CN116309963A - 一种图像的批量标注方法、装置、电子设备及存储介质 - Google Patents
一种图像的批量标注方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116309963A CN116309963A CN202310558989.7A CN202310558989A CN116309963A CN 116309963 A CN116309963 A CN 116309963A CN 202310558989 A CN202310558989 A CN 202310558989A CN 116309963 A CN116309963 A CN 116309963A
- Authority
- CN
- China
- Prior art keywords
- image
- accuracy
- images
- target
- labeling
- 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.)
- Granted
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 135
- 230000006978 adaptation Effects 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 16
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
- G06F16/116—Details of conversion of file system types or formats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像的批量标注方法、装置、电子设备及存储介质,属于数据处理技术领域。通过获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集;对各分割图像进行多种数据格式的转换,得到格式适配分割图像;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在其大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储。解决了在计算机视觉处理场景上无法自动进行标注而导致标注任务负担重和复杂的问题,实现了对图像的批量标注,提高了批量标注的准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种图像的批量标注方法、装置、电子设备及存储介质。
背景技术
数据标注是对未经处理的语音、图片、文本、视频等数据进行加工处理,并转换为机器可识别信息的过程。原始数据一般通过数据采集获得,随后的数据标注相当于对数据进行加工,然后输送到人工智能算法和模型里完成调用。SAM(Segment Anything Model,分割一切模型)主要用于图像分割的新任务、模型和数据集。在数据收集循环中使用SAM,构建了很大的分割数据集。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:目前,通过SAM并不能够进行图片数据的批量标注,需要人工对大量的分割数据集进行图像数据的标注,造成工作量巨大、图像标注的准确率较低、以及没有办法对SAM进行进一步的优化处理的问题。
发明内容
本发明提供了一种图像的批量标注方法、装置、电子设备及存储介质,以实现对图像的批量标注,提高了批量标注的准确率,减轻了人工标注的工作量和时间成本。
根据本发明的一方面,提供了一种图像的批量标注方法,其中,包括:
获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;
对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种CV(Computer Vision,计算机视觉)标注类型;
在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;
计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;
其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:
获取所述全部准确度检测图像对应的所述目标图像对象;
将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;
其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:
获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;
根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
根据本发明的另一方面,提供了一种图像的批量标注装置,其中,包括:
分割图像集确定模块,用于获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;
适配分割图像确定模块,用于对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种CV标注类型;
准确度检测图像获取模块,用于在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;
批量存储模块,用于计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;
其中,所述批量存储模块,包括:
目标图像对象获取单元,用于获取所述全部准确度检测图像对应的所述目标图像对象;
统一标注准确率确定单元,用于将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;
其中,还包括,细分标注概率计算模型训练模块,包括:在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;
根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
根据本发明的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现本发明任一实施例所述的图像的批量标注方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像的批量标注方法。
