CN114463656A - 检测模型训练方法、装置、设备及存储介质 - Google Patents
检测模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114463656A CN114463656A CN202011142598.XA CN202011142598A CN114463656A CN 114463656 A CN114463656 A CN 114463656A CN 202011142598 A CN202011142598 A CN 202011142598A CN 114463656 A CN114463656 A CN 114463656A
- Authority
- CN
- China
- Prior art keywords
- image sample
- preset
- target
- trained
- detection model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 339
- 238000012549 training Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种检测模型训练方法、装置、设备及存储介质，涉及目标检测技术领域，该方法包括：通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。在本发明中，通过预设图像检测模型对海量的图像样本进行筛选、标记；再选取识别结果中分值较高的图像样本作为待训练检测网络的输入样本，从而减少人工标记工作，节约人力，提高了模型训练效率。
Description
技术领域
本发明涉及目标检测技术领域，尤其涉及一种检测模型训练方法、装置、设备及存储介质。
背景技术
为提高检测模型的识别精度，通常采用的方式为提高检测模型本身的参数量，通过大模型提高检测精度；或者通过大量的训练样本，对模型进行反复迭代，以提高检测精度。另一方面，为了保证检测的实时性，通常检测模型需要在前端运行，但由于前端算力有限，无法采用大模型。若为了提高前端的检测精度，通常采用大量训练样本进行检测模型训练。但对海量训练样本进行人工标记费时费力，模型训练效率低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种检测模型训练方法、装置、设备及存储介质，旨在解决现有技术中对海量训练样本进行人工标记费时费力，模型训练效率低的技术问题。
为实现上述目的，本发明提供一种检测模型训练方法，所述检测模型训练方法包括以下步骤：
通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
可选的，所述根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本，包括：
根据所述分值确定各图像样本中各回归框对应的分值；
判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
可选的，所述在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本，包括：
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；
计算所述待选图像样本的回归框中所述目标回归框的占比值；
判断所述占比值是否小于预设占比值；
在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
可选的，所述判断所述占比值是否小于预设占比值之后，还包括：
在所述占比值大于或等于所述预设占比值时，判断所述待选图像样本中各回归框对应的分值是否小于第一预设参考值，所述第一预设参考值大于所述预设标准值；
在存在小于所述第一预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
可选的，所述在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本，包括：
在所述占比值小于所述预设占比值时，获取所述待选图像样本中所述目标回归框的数量；
判断所述目标回归框的数量是否大于或等于预设数量；
在所述目标回归框的数量大于或等于所述预设数量时，将所述待选图像样本中非目标回归框对应的标记信息进行删除，获得目标图像样本。
可选的，所述判断所述目标回归框的数量是否大于预设数量之后，还包括：
在所述目标回归框的数量小于所述预设数量时，判断所述待选图像样本中各回归框对应的分值是否小于第二预设参考值，所述第二预设参考值小于所述预设标准值；
在存在小于所述第二预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
可选的，所述通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值之前，还包括：
获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；
将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
可选的，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型，包括：
根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；
将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
可选的，所述通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值之前，还包括：
获取预设行车记录仪数据库中的行车视频；
根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
可选的，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型，包括：
