347A2 (en) | Method for processing multimodal data using neural network, device, and medium | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
EP4116940A2 (en) | Method and apparatus for processing image, electronic device and storage medium | |
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
CN113766487B (zh) | 云手机信息获取方法、装置、设备和介质 | |
CN113139660A (zh) | 模型推理方法、装置、电子设备及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN114417780B (zh) | 状态同步方法、装置、电子设备及存储介质 | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN115273148B (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN116127319A (zh) | 多模态负样本构建、模型预训练方法、装置、设备及介质 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN114065244A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114445668A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
US11772681B2 (en) | Method and apparatus for processing autonomous driving simulation data, and electronic device | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114118356B (zh) | 神经网络处理器验证方法、装置、电子设备及存储介质 |
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 |