本发明实施例的技术方案,通过获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集;对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:获取所述全部准确度检测图像对应的所述目标图像对象;将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。解决了在计算机视觉处理场景上无法自动进行标注而导致标注任务负担重和复杂的问题,实现了对图像的批量标注,提高了批量标注的准确率,减轻了人工标注的工作量和时间成本。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种图像的批量标注方法的流程图。
图2是根据本发明实施例二提供的一种图像的批量标注装置的结构示意图。
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种图像的批量标注方法的流程图,本实施例可适用于在SAM处理得到分割图像集之后,对分割图像集中的图像进行批量标注的情况,该方法可以由图像的批量标注装置来执行,该图像的批量标注装置可以采用硬件和/或软件的形式实现。
相应的,如图1所示,该方法包括:
S110、获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集。
其中,分割图像中包含单一类型的图像对象。
其中,待标注图像集可以是需要通过计算机视觉标注的图像集,在对待标注图像集进行标注之前,需要先通过SAM进行图像分割处理,得到分割图像集。
具体的,SAM可以零样本分割图像中一切对象。SAM可以使用各种输入提示包括点击、框选和文字,可以指定要在图像中分割的内容,并且可以灵活集成其他系统。SAM初步验证了多模态技术路径及其泛化能力。
其中,分割图像集中包含多个分割图像,具体的,分割图像可以是具有单一类型的图像。
S120、对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像。
其中,每种数据格式对应至少一种CV标注类型。
其中,所述数据格式类型包括下述至少一项:分割数据格式、分类数据格式、检测数据格式和关键点检测数据格式。
进一步的,CV标注类型包括下述至少一项:矩形框标注、关键点标注、语义分割标注、实例分割标注和图片分类标注。
具体的,分割数据格式与CV标注类型中的语义分割标注和实例分割标注相对应;分类数据格式与CV标注类型中的图片分类标注相对应;检测数据格式与CV标注类型中的矩形框标注相对应;关键点检测数据格式与CV标注类型中的关键点标注相对应。
可选的,将各所述分割图像分别进行分割数据格式、分类数据格式、检测数据格式和/或关键点检测数据格式的转换,得到与各数据格式分别对应格式适配分割图像。
在本实施例中,对各分割图像分别进行分割数据格式、分类数据格式、检测数据格式和/或关键点检测数据格式的转换,使得每一个分割图像具有各种数据格式的属性,从而得到格式适配分割图像。
S130、在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像。
其中,准确度检测图像可以是需要进行准确度检测的图像。并且准确度检测图像的数量小于目标格式适配分割图像的数量。
示例性的,假设目标CV标注类型为矩形框标注,则选取的目标格式适配分割图像为检测数据格式的格式适配分割图像。
进一步的,假设用户输入的目标图像对象为“气球”,并且选取的目标CV标注类型为“矩形框标注”,则在检测数据格式的格式适配分割图像中,选取与“气球”相匹配的目标格式适配分割图像。
相应的,可以根据目标格式适配分割图像进一步地确定出准确度检测图像。
可选的,所述在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,包括:在接收到确认检索指令之后,获取用户输入的目标图像对象和目标CV标注类型;根据用户输入的目标图像对象和目标CV标注类型,在全部各适配分割图像中进行识别,确定目标格式适配分割图像。
在本实施例中,需要首先周期性地检测是否接收到确认检索指令,如果接收到确认检索指令,说明用户已经输入完成目标图像对象和目标CV标注类型,因此需要获取目标图像对象和目标CV标注类型。
进一步的,在获取到目标图像对象和目标CV标注类型之后,在在全部各适配分割图像中进行匹配,从而可以确定出目标格式适配分割图像。
可选的,所述在目标格式适配分割图像中获取设定数量的准确度检测图像,包括:获取所述目标格式适配分割图像对应的第一数量;根据所述第一数量,通过与预设的全概率计算方法进行匹配,确定出置信度值;根据所述置信度值确定出第二数量的所述准确度检测图像。
其中,第一数量可以是描述目标格式适配分割图像的数量。第二数量可以是描述准确度检测图像的数量,具体的,第一数量大于第二数量。
示例性的,假设目标格式适配分割图像对应的第一数量为A张,对A张目标格式适配分割图像进行准确率的确定,并不需要一一去确定,需要根据预设的全概率计算方法来计算出置信度值,根据置信度值进一步地确定出B张图像,根据B张图像进行准确率的确定即可,也即当B张准确度检测图像的准确率满足第一准确率阈值的要求时,则可以确定A张目标格式适配分割图像也满足要求。
反之,当B张准确度检测图像的准确率不满足第一准确率阈值的要求时,则可以确定A张目标格式适配分割图像也不满足要求。
这样设置的好处在于:通过在目标格式适配分割图像中获取设定数量的准确度检测图像,这样可以减少全部目标格式适配分割图像进行图像标注的工作量,从而能够在保证准确率的前提下,提高图像批量标注的速率。
S140、计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储。
其中,统一标注准确率可以是对准确率检测图像进行标注,判断是否标注准确的准确率。第一准确率阈值可以是标注准确的准确率阈值。
续前例的,如果准确度检测图像的准确率(也即统一标注准确率)满足第一准确率阈值的要求时,则可以确定A张目标格式适配分割图像也满足要求,则直接将A张目标格式适配分割图像进行批量存储即可。
可选的,在所述计算与全部准确度检测图像对应的统一标注准确率之后,还包括:当统一标注准确率小于第二准确率阈值时,则将全部目标格式适配分割图像进行批量丢弃。
其中,所述第一准确率阈值大于所述第二准确率阈值,并且第一准确率阈值的取值为(0,1];第二准确率阈值的取值为[0,1) 。
续前例的,当准确度检测图像的准确率(也即统一标注准确率)不满足第一准确率阈值的要求时,则可以确定A张目标格式适配分割图像不满足要求。
进一步的,当统一标注准确率小于第二准确率阈值时,说明此时的目标格式适配分割图像进行图像标注的准确率太低了,则将全部目标格式适配分割图像进行批量丢弃。