将所述目标图像样本作为待训练检测网络的输入样本，以使所述待训练检测网络对所述目标图像样本进行识别，获得识别结果；
获取所述目标图像样本对应的标记信息，并根据所述标记信息和所述识别结果确定误差参数；
根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型。
可选的，所述根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型之前，还包括：
根据所述误差参数确定所述待训练检测网络的识别精度；
判断所述识别精度是否大于或等于预设精度；
在所述识别精度小于所述预设精度时，执行所述根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型的步骤。
可选的，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型之后，还包括：
获取待检测车辆图像，并通过所述目标检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；
将所述车辆行车参数与预设阈值进行比较，在所述车辆行车参数达到所述预设阈值时，进行报警。
此外，为实现上述目的，本发明还提出一种检测模型训练装置，所述检测模型训练装置包括：
预识别模块，用于通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
筛选模块，用于根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
训练模块，用于将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
可选的，所述筛选模块，还用于根据所述分值确定各图像样本中各回归框对应的分值；
所述筛选模块，还用于判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；
所述筛选模块，还用于在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
可选的，所述筛选模块，还用于在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；
所述筛选模块，还用于计算所述待选图像样本的回归框中所述目标回归框的占比值；
所述筛选模块，还用于判断所述占比值是否小于预设占比值；
所述筛选模块，还用于在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
可选的，所述检测模型训练装置还包括预训练模块：
所述预训练模块，用于获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；
所述预训练模块，还用于将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
可选的，所述检测模型训练装置还包括图像采集模块：
所述图像采集模块，用于获取预设行车记录仪数据库中的行车视频；
所述图像采集模块，还用于根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
可选的，所述训练模块，还用于根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；
所述训练模块，还用于将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
此外，为实现上述目的，本发明还提出一种检测模型训练设备，所述检测模型训练设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的检测模型训练程序，所述检测模型训练程序配置为实现如上文所述的检测模型训练方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有检测模型训练程序，所述检测模型训练程序被处理器执行时实现如上文所述的检测模型训练方法的步骤。
在本发明中，通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。在本发明中，通过预设图像检测模型对海量的图像样本进行筛选、标记；再选取识别结果中分值较高的图像样本作为待训练检测网络的输入样本，从而减少人工标记工作，节约人力，提高了模型训练效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的检测模型训练设备的结构示意图；
图2为本发明检测模型训练方法第一实施例的流程示意图；
图3为本发明检测模型训练方法第二实施例的流程示意图；
图4为本发明检测模型训练方法第三实施例的流程示意图；
图5为本发明检测模型训练装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的检测模型训练设备结构示意图。
如图1所示，该检测模型训练设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对检测模型训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及检测模型训练程序。
在图1所示的检测模型训练设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述检测模型训练设备通过处理器1001调用存储器1005中存储的检测模型训练程序，并执行本发明实施例提供的检测模型训练方法。
基于上述硬件结构，提出本发明检测模型训练方法的实施例。
参照图2，图2为本发明检测模型训练方法第一实施例的流程示意图，提出本发明检测模型训练方法第一实施例。
在第一实施例中，所述检测模型训练方法包括以下步骤：
步骤S10：通过预设图像检测模型对预设图像样本集进行识别，获得预设图像样本集中各图像样本对应的分值。
应理解的是，本实施例的执行主体是为所述检测模型训练设备，该检测模型训练设备具有图像处理、数据通信及程序运行等功能，所述检测模型训练设备可以为电脑或服务器等计算机设备，当然，还可为其他具有相似功能的设备，本实施方式对此不加以限制。