相应的,当统一标注准确率在第一准确率阈值和第二准确率阈值之间时,需要将目标格式适配分割图像反馈给用户,以完成所述图像标注结果的修正。另外的,获取修正之后的修正目标格式适配分割图像,将修正目标格式适配分割图像进行批量存储即可。另外的,修正目标格式适配分割图像还可以用于SAM的再训练,实现模型的优化。
可选的,所述计算与全部准确度检测图像对应的统一标注准确率,包括:获取所述全部准确度检测图像对应的所述目标图像对象;将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率。
在本实施例中,对全部准确度检测图像对应的统一标注准确率的确定,是通过细分标注概率计算模型进行计算得到的准确率。
具体的,在细分标注概率计算模型中,包括历史目标图像对象和历史全部准确度检测图像,通过将目标图像对象进行匹配,根据匹配结果,进一步地计算得到统一标注准确率。
进一步的,细分标注概率计算模型执行过程:首先根据目标图像对象,来与预先设置的细分标注概率计算模型对应的目标图像对象进行匹配,来确定出历史全部准确度检测图像,并根据所述全部准确度检测图像和所述历史全部准确度检测图像进行计算,确定出所述全部准确度检测图像对应的统一标注准确率。
可选的,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:获取历史目标图像对象和与所述目标历史图像对象匹配的历史全部准确度检测图像;根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
在本实施例中,通过历史目标图像对象和历史全部准确度检测图像进行初始细分标注概率计算模型的训练,在训练过程中,需要判断图像标注计算准确率是否满足模型要求准确率阈值,如果满足,则可以确定训练完成细分标注概率计算模型。
进一步的,如果不满足,需要再获取多个历史目标图像对象和历史全部准确度检测图像进行模型的再训练,直至图像标注计算准确率满足模型要求准确率阈值。
这样设置的好处在于:通过构建细分标注概率计算模型来计算统一标注准确率,这样可以更加准确地确定出进行图像批量标注是否满足要求,从而提高图片批量标注的可靠性。
本发明实施例的技术方案,通过获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集;对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储。解决了在计算机视觉处理场景上无法自动进行标注而导致标注任务负担重和复杂的问题,实现了对图像的批量标注,提高了批量标注的准确率,减轻了人工标注的工作量和时间成本。
实施例二
图2为本发明实施例二提供的一种图像的批量标注装置的结构示意图。本实施例所提供的一种图像的批量标注装置可以通过软件和/或硬件来实现,可配置于终端设备或者服务器中来实现本发明实施例中的一种图像的批量标注方法。如图2所示,该装置包括:分割图像集确定模块210、适配分割图像确定模块220、准确度检测图像获取模块230和批量存储模块240。
其中,分割图像集确定模块210,用于获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;
适配分割图像确定模块220,用于对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种CV标注类型;
准确度检测图像获取模块230,用于在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;
批量存储模块240,用于计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;
其中,所述批量存储模块,包括:
目标图像对象获取单元,用于获取所述全部准确度检测图像对应的所述目标图像对象;
统一标注准确率确定单元,用于将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;
其中,还包括,细分标注概率计算模型训练模块,包括:在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;
根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
本发明实施例的技术方案,通过获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集;对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:获取所述全部准确度检测图像对应的所述目标图像对象;将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。解决了在计算机视觉处理场景上无法自动进行标注而导致标注任务负担重和复杂的问题,实现了对图像的批量标注,提高了批量标注的准确率,减轻了人工标注的工作量和时间成本。
可选的,所述数据格式类型包括下述至少一项:分割数据格式、分类数据格式、检测数据格式和关键点检测数据格式。
可选的,所述适配分割图像确定模块220,可以具体用于:将各所述分割图像分别进行分割数据格式、分类数据格式、检测数据格式和/或关键点检测数据格式的转换,得到与各数据格式分别对应格式适配分割图像;其中,CV标注类型包括下述至少一项:矩形框标注、关键点标注、语义分割标注、实例分割标注和图片分类标注;分割数据格式与CV标注类型中的语义分割标注和实例分割标注相对应;分类数据格式与CV标注类型中的图片分类标注相对应;检测数据格式与CV标注类型中的矩形框标注相对应;关键点检测数据格式与CV标注类型中的关键点标注相对应。
可选的,所述准确度检测图像获取模块230,可以具体用于:在接收到确认检索指令之后,获取用户输入的目标图像对象和目标CV标注类型;根据用户输入的目标图像对象和目标CV标注类型,在全部各适配分割图像中进行识别,确定目标格式适配分割图像。
可选的,所述准确度检测图像获取模块230,还可以具体用于:获取所述目标格式适配分割图像对应的第一数量;根据所述第一数量,通过与预设的全概率计算方法进行匹配,确定出置信度值;根据所述置信度值确定出第二数量的所述准确度检测图像。
可选的,批量存储模块240,可以具体用于:在所述计算与全部准确度检测图像对应的统一标注准确率之后,当统一标注准确率小于第二准确率阈值时,将全部目标格式适配分割图像进行批量丢弃。
本发明实施例所提供的图像的批量标注装置可执行本发明任意实施例所提供的图像的批量标注方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如图像的批量标注方法。