需要说明的是，预设图像样本集通常具有较高的数量级，例如预设图像样本集可包括10万或100万张图像，其中，图像可以为车辆行车图像等。
可以理解的是，对于较高的数量级的样本集，采用人工标记必然费时费力，从而降低模型训练效率。故，本实施例通过预设图像检测模型对样本集进行识别，并根据识别结果筛选样本，从而替代人工标记过程。其中，预设图像检测模型为已经训练好的图像检测模型，其具有较高的识别精度。
需要说明的是，各图像样本对应的分值可以为各图像样本对应的置信度。预设图像检测模型在对预设图像样本集进行识别时，对各图像样本中的特征进行识别并分类，同时还会输出分类结果的置信度。例如，图像样本中的特征可包括人、车或建筑。预设图像检测模型对图像样本的识别结果为，特征A属于人的概率为50％，特征B属于车的概率为85％，特征C属于建筑的概率为15％。其中，该概率可作为置信度。
步骤S20：根据预设标准值和分值对各图像样本进行筛选，获得目标图像样本。
可以理解的是，相比人工标记，模型识别的结果存在一定的误差。为了保证筛选的目标图像样本的准确度，需要对图像样本进行筛选，避免影响待训练检测网络的识别精度及收敛速度。
在具体实现时，可以将分值较低的图像样本进行剔除，保留分值较高的图像样本。例如，预设标准值为80％，则将选取分值大于或等于80％的图像样本作为目标图像样本。当然，上述数据仅为示例，具体数值可根据用户需求设置，本实施方式对此不加以限制。
步骤S30：将目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
需要说明的是，目标图像样本保留了预设检测模型的识别结果，其中识别结果包括图像样本中特征的分类结果。为了保证待训练检测网络的精度，目标图像样本同样具有较高的数量级，如10万或50万张图像。
可以理解的是，通过大量的输入样本对训练检测网络进行迭代，可提高目标检测模型的精度。在具体实现时，将目标图像样本作为待训练检测网络的输入样本，以使待训练检测网络对目标图像样本进行识别，获得识别结果；获取目标图像样本对应的标记信息，并根据标记信息和识别结果确定误差参数；根据误差参数调整待训练检测网络中的待训练参数，以对待训练检测网络进行训练，获得目标检测模型。
需要说明的是，标记信息为预设图像检测模型对目标图像样本中特征的分类结果，分类结果可参照上述。待训练检测网络将自身分类结果与预设图像检测模型的分类结果进行比对分析，获得误差参数，以调整待训练检测网络中的待训练参数，进行迭代。检测网络的参数调整方式已为成熟技术，本实施例对此不在赘述。
可以理解的是，在对待训练检测网络的迭代过程中，待训练检测网络的识别精度不断上升，可根据识别精度判断是否达到收敛条件。具体的，根据误差参数确定所述待训练检测网络的识别精度；判断识别精度是否大于或等于预设精度；在识别精度小于预设精度时，执行根据误差参数调整待训练检测网络中的待训练参数，以对待训练检测网络进行训练，获得目标检测模型的步骤。其中，预设精度可设置为85％，当然具体数值还设置根据用户需求进行设置，本实施方式对此不加以限制。
在第一实施例中，通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。在本实施例中，通过预设图像检测模型对海量的图像样本进行筛选、标记；再选取识别结果中分值较高的图像样本作为待训练检测网络的输入样本，从而减少人工标记工作，节约人力，提高了模型训练效率。
参照图3，图3为本发明检测模型训练方法第二实施例的流程示意图。基于上述第一实施例，提出本发明检测模型训练方法第二实施例。
在第二实施例中，步骤S20，包括：
步骤S201：根据所述分值确定各图像样本中各回归框对应的分值。
可以理解的是，预设检测模型在对各图像样本进行识别时，通常通过回归框对图像样本中各特征进行标记，并对特征进行分类，同时还会输出分类结果的置信度。
需要说明的是，回归框对应的分值可以为回归框输出的分类概率，图像样本对应的分值可包括图像样本中各回归框输出的分类概率。例如，在一图像样本中，特征A对应回归框A，回归框A输出属于人的概率为50％，特征B对应回归框B，回归框B输出属于车的概率为85％，特征C对应回归框C，回归框C输出属于建筑的概率为15％。
步骤S202：判断各图像样本中各回归框对应的分值是否大于或等于预设标准值。
可以理解的是，相比人工标记，模型识别的结果存在一定的误差。为了保证筛选的目标图像样本的准确度，需要对图像样本进行筛选，避免影响待训练检测网络的识别精度及收敛速度。例如，可以将分值较低的图像样本进行剔除，保留分值较高的图像样本。为提高筛选效率及结果的可信度，在对图像样本的分值进行筛选时，可具体对图像样本中各回归框的分值进行筛选。
步骤S203：在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
可以理解的是，回归框的分值越高，说明该回归框对应的特征分类结果准确度越高，从而保证了筛选后的目标图像样本中标记信息的可信度。在具有实现时，可设置预设标准值为80％，若回归框的分值大于80％，则说明该回归框对应的特征分类结果可信性较高，则该特征所在的图像样本可作为目标图像样本。当然，上述数据仅为示例，具体数值可根据用户需求设置，本实施方式对此不加以限制。
需要说明的是，实际上，目标图像样本的分类结果存在一定的不确定性。由于预设检测模型自身可能存在的误差，即使图像样本的分值较高，也可能会存在偏差。故，为了降低图像样本中的随机偏差，可以对图样样本中的特征数量进行限制。具体的，在存在大于或等于预设标准值的目标回归框时，将目标回归框对应的图像样本作为待选图像样本；计算待选图像样本的回归框中目标回归框的占比值；判断占比值是否小于预设占比值；在占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。其中，占比值可设置为30％或40％，具体数值可根据用户需求自由设置，本实施方式对此不加以限制。
可以理解的是，待选图像样本的回归框中目标回归框的占比值越低，说明该待选图像样本中分类结果分布较均匀，随机偏差的风险越低。反之，则随机偏差的风险越高，需要进一步进行控制。具体的，在占比值大于或等于预设占比值时，判断待选图像样本中各回归框对应的分值是否小于第一预设参考值，第一预设参考值大于预设标准值；在存在小于第一预设参考值的参考回归框时，将待选图像样本中参考回归框对应的标记信息进行删除，获得目标图像样本。
可以理解的是，通过提高回归框的判定分值，可降低待选图像样本的回归框中目标回归框的占比值。例如，预设标准值可设置为80％，若待选图像样本中目标回归框的占比值较高，设置第一预设参考值为90％，可使降低目标回归框的占比值。同时，在获取目标图像样本时，需要将不需要的特征对于的标记信息进行删除，以避免对后续训练造成干扰。其中，标记信息可以为分类结果。
需要说明的是，在考虑图像样本中的随机偏差还可以考虑图像样本的利用率。通常一个图像样本中包含多个特征，若最终采用的特征较少，则该图像样本的利用率较低。例如，一图像样本中包含10个特征，但仅有1个回归框的分值大于预设标准值，其目标回归框的占比值仅为10％，该图像样本的利用率较低。
在本实施例中，若图像样本的目标回归框较少时，通过降低预设标准值以获取更多特征，从而提高图像样本的利用率。具体的，在占比值小于预设占比值时，获取待选图像样本中目标回归框的数量；判断目标回归框的数量是否大于或等于预设数量；在目标回归框的数量大于或等于预设数量时，将待选图像样本中非目标回归框对应的标记信息进行删除，获得目标图像样本。
需要说明的是，为了保证图像样本的利用率可设置图像样本的最小特征数，如可设置预设数量为3，当然还可以为其他数值。若图像样本中目标回归框的数量大于或等于3，则说明该图像样本的利用率达到预定标准，将不需要的特征对于的标记信息进行删除，即可得到目标图像样本。
可以理解的是，若图像样本中目标回归框的数量小于3，则说明该图像样本的利用率未达到预定标准，需要增加特征数。具体的，在目标回归框的数量小于预设数量时，判断待选图像样本中各回归框对应的分值是否小于第二预设参考值，第二预设参考值小于预设标准值；在存在小于第二预设参考值的参考回归框时，将待选图像样本中参考回归框对应的标记信息进行删除，获得目标图像样本。
可以理解的是，通过降低回归框的判定分值，可提高待选图像样本的目标回归框的数量。例如，预设标准值可设置为80％，若待选图像样本中目标回归框的数量较少，设置第二预设参考值为70％，可提高待选图像样本的目标回归框的数量。同时，将不需要的特征对于的标记信息进行删除，得到目标图像样本。
在第二实施例中，对各图样样本筛选时，对图样样本中各特征框的分值进行判断，从而筛选可信度较高的图样样本作为目标图像样本。同时，考虑图样样本的随机误差及利用率对图像样本进行筛选，从而保证了图像样本的可信度，进而提高待训练检测网络的收敛速度。
参照图4，图4为本发明检测模型训练方法第三实施例的流程示意图。基于上述第一实施例和第二实施例，提出本发明检测模型训练方法第三实施例。本实施例以第一实施例为基础进行说明。
在第三实施例中，步骤S10之前，还包括：
步骤S01：获取预训练检测网络和预训练图像样本，预训练检测网络的参数量大于待训练检测网络的参数量。
需要说明的是，在本实施例中，待训练检测网络为应用于前端的小网络。为了提高待训练检测网络的训练效率，可采用参数量更大的预训练检测网络训练预设图像检测模型，使得预设图像检测模型具有较高的精度，以实现知识迁移，从而提高待训练检测网络的精度。在具体实现时，待训练检测网络可采用MobileNet-V2网络，预训练检测网络可采用ResNet152网络。
步骤S02：将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
可以理解的是，对于参数量较大的检测网络，在训练时可以采用较少的样本完成收敛。故预训练图像样本可为人工标记的样本，其数量级可根据用户需要进行设置。如5千或1万张图像。
在本实施例中，为进一步提高待训练检测网络的训练速度及精度，步骤S30，包括：
步骤S301：根据目标图像样本和预训练图像样本建立待训练图像样本集。
可以理解的是，预训练图像样本由人工进行标记，其相较于目标图像样本具有更高的可信度。因此，可将目标图像样本和预训练图像样本进行合并，建立待训练图像样本集，提高样本的可信度。
步骤S302：将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
可以理解的是，通过大量样本进行训练得到的目标检测模型具有较高的精度，其可以用于实现基于图像的目标检测功能。例如，在图样样本为车辆行车图像时，目标检测模型具有对车辆等对象的识别功能，其可用于实现行车检测功能。在具体实现时，获取预设行车记录仪数据库中的行车视频；根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
可以理解的是，预设行车记录仪数据库中存储有车辆在行驶过程中拍摄的视频，视频中涉及的特征多为车、人或建筑等。因此，由行车视频构建的预设图像样本集有利于提高车辆检测模型的检测精度。另外，通常视频中的对象变换较慢，因此连续两秒中的涉及的特征可能相同，因此，在提取图像时，可设置采样时间间隔。其中，预设采样时间间隔可设置为5S，即没隔5S在行车视频提取一帧图像作为图样样本，以建立预设图像样本集。
需要说明的是，行车检测可用于车辆碰撞预警，通过及时精准的预测出前方车辆的在视频画面中的位置，从而精确的测出前方前方车辆的距离。为了保证检测的实时性，通过行车检测需要在前端运行，因此，需要大量图样样本提高检测精度，故，采用上述目标检测模型作为行车检测模型可提高车辆检测的精度。
可以理解的是，在获得车辆检测模型后，车辆终端可以通过该车辆检测模型对实时的行车画面进行识别，为车辆预警提供基础信息。具体的，获取待检测车辆图像，并通过所述目标检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；将所述车辆行车参数与预设阈值进行比较，在所述车辆行车参数达到所述预设阈值时，进行报警。
需要说明的是，车辆行车参数可以包括车辆类型或车辆速度、车距等信息。车辆终端还可以根据车辆行车参数确定自身与前车的距离，并根据自身车辆速度预测碰撞概率，在碰撞概率超过阈值时，进行报警。
在第三实施例中，通过参数量较大的检测网络训练预设图像检测模型，以实现知识迁移，同时，将预设图像检测模型的训练样本也作为待训练检测网络的输入样本，可提高待训练检测网络的训练效率和精度。此外，将得到的目标检测模型用于行车检测，可保证车辆检测的精度及速度，保证车辆行车安全。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有检测模型训练程序，所述检测模型训练程序被处理器执行时实现如上文所述的检测模型训练方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图5，图5为本发明检测模型训练装置第一实施例的结构框图。为实现上述目的，本发明还提出一种检测模型训练装置。
在本实施中，检测模型训练装置包括：
预识别模块10，用于通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值。
筛选模块20，用于根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本。
训练模块30，用于将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
在本实施例中，预识别模块通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；筛选模块根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；训练模块将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。在本实施例中，通过预设图像检测模型对海量的图像样本进行筛选、标记；再选取识别结果中分值较高的图像样本作为待训练检测网络的输入样本，从而减少人工标记工作，节约人力，提高了模型训练效率。
在一实施例中，筛选模块20，还用于根据所述分值确定各图像样本中各回归框对应的分值；判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
在一实施例中，筛选模块20，还用于在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；计算所述待选图像样本的回归框中所述目标回归框的占比值；判断所述占比值是否小于预设占比值；在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
在一实施例中，筛选模块20，还用于在所述占比值大于或等于所述预设占比值时，判断所述待选图像样本中各回归框对应的分值是否小于第一预设参考值，所述第一预设参考值大于所述预设标准值；在存在小于所述第一预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
在一实施例中，筛选模块20，还用于在所述占比值小于所述预设占比值时，获取所述待选图像样本中所述目标回归框的数量；判断所述目标回归框的数量是否大于或等于预设数量；在所述目标回归框的数量大于或等于所述预设数量时，将所述待选图像样本中非目标回归框对应的标记信息进行删除，获得目标图像样本。
在一实施例中，筛选模块20，还用于在所述目标回归框的数量小于所述预设数量时，判断所述待选图像样本中各回归框对应的分值是否小于第二预设参考值，所述第二预设参考值小于所述预设标准值；在存在小于所述第二预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
在一实施例中，检测模型训练装置还包括预训练模块，预训练模块用于获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
在一实施例中，预训练模块，还用于根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
在一实施例中，检测模型训练装置还包括图像采集模块，图像采集模块用于获取预设行车记录仪数据库中的行车视频；根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
在一实施例中，训练模块30，还用于将所述目标图像样本作为待训练检测网络的输入样本，以使所述待训练检测网络对所述目标图像样本进行识别，获得识别结果；获取所述目标图像样本对应的标记信息，并根据所述标记信息和所述识别结果确定误差参数；根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型。
在一实施例中，训练模块30，还用于根据所述误差参数确定所述待训练检测网络的识别精度；判断所述识别精度是否大于或等于预设精度；在所述识别精度小于所述预设精度时，执行所述根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型的步骤。
在一实施例中，检测模型训练装置还包括检测模块，检测模块用于获取待检测车辆图像，并通过所述目标检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；将所述车辆行车参数与预设阈值进行比较，在所述车辆行车参数达到所述预设阈值时，进行报警。
本发明所述检测模型训练装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
本发明公开了A1、一种检测模型训练方法，所述方法包括以下步骤：
通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
A2、如A1所述的检测模型训练方法，所述根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本，包括：
根据所述分值确定各图像样本中各回归框对应的分值；
判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
A3、如A2所述的检测模型训练方法，所述在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本，包括：
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；
计算所述待选图像样本的回归框中所述目标回归框的占比值；
判断所述占比值是否小于预设占比值；
在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
A4、如A3所述的检测模型训练方法，所述判断所述占比值是否小于预设占比值之后，还包括：
在所述占比值大于或等于所述预设占比值时，判断所述待选图像样本中各回归框对应的分值是否小于第一预设参考值，所述第一预设参考值大于所述预设标准值；
在存在小于所述第一预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
A5、如A3所述的检测模型训练方法，所述在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本，包括：
在所述占比值小于所述预设占比值时，获取所述待选图像样本中所述目标回归框的数量；
判断所述目标回归框的数量是否大于或等于预设数量；
在所述目标回归框的数量大于或等于所述预设数量时，将所述待选图像样本中非目标回归框对应的标记信息进行删除，获得目标图像样本。
A6、如A5所述的检测模型训练方法，所述判断所述目标回归框的数量是否大于预设数量之后，还包括：
在所述目标回归框的数量小于所述预设数量时，判断所述待选图像样本中各回归框对应的分值是否小于第二预设参考值，所述第二预设参考值小于所述预设标准值；
在存在小于所述第二预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
A7、如A1-A6任一项所述的检测模型训练方法，所述通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值之前，还包括：
获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；
将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
A8、如A7所述的检测模型训练方法，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型，包括：
根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；
将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
A9、如A1-A6任一项所述的检测模型训练方法，所述通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值之前，还包括：
获取预设行车记录仪数据库中的行车视频；
根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
A10、如A1-A6任一项所述的检测模型训练方法，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型，包括：
将所述目标图像样本作为待训练检测网络的输入样本，以使所述待训练检测网络对所述目标图像样本进行识别，获得识别结果；
获取所述目标图像样本对应的标记信息，并根据所述标记信息和所述识别结果确定误差参数；
根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型。
A11、如A10所述的检测模型训练方法，所述根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型之前，还包括：
根据所述误差参数确定所述待训练检测网络的识别精度；
判断所述识别精度是否大于或等于预设精度；
在所述识别精度小于所述预设精度时，执行所述根据所述误差参数调整所述待训练检测网络中的待训练参数，以对所述待训练检测网络进行训练，获得目标检测模型的步骤。
A12、如A1-A6中任一项所述的检测模型训练方法，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型之后，还包括：
获取待检测车辆图像，并通过所述目标检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；
将所述车辆行车参数与预设阈值进行比较，在所述车辆行车参数达到所述预设阈值时，进行报警。
本发明还公开了B13、一种检测模型训练装置，所述检测模型训练装置包括：
预识别模块，用于通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
筛选模块，用于根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
训练模块，用于将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
B14、如B13所述的检测模型训练装置，所述筛选模块，还用于根据所述分值确定各图像样本中各回归框对应的分值；
所述筛选模块，还用于判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；
所述筛选模块，还用于在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
B15、如B14所述的检测模型训练装置，所述筛选模块，还用于在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；
所述筛选模块，还用于计算所述待选图像样本的回归框中所述目标回归框的占比值；
所述筛选模块，还用于判断所述占比值是否小于预设占比值；
所述筛选模块，还用于在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
B16、如B13-B15任一项所述的检测模型训练装置，所述检测模型训练装置还包括预训练模块：
所述预训练模块，用于获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；
所述预训练模块，还用于将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
B17、如B13-B15任一项所述的检测模型训练装置，所述检测模型训练装置还包括图像采集模块：
所述图像采集模块，用于获取预设行车记录仪数据库中的行车视频；
所述图像采集模块，还用于根据预设采样时间间隔对所述行车视频进行图像提取，并根据提取的行车图像建立预设图像样本集。
B18、如B17所述的检测模型训练装置，所述训练模块，还用于根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；
所述训练模块，还用于将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
本发明还公开了C19、一种检测模型训练设备，所述检测模型训练设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的检测模型训练程序，所述检测模型训练程序被所述处理器执行时实现如上文所述的检测模型训练方法的步骤。
本发明还公开了D20、一种存储介质，所述存储介质上存储有检测模型训练程序，所述检测模型训练程序被处理器执行时实现如上文所述的检测模型训练方法的步骤。
Claims (10)
1.一种检测模型训练方法，其特征在于，所述方法包括以下步骤：
通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
2.如权利要求1所述的检测模型训练方法，其特征在于，所述根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本，包括：
根据所述分值确定各图像样本中各回归框对应的分值；
判断各图像样本中各回归框对应的分值是否大于或等于预设标准值；
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本。
3.如权利要求2所述的检测模型训练方法，其特征在于，所述在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为目标图像样本，包括：
在存在大于或等于所述预设标准值的目标回归框时，将所述目标回归框对应的图像样本作为待选图像样本；
计算所述待选图像样本的回归框中所述目标回归框的占比值；
判断所述占比值是否小于预设占比值；
在所述占比值小于所述预设占比值时，将所述待选图像样本作为目标图像样本。
4.如权利要求3所述的检测模型训练方法，其特征在于，所述判断所述占比值是否小于预设占比值之后，还包括：
在所述占比值大于或等于所述预设占比值时，判断所述待选图像样本中各回归框对应的分值是否小于第一预设参考值，所述第一预设参考值大于所述预设标准值；
在存在小于所述第一预设参考值的参考回归框时，将所述待选图像样本中所述参考回归框对应的标记信息进行删除，获得目标图像样本。
5.如权利要求1-4任一项所述的检测模型训练方法，其特征在于，所述通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值之前，还包括：
获取预训练检测网络和预训练图像样本，所述预训练检测网络的参数量大于待训练检测网络的参数量；
将所述预训练图像样本作为所述预训练检测网络的输入样本，以对所述预训练检测网络进行训练，获得预设图像检测模型。
6.如权利要求5所述的检测模型训练方法，其特征在于，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型，包括：
根据所述目标图像样本和所述预训练图像样本建立待训练图像样本集；
将所述待训练图像样本集作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
7.如权利要求1-4任一项所述的检测模型训练方法，其特征在于，所述将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型之后，还包括：
获取待检测车辆图像，并通过所述目标检测模型对所述待检测车辆图像进行检测，获得车辆行车参数；
将所述车辆行车参数与预设阈值进行比较，在所述车辆行车参数达到所述预设阈值时，进行报警。
8.一种检测模型训练装置，其特征在于，所述检测模型训练装置包括：
预识别模块，用于通过预设图像检测模型对预设图像样本集进行识别，获得所述预设图像样本集中各图像样本对应的分值；
筛选模块，用于根据预设标准值和所述分值对各图像样本进行筛选，获得目标图像样本；
训练模块，用于将所述目标图像样本作为待训练检测网络的输入样本，以对所述待训练检测网络进行训练，获得目标检测模型。
9.一种检测模型训练设备，其特征在于，所述检测模型训练设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的检测模型训练程序，所述检测模型训练程序被所述处理器执行时实现如权利要求1至7中任一项所述的检测模型训练方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有检测模型训练程序，所述检测模型训练程序被处理器执行时实现如权利要求1至7中任一项所述的检测模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142598.XA CN114463656A (zh) | 2020-10-22 | 2020-10-22 | 检测模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011142598.XA CN114463656A (zh) | 2020-10-22 | 2020-10-22 | 检测模型训练方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463656A true CN114463656A (zh) | 2022-05-10 |
Family
ID=81404092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011142598.XA Pending CN114463656A (zh) | 2020-10-22 | 2020-10-22 | 检测模型训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463656A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907009A (zh) * | 2023-02-10 | 2023-04-04 | 北京百度网讯科技有限公司 | 一种自动驾驶感知模型的迁移方法、装置、设备和介质 |
| CN117132174A (zh) * | 2023-10-26 | 2023-11-28 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
-
2020
- 2020-10-22 CN CN202011142598.XA patent/CN114463656A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907009A (zh) * | 2023-02-10 | 2023-04-04 | 北京百度网讯科技有限公司 | 一种自动驾驶感知模型的迁移方法、装置、设备和介质 |
| CN115907009B (zh) * | 2023-02-10 | 2023-05-26 | 北京百度网讯科技有限公司 | 一种自动驾驶感知模型的迁移方法、装置、设备和介质 |
| CN117132174A (zh) * | 2023-10-26 | 2023-11-28 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
| CN117132174B (zh) * | 2023-10-26 | 2024-01-30 | 扬宇光电(深圳)有限公司 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| CN112580643B (zh) | 一种基于深度学习的车牌识别方法、装置及存储介质 | |
| CN114463656A (zh) | 检测模型训练方法、装置、设备及存储介质 | |
| CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
| CN112507087B (zh) | 终端设备识别方法、设备、存储介质及装置 | |
| CN112078571B (zh) | 自动泊车方法、设备、存储介质及装置 | |
| CN112052813A (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
| CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
| CN112381092B (zh) | 跟踪方法、装置及计算机可读存储介质 | |
| AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
| CN112132220A (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
| CN110619528A (zh) | 行为验证数据处理方法、装置、设备及存储介质 | |
| CN115935229A (zh) | 产品异常检测方法、装置、设备及存储介质 | |
| CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
| CN115690514A (zh) | 图像识别方法及相关设备 | |
| CN109271982A (zh) | 多个识别区域识别方法、识别终端及可读存储介质 | |
| CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
| CN111582354B (zh) | 图片识别方法、装置、设备及存储介质 | |
| CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN112465805A (zh) | 用于钢筋冲压折弯的质量检测的神经网络的训练方法 | |
| US20180075272A1 (en) | Latent fingerprint pattern estimation | |
| CN114154556B (zh) | 样本预测模型的训练方法、装置、电子设备及存储介质 | |
| CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
| CN115439734A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
| CN114360055A (zh) | 基于人工智能的行为检测方法、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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 100020 1765, 15th floor, 17th floor, building 3, No.10, Jiuxianqiao Road, Chaoyang District, Beijing Applicant after: Beijing 360 Zhiling Technology Co.,Ltd. Address before: 100020 1765, 15th floor, 17th floor, building 3, No.10, Jiuxianqiao Road, Chaoyang District, Beijing Applicant before: Beijing Hongxiang Technical Service Co.,Ltd. Country or region before: China |