在一些实施例中,图像的批量标注方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的图像的批量标注方法的一个或多个步骤。备选地,在其他实施例中,处理器11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的批量标注方法。
该方法包括:获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种CV标注类型;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:获取所述全部准确度检测图像对应的所述目标图像对象;将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质,所述计算机可读指令在由计算机处理器执行时用于执行一种图像的批量标注方法,该方法包括:获取待标注图像集,并通过SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种CV标注类型;在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:获取所述全部准确度检测图像对应的所述目标图像对象;将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的图像的批量标注方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述图像的批量标注装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种图像的批量标注方法,其特征在于,包括:
获取待标注图像集,并通过分割一切模型SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;
对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种计算机视觉CV标注类型;
在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;
计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;
其中,所述计算与全部准确度检测图像对应的统一标注准确率,包括:
获取所述全部准确度检测图像对应的所述目标图像对象;
将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;
其中,在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,还包括:
获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;
根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
2.根据权利要求1所述的方法,其特征在于,所述数据格式类型包括下述至少一项:分割数据格式、分类数据格式、检测数据格式和关键点检测数据格式;
所述对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种计算机视觉CV标注类型,包括:
将各所述分割图像分别进行分割数据格式、分类数据格式、检测数据格式和/或关键点检测数据格式的转换,得到与各数据格式分别对应格式适配分割图像;
其中,CV标注类型包括下述至少一项:矩形框标注、关键点标注、语义分割标注、实例分割标注和图片分类标注;分割数据格式与CV标注类型中的语义分割标注和实例分割标注相对应;分类数据格式与CV标注类型中的图片分类标注相对应;检测数据格式与CV标注类型中的矩形框标注相对应;关键点检测数据格式与CV标注类型中的关键点标注相对应。
3.根据权利要求2所述的方法,其特征在于,所述在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,包括:
在接收到确认检索指令之后,获取用户输入的目标图像对象和目标CV标注类型;
根据用户输入的目标图像对象和目标CV标注类型,在全部各适配分割图像中进行识别,确定目标格式适配分割图像。
4.根据权利要求3所述的方法,其特征在于,所述在目标格式适配分割图像中获取设定数量的准确度检测图像,包括:
获取所述目标格式适配分割图像对应的第一数量;
根据所述第一数量,通过与预设的全概率计算方法进行匹配,确定出置信度值;
根据所述置信度值确定出第二数量的所述准确度检测图像。
5.根据权利要求1所述的方法,其特征在于,在所述计算与全部准确度检测图像对应的统一标注准确率之后,还包括:
当统一标注准确率小于第二准确率阈值时,则将全部目标格式适配分割图像进行批量丢弃。
6.一种图像的批量标注装置,其特征在于,包括:
分割图像集确定模块,用于获取待标注图像集,并通过分割一切模型SAM对待标注图像集中的各图像进行图像分割,得到分割图像集,分割图像中包含单一类型的图像对象;
适配分割图像确定模块,用于对各分割图像进行多种数据格式的转换,得到与各数据格式分别对应格式适配分割图像,每种数据格式对应至少一种计算机视觉CV标注类型;
准确度检测图像获取模块,用于在全部各适配分割图像中识别与用户输入的目标图像对象和目标CV标注类型匹配的目标格式适配分割图像,并在目标格式适配分割图像中获取设定数量的准确度检测图像;
批量存储模块,用于计算与全部准确度检测图像对应的统一标注准确率,并在统一标注准确率大于第一准确率阈值时,将全部目标格式适配分割图像进行批量存储;
其中,所述批量存储模块,包括:
目标图像对象获取单元,用于获取所述全部准确度检测图像对应的所述目标图像对象;
统一标注准确率确定单元,用于将所述目标图像对象通过预先训练好的细分标注概率计算模型进行计算,确定出与全部准确度检测图像对应的统一标注准确率;
其中,还包括,细分标注概率计算模型训练模块,包括:在所述获取所述全部准确度检测图像对应的所述目标图像对象之前,获取历史目标图像对象和与目标历史图像对象匹配的历史全部准确度检测图像;
根据所述历史目标图像对象和所述历史全部准确度检测图像对初始细分标注概率计算模型进行训练,直至所述初始细分标注概率计算模型对应的图像标注计算准确率满足模型要求准确率阈值,则确定训练得到细分标注概率计算模型。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的图像的批量标注方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的图像的批量标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558989.7A CN116309963B (zh) | 2023-05-18 | 2023-05-18 | 一种图像的批量标注方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558989.7A CN116309963B (zh) | 2023-05-18 | 2023-05-18 | 一种图像的批量标注方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309963A true CN116309963A (zh) | 2023-06-23 |
CN116309963B CN116309963B (zh) | 2023-08-18 |
Family
ID=86789086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558989.7A Active CN116309963B (zh) | 2023-05-18 | 2023-05-18 | 一种图像的批量标注方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309963B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542984A (zh) * | 2023-07-07 | 2023-08-04 | 浙江省北大信息技术高等研究院 | 五金件缺陷检测方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190631A (zh) * | 2018-08-31 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 图片的目标对象标注方法及装置 |
WO2021189913A1 (zh) * | 2020-09-24 | 2021-09-30 | 平安科技(深圳)有限公司 | 图像中目标物的分割方法、装置、电子设备及存储介质 |
CN115082659A (zh) * | 2022-06-28 | 2022-09-20 | 杭州萤石软件有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
CN115512333A (zh) * | 2022-10-09 | 2022-12-23 | 北京无线电测量研究所 | 一种sar图像的车辆目标检测方法和系统 |
CN115641323A (zh) * | 2022-11-04 | 2023-01-24 | 四川启睿克科技有限公司 | 医学图像自动标注的方法及装置 |
-
2023
- 2023-05-18 CN CN202310558989.7A patent/CN116309963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190631A (zh) * | 2018-08-31 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 图片的目标对象标注方法及装置 |
WO2021189913A1 (zh) * | 2020-09-24 | 2021-09-30 | 平安科技(深圳)有限公司 | 图像中目标物的分割方法、装置、电子设备及存储介质 |
CN115082659A (zh) * | 2022-06-28 | 2022-09-20 | 杭州萤石软件有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
CN115512333A (zh) * | 2022-10-09 | 2022-12-23 | 北京无线电测量研究所 | 一种sar图像的车辆目标检测方法和系统 |
CN115641323A (zh) * | 2022-11-04 | 2023-01-24 | 四川启睿克科技有限公司 | 医学图像自动标注的方法及装置 |
Non-Patent Citations (1)
Title |
---|
柯逍;李绍滋;陈国龙;: "基于Co-training的图像自动标注", 厦门大学学报(自然科学版), no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542984A (zh) * | 2023-07-07 | 2023-08-04 | 浙江省北大信息技术高等研究院 | 五金件缺陷检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116309963B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
CN112633276A (zh) | 训练方法、识别方法、装置、设备、介质 | |
CN114429633B (zh) | 文本识别方法、模型的训练方法、装置、电子设备及介质 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN115130581A (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
CN114998906B (zh) | 文本检测方法、模型的训练方法、装置、电子设备及介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN115361584B (zh) | 一种视频数据处理方法、装置、电子设备及可读存储介质 | |
CN115497113B (zh) | 信息生成方法、装置、电子设备以及存储介质 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN116824609B (zh) | 文档版式检测方法、装置和电子设备 | |
CN113361524B (zh) | 图像处理方法及装置 | |
CN114898374A (zh) | 一种图像的语义识别方法、装置、设备和存储介质 | |
CN116167978A (zh) | 一种模型更新方法、装置、电子设备及存储介质 | |
CN116455999A (zh) | 一种应用状态管理方法、装置、电子设备及存储介质 | |
CN116884023A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN117671400A (zh) | 样本收集方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |