CN116416194A - 图像建模平台的处理方法、装置及系统 - Google Patents
图像建模平台的处理方法、装置及系统 Download PDFInfo
- Publication number
- CN116416194A CN116416194A CN202111678802.4A CN202111678802A CN116416194A CN 116416194 A CN116416194 A CN 116416194A CN 202111678802 A CN202111678802 A CN 202111678802A CN 116416194 A CN116416194 A CN 116416194A
- Authority
- CN
- China
- Prior art keywords
- image processing
- processing unit
- target image
- workflow
- configuration information
- 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 abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 398
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 48
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 49
- 238000003860 storage Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004148 unit process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009517 secondary packaging Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像建模平台的处理方法、装置及系统,该方法包括:在图像建模平台中提供工作流创建界面和至少一个图像处理单元;响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述至少一个图像处理单元至少包括所述目标图像处理单元;响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
Description
技术领域
本公开涉及机器学习模型技术领域,更具体地,涉及一种图像建模平台的处理方法、一种图像建模平台的处理装置、一种包括至少一个计算装置和至少一个存储装置的系统、及一种计算机可读存储介质。
背景技术
随着人工智能的发展,越来越多的行业场景需要建立机器学习模型,包括但不限于应用统计分析方法、机器学习方法、深度学习方法、迁移学习方法等进行建模。
在实际的建模过程中,通常会涉及到一些对算法的结果的二次封装,对图像数据的处理常常依赖于高级建模人员或者开发者进行一些逻辑封装和自定义处理,导致了建模效率较低、门槛较高的问题。
因此,本公开提出一种基于图像建模平台对图像数据进行处理的技术方案。
发明内容
本公开的一个目的是提供一种基于图像建模平台对图像数据进行处理的新技术方案。
根据本公开的第一方面,提供了一种图像建模平台的处理方法,包括:
在图像建模平台中提供工作流创建界面和至少一个图像处理单元;
响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述目标图像处理单元从所述至少一个图像处理单元中选取;
响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
可选的,所述响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流包括:
响应于从所述至少一个图像处理单元中选取目标图像处理单元的操作,将选取的所述目标图像处理单元展示在所述工作流创建界面;
响应于在所述工作流创建界面连接所述目标图像处理单元的操作,连接所述目标图像处理单元,以得到所述工作流。
可选的,所述方法还包括:
响应于配置所述目标图像处理单元的操作,提供所述目标图像处理单元的配置项;
获取用户通过所述配置项所设置的所述目标图像处理单元的所述配置信息。
可选的,所述目标图像数据包括原始图像,所述目标图像处理单元包括用于对图像进行预处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述原始图像进行增强处理,得到增强后的图像。
可选的,所述配置信息至少包括图像增强方式,所述图像增强方式至少包括锐化、高斯模糊、旋转、以及裁剪中的任意一种或多种。
可选的,所述目标图像数据包括由图像所构成的原始样本集;所述目标图像处理单元包括用于对样本集进行拆分处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息,将所述原始样本集拆分为训练样本集、验证样本集和测试样本集。
可选的,所述配置信息至少包括拆分方式,所述拆分方式至少包括随机拆分、顺序拆分、按标签层次随机拆分、按标签层次顺序拆分、以及按自定义规则拆分中的任意一种或多种。
可选的,所述目标图像数据包括用于对模型进行训练的图像样本,所述目标图像处理单元包括用于根据图像样本进行模型训练的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像样本进行训练,得到对应的图像处理模型。
可选的,所述配置信息至少包括模型训练算法,所述模型训练算法至少包括图像分类算法、目标检测算法、实例分割算法、以及文字识别算法中的任意一种或多种。
可选的,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行评估处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
获取与所述图像处理模型匹配的测试样本集;
根据所述测试样本集和所述配置信息,对所述图像处理模型进行评估,得到所述图像处理模型的评估结果。
可选的,所述目标图像数据包括用于描述多个图像处理模型之间的调用关系的标准元文件;所述目标图像处理单元包括用于对图像处理模型进行编排处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
解析所述标准元文件,得到所述多个图像处理模型之间的调用关系;
根据所述调用关系对所述多个图像处理模型进行编排处理。
可选的,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行上线处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像处理模型进行打包;
将打包后的图像处理模型发布上线。
根据本公开的第二方面,提供了一种图像建模平台的处理装置,包括:
平台提供模块,用于在图像建模平台中提供工作流创建界面和至少一个图像处理单元;
工作流创建模块,用于响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述至少一个图像处理单元至少包括所述目标图像处理单元;
工作流运行模块,用于响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
可选的,所述工作流创建模块还用于:
响应于从所述至少一个图像处理单元中选取目标图像处理单元的操作,将选取的所述目标图像处理单元展示在所述工作流创建界面;
响应于在所述工作流创建界面连接所述目标图像处理单元的操作,连接所述目标图像处理单元,得到所述工作流。
可选的,所述装置还包括:
配置提供模块,用于响应于配置所述目标图像处理单元的操作,提供所述目标图像处理单元的配置项;
配置获取模块,用于获取用户通过所述配置项所设置的所述目标图像处理单元的所述配置信息。
可选的,所述目标图像数据包括原始图像,所述目标图像处理单元包括用于对图像进行预处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述原始图像进行增强处理,得到增强后的图像。
可选的,所述配置信息至少包括图像增强方式,所述图像增强方式至少包括锐化、高斯模糊、旋转、以及裁剪中的任意一种或多种。
可选的,所述目标图像数据包括由图像所构成的原始样本集;所述目标图像处理单元包括用于对样本集进行拆分处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息,将所述原始样本集拆分为训练样本集、验证样本集和测试样本集。
可选的,所述配置信息至少包括拆分方式,所述拆分方式至少包括随机拆分、顺序拆分、按标签层次随机拆分、按标签层次顺序拆分、以及按自定义规则拆分中的任意一种或多种。
可选的,所述目标图像数据包括用于对模型进行训练的图像样本,所述目标图像处理单元包括用于根据图像样本进行模型训练的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像样本进行训练,得到对应的图像处理模型。
可选的,所述配置信息至少包括模型训练算法,所述模型训练算法至少包括图像分类算法、目标检测算法、实例分割算法、以及文字识别算法中的任意一种或多种。
可选的,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行评估处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
获取与所述图像处理模型匹配的测试样本集;
根据所述测试样本集和所述配置信息,对所述图像处理模型进行评估,得到所述图像处理模型的评估结果。
可选的,所述目标图像数据包括用于描述多个图像处理模型之间的调用关系的标准元文件;所述目标图像处理单元包括用于对图像处理模型进行编排处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
解析所述标准元文件,得到所述多个图像处理模型之间的调用关系;
根据所述调用关系对所述多个图像处理模型进行编排处理。
可选的,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行上线处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像处理模型进行打包;
将打包后的图像处理模型发布上线。
根据本公开的第三方面,提供了一种包括至少一个计算装置和至少一个存储装置的系统,其中,所述至少一个存储装置用于存储指令,所述指令用于控制所述至少一个计算装置执行根据本公开第一方面所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实现如本公开第一方面所述的方法。
本公开的一个有益效果在于,通过在图像建模平台中提供工作流创建界面和至少一个图像处理单元,响应于创建工作流的操作,在工作流创建界面中创建由目标图像处理单元所构成的工作流,再响应于运行工作流的请求,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,这样,可以提高建模效率,降低建模的开发门槛。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且连同其说明一起用于解释本公开的原理。
图1是可用于实现本公开的实施例的电子设备的硬件配置的一个例子的框图;
图2是根据本公开实施例的图像建模平台的处理方法的流程示意图;
图3是根据本公开实施例的图像建模平台的处理装置的方框原理图;
图4是根据本公开实施例的系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
下面,参照附图描述根据本公开实施例的各个实施例和例子。
<硬件配置>
图1是示出可以实现本公开的实施例的电子设备1000的硬件配置的框图。
电子设备1000可以是便携式电脑、台式计算机、手机、平板电脑等。如图1所示,电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中,处理器1100可以是中央处理器CPU、微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信,具体地可以包括Wifi通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器1700和麦克风1800输入/输出语音信息。
图1所示的电子设备仅仅是说明性的并且决不意味着对本公开、其应用或使用的任何限制。应用于本公开的实施例中,电子设备1000的所述存储器1200用于存储指令,所述指令用于控制所述处理器1100进行操作以执行本公开实施例提供的任意一项图像建模平台的处理方法。本领域技术人员应当理解,尽管在图1中对电子设备1000示出了多个装置,但是,本公开可以仅涉及其中的部分装置,例如,电子设备1000只涉及处理器1100和存储装置1200。技术人员可以根据本公开所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
<方法实施例>
在本实施例中,提供一种图像建模平台的处理方法。该图像建模平台的处理方法可以是由电子设备实施。该电子设备可以是如图1所示的电子设备1000。该图像建模平台中可以预先提供有至少一个图像处理单元。
根据图2所示,本实施例的图像建模平台的处理方法可以包括如下步骤S2100~S2300:
步骤S2100,在图像建模平台中提供工作流创建界面和至少一个图像处理单元。
在图像建模平台中,可以预先提供至少一个图像处理单元,图像处理单元可以是针对图像场景中常见的算法和数据处理逻辑进行标准化封装和定义的处理单元。
在一个例子中,图像建模平台可以预先提供有用于对图像进行预处理的处理单元,用于对样本集进行拆分处理的处理单元,用于根据图像样本进行模型训练的处理单元,用于对模型进行评估处理的处理单元,用于对图像处理模型进行编排处理的处理单元,用于对模型进行上线处理的处理单元等处理单元中的至少一个。
本实施例中的工作流创建界面,可以是用于根据图像建模平台所提供的至少一个图像处理单元创建工作流的界面。
在本公开的一个实施例中,图像建模平台中还可以提供有处理单元列表,用于展示该图像建模平台所能够提供的所有图像处理单元的图标、名称和/或功能,以供用户选择。
步骤S2200,响应于创建工作流的操作,在工作流创建界面中创建由目标图像处理单元所构成的工作流。
其中,图像建模平台中提供的至少一个图像处理单元至少包括目标图像处理单元,所述目标图像处理单元从所述至少一个图像处理单元中选取。
在本公开的一个实施例中,目标图像处理单元的数量可以是一个。那么,响应于创建工作流的操作,在工作流创建界面中创建由目标图像处理单元所构成的工作流,响应于从至少一个图像处理单元中选取目标处理单元的操作,将选取的目标处理单元展示在工作流创建界面中,得到工作流。
在本实施例中,用户可以是根据自身实际需求,从图像建模平台中提供的至少一个图像处理单元中选取一个,作为目标图像处理单元。用户所选取的目标图像处理单元可以是展示在工作流创建界面中。
在工作流创建界面中,还可以包括创建按钮。用户在选择好目标图像处理单元的情况下,可以通过点击该创建按钮,触发该图像建模平台将展示在工作流创建界面中的目标图像处理单元,作为工作流。
在本公开的另一个实施例中,目标图像处理单元的数量可以是多个。那么,响应于创建工作流的操作,在工作流创建界面中创建由目标图像处理单元所构成的工作流,可以包括如下所示的步骤S2210~S2220:
步骤S2210,响应于从至少一个图像处理单元中选取目标处理单元的操作,将选取的目标处理单元展示在工作流创建界面中。
在本实施例中,用户可以是根据自身实际需求,从图像建模平台中提供的至少一个图像处理单元中选取多个,作为目标图像处理单元。用户所选取的多个目标图像处理单元可以是展示在工作流创建界面中。具体的,用户可以是一次选取一个或多个图像处理单元。
步骤S2220,响应于在工作流创建界面中连接目标图像处理单元的操作,连接目标图像处理单元,以得到工作流。
在本实施例中,用户可以是预先根据多个目标图像处理单元的处理顺序,依次连接多个目标图像处理单元,使得多个目标图像单元的连接顺序与处理顺序相同。
在本公开的一个实施例中,可以是每个目标图像处理单元具有一个上游连接点和一个下游连接点,分别用于表示数据的输入和输出。用户可以是通过点击第一个目标图像处理单元的下游连接点和第二个图像处理单元的上游连接点,将第一个图像处理单元和第二个图像处理单元连接,以使第一个图像处理单元先于第二个图像处理单元进行处理,即使得第二个图像处理单元对第一个图像处理单元所输出的图像数据进行处理。
在本公开的另一个实施例中,还可以是针对用户最新选择并展示在工作流创建界面中的最新的图像处理单元,确定工作流创建界面所展示的其他图像处理单元中,与最新的图像处理单元相关联的图像处理单元,并将二者进行自动连接。
进一步地,可以是从工作流创建界面中所展示的其他图像处理单元中,确定输出数据类型与最新的图像处理单元的输入数据类型相同的图像处理单元,或者是,确定输入数据类型与最新的图像处理单元的输出数据类型相同的图像处理单元,作为与最新的图像处理单元相关联的图像处理单元。
在工作流创建界面中,还可以包括创建按钮。用户在选择好目标图像处理单元的情况下,可以通过点击该创建按钮,触发该图像建模平台将展示在工作流创建界面中的多个连接好的目标图像处理单元,得到工作流。
也就是说,工作流可以包括多个连接好的目标图像处理单元。
步骤S2300,响应于运行工作流的请求,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
在本公开的一个实施例中,该图像建模平台中可以提供运行按钮,用户通过点击该运行按钮,触发运行工作流创建界面中所创建的工作流的请求。
本实施例中的配置信息,可以是在创建目标图像处理单元的情况下由开发人员所设置的,也可以是用户预先根据自身实际需求,针对每个目标图像处理单元所设定的。
具体的,配置信息可以包括以下至少一项:使用的GPU资源,使用的CPU资源,使用的内存资源,运行时调用的镜像所在地址,目标图像处理单元的输出字段,该输出字段对应的目标值字段等。
在本公开的一个实施例中,该方法还可以包括:响应于配置目标图像处理单元的操作,提供目标图像处理单元的配置项;获取用户通过该配置项所设置的目标图像处理单元的配置信息。
在本实施例中,用户可以是通过执行选中工作流创建界面中所展示的任一个目标图像处理单元的操作,触发该图像建模平台提供该目标图像处理单元的配置按钮。用户通过执行点击该配置按钮的操作,触发配置目标图像处理单元的操作。
进一步地,该图像建模平台中还可以提供有确认按钮,用户在通过配置项设置好目标图像处理单元的配置信息的情况下,可以点击该确认按钮,触发该图像建模平台获取用户所设置的配置信息。
在目标图像处理单元的数量为一个的情况下,可以是控制该目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
在本公开的第一个实施例中,目标图像数据可以包括原始图像,目标图像处理单元可以包括用于对图像进行预处理的处理单元。
其中,原始图像可以是预先存储在执行本实施例的电子设备中的图形文件格式的数据,图形文件格式可以包括PNG格式、CDR格式、AI格式、DXF格式、EPS格式、BMP格式、TIFF格式、JPEG格式、GIF格式、PSD格式、PDF格式中的任意一种。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:根据配置信息对原始图像进行增强处理,得到增强后的图像。
本实施例中,用于对图像进行预处理的目标图像处理单元,可以通过数据增强算子或者使用自定Python脚本,通过opencv的开源库(图像数据处理库)对原始图像进行各种预处理逻辑,即可得到增强后的图像。
在原始图像的数据量较小的场景下,用于构建数据样本集的图像的数量有限,可以通过本实施例的用于对图像进行预处理的目标图像处理单元,来根据原始图像来产生一些增强后的图像,根据原始图像和增强后的图像共同构建新的数据样本集,从而达到对数据样本集进行扩充的效果。
进一步地,用于对图像进行预处理的目标图像处理单元的配置信息,至少还可以包括图像增强方式。其中,图像增强方式至少包括锐化、高斯模糊、旋转、以及裁剪中的任意一种或多种。用户可以是根据自身需求,从该图像建模平台所提供的图像增强方式中选择该数据流中用于对图像进行预处理的目标图像处理单元的图像增强方式。
在本实施例中,用于对图像进行预处理的目标图像处理单元可以是按照用户所设定的图像增强方式,对原始图像进行增强处理,得到增强后的图像。
在本公开的第二个实施例中,目标图像数据可以包括由图像所构成的原始样本集,目标图像处理单元包括用于对样本集进行拆分处理的处理单元。
在一个例子中,原始样本集中的图像可以包括原始图像,和/或根据用于对图像进行预处理的目标图像处理单元所得到的增强后的图像。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:根据配置信息,将原始样本集拆分为训练样本集、验证样本集和测试样本集。
在通常情况下,进行模型训练之前,需要将原始样本集拆分为训练样本集、验证样本集和测试样本集。其中,训练样本集用于训练模型,验证样本集用于验证模型的效果,测试样本集用于测试模型的泛化性。
本实施例中用于对样本集进行拆分处理的目标图像处理单元,通过将原始样本集拆分为训练样本集、验证样本集和测试样本集,可以达到样本集拆分的效果。
进一步地,用于对样本集进行拆分处理的目标图像处理单元的配置信息至少包括拆分方式。其中,拆分方式至少包括随机拆分、顺序拆分、按标签层次随机拆分、按标签层次顺序拆分、以及按自定义规则拆分中的任意一种或多种。用户可以是根据自身需求,从该图像建模平台所提供的拆分方式中选择该数据流中用于对样本集进行拆分处理的目标图像处理单元的拆分方式。
在本实施例中,用于对样本集进行拆分处理的目标图像处理单元可以是按照用户所设定的拆分方式,将原始样本集拆分为训练样本集、验证样本集和测试样本集。
在本公开的第三个实施例中,目标图像数据可以包括用于对模型进行训练的图像样本,目标图像处理单元包括用于根据图像样本进行模型训练的处理单元。
在一个例子中,用于对模型进行训练的图像样本,可以是通过用于对样本集进行拆分处理的目标图像处理单元所得到的训练样本集中的图像样本和/或验证样本集中的图像样本。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:根据配置信息对图像样本进行训练,得到对应的图像处理模型。
进一步地,用于根据图像样本进行模型训练的目标图像处理单元的配置信息至少包括模型训练算法。其中,模型训练算法至少包括图像分类算法、目标检测算法、实例分割算法、以及文字识别算法中的任意一种或多种。用户可以是根据自身需求,从该图像建模平台所提供的模型训练算法中选择该数据流中用于根据图像样本进行模型训练的目标图像处理单元所采用的模型训练算法。
在本实施例中,用于对样本集进行拆分处理的目标图像处理单元可以是按照用户所设定的模型训练算法,对图像样本进行训练,得到对应的图像处理模型。
模型训练算法可以接受来自训练样本集的图像样本,来进行模型的训练过程,还可以接受来自验证样本集的图像样本,对已经完成训练的模型进行增量学习和调试优化。
再进一步地,图像建模平台可以还根据设定参数的参数值对图像处理模型进行训练,得到该设定参数下学习的模型结果。其中,设定参数可以包括超参和/或所需的硬件资源(包括使用的GPU资源,使用的CPU资源,使用的内存资源中的至少一个)。
在本公开的第四个实施例中,目标图像数据可以包括图像处理模型,目标图像处理单元包括用于对模型进行评估处理的处理单元。
在一个例子中,图像处理模型可以是通过用于根据图像样本进行模型训练的目标图像处理单元所得到的模型。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:获取与图像处理模型匹配的测试样本集;根据测试样本集和配置信息,对图像处理模型进行评估,得到图像处理模型的评估结果。
在一个例子中,与图像处理模型匹配的测试样本集,可以是通过用于对样本集进行拆分处理的目标图像处理单元所得到的测试样本集。
在本实施例中,用于对模型进行评估处理的目标图像处理单元,可以通过测试样本集实现图像处理模型的预测功能,并对预测结果进行评估和打分。
进一步地,用于对模型进行评估处理的目标图像处理单元的配置信息还可以包括是否对评估结果进行可视化展示。
那么,在配置信息为对对评估结果进行可视化展示的情况下,用于对模型进行评估处理的目标图像处理单元可以展示图像处理模型对测试样本集中图像样本的预测结果,包括预测正确的结果和预测错误的结果,还可以展示预测结果与真实结果之间的差异。
在本公开的第五个实施例中,目标图像数据可以包括用于描述多个图像处理模型之间的调用关系的标准元文件,目标图像处理单元包括用于对图像处理模型进行编排处理的处理单元。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:解析标准元文件,得到多个图像处理模型之间的调用关系;根据调用关系对多个图像处理模型进行编排处理。
本实施例中的标准元文件,可以是用于描述多个图像处理模型之间的服务调度信息。
用于对图像处理模型进行编排处理的目标图像处理单元,可以通过解析标准元文件,可以处理整个应用中多个图像处理模型的调用关系,并根据调用关系对多个图像处理模型进行编排,得到完整的应用组件。
在一个例子中,图像处理模型可以是通过用于根据图像样本进行模型训练的目标图像处理单元所得到的模型。
在本公开的第六个实施例中,目标图像数据可以包括图像处理模型,目标图像处理单元包括用于对模型进行上线处理的处理单元。
那么,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,可以包括:根据配置信息对图像处理模型进行打包;将打包后的图像处理模型发布上线。
在一个例子中,图像处理模型可以是通过用于根据图像样本进行模型训练的目标图像处理单元所得到的模型。
进一步地,用于对模型进行上线处理的目标图像处理单元的配置信息,可以包括发布时间、和/或发布地址等。
在本实施例中,用于对模型进行上线处理的目标图像处理单元,可以是将用于根据图像样本进行模型训练的目标图像处理单元所训练得到的图像处理模型,在应用中心实现上线和发布,以供用户后续能够直接使用该图像处理。
在目标图像处理单元的数量为多个的情况下,可以是控制多个目标图像处理单元,按照连接顺序根据对应的配置信息对目标图像数据进行处理。
在本实施例中,工作流的第一个目标图像处理单元可以是对目标图像数据进行处理,后续的目标图像处理单元可以是对工作流中的上一个目标图像处理单元所输出的图像数据进行处理。每个目标图像处理单元对各自的图像数据进行处理的方式,可以参照前述的实施例,在此不再赘述。
本实施例的方法,通过在图像建模平台中提供工作流创建界面和至少一个图像处理单元,响应于创建工作流的操作,在工作流创建界面中创建由目标图像处理单元所构成的工作流,再响应于运行工作流的请求,控制目标图像处理单元根据对应的配置信息对目标图像数据进行处理,这样,可以提高建模效率,降低建模的开发门槛。
本实施例的图像建模平台可以支持每个图像处理单元的处理逻辑,通过将算法和数据处理逻辑进行一定程度的标准化封装得到图像处理单元,并暴露出可调式的配置信息,可以使得该图像建模平台能够满足规模化建模场景下的建模需求,而且,还可以支持图像类建模过程中的开发和评估过程。
<装置实施例>
在本实施例中,提供一种图像建模平台的处理装置3000,如图3所示,包括平台提供模块3100、工作流创建模块3200和工作流运行模块3300。该平台提供模块3100用于在图像建模平台中提供工作流创建界面和至少一个图像处理单元;该工作流创建模块3200用于响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述目标图像处理单元从所述至少一个图像处理单元中选取;该工作流运行模块3300用于响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
在本公开的一个实施例中,所述工作流创建模块3200还可以用于:
响应于从所述至少一个图像处理单元中选取目标图像处理单元的操作,将选取的所述目标图像处理单元展示在所述工作流创建界面;
响应于在所述工作流创建界面连接所述目标图像处理单元的操作,连接所述目标图像处理单元,以得到所述工作流。
在本公开的一个实施例中,所述装置还可以包括:
配置提供模块,用于响应于配置所述目标图像处理单元的操作,提供所述目标图像处理单元的配置项;
配置获取模块,用于获取用户通过所述配置项所设置的所述目标图像处理单元的所述配置信息。
在本公开的一个实施例中,所述目标图像数据包括原始图像,所述目标图像处理单元包括用于对图像进行预处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述原始图像进行增强处理,得到增强后的图像。
在本公开的一个实施例中,所述配置信息至少包括图像增强方式,所述图像增强方式至少包括锐化、高斯模糊、旋转、以及裁剪中的任意一种或多种。
在本公开的一个实施例中,所述目标图像数据包括由图像所构成的原始样本集;所述目标图像处理单元包括用于对样本集进行拆分处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息,将所述原始样本集拆分为训练样本集、验证样本集和测试样本集。
在本公开的一个实施例中,所述配置信息至少包括拆分方式,所述拆分方式至少包括随机拆分、顺序拆分、按标签层次随机拆分、按标签层次顺序拆分、以及按自定义规则拆分中的任意一种或多种。
在本公开的一个实施例中,所述目标图像数据包括用于对模型进行训练的图像样本,所述目标图像处理单元包括用于根据图像样本进行模型训练的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像样本进行训练,得到对应的图像处理模型。
在本公开的一个实施例中,所述配置信息至少包括模型训练算法,所述模型训练算法至少包括图像分类算法、目标检测算法、实例分割算法、以及文字识别算法中的任意一种或多种。
在本公开的一个实施例中,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行评估处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
获取与所述图像处理模型匹配的测试样本集;
根据所述测试样本集和所述配置信息,对所述图像处理模型进行评估,得到所述图像处理模型的评估结果。
在本公开的一个实施例中,所述目标图像数据包括用于描述多个图像处理模型之间的调用关系的标准元文件;所述目标图像处理单元包括用于对图像处理模型进行编排处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
解析所述标准元文件,得到所述多个图像处理模型之间的调用关系;
根据所述调用关系对所述多个图像处理模型进行编排处理。
在本公开的一个实施例中,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行上线处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像处理模型进行打包;
将打包后的图像处理模型发布上线。
本领域技术人员应当明白,可以通过各种方式来实现图像建模平台的处理装置3000。例如,可以通过指令配置处理器来实现图像建模平台的处理装置3000。例如,可以将指令存储在ROM中,并且当启动设备时,将指令从ROM读取到可编程器件中来实现图像建模平台的处理装置3000。例如,可以将图像建模平台的处理装置3000固化到专用器件(例如ASIC)中。可以将图像建模平台的处理装置3000分成相互独立的单元,或者可以将它们合并在一起实现。图像建模平台的处理装置3000可以通过上述各种实现方式中的一种来实现,或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中,图像建模平台的处理装置3000可以具有多种实现形式,例如,图像建模平台的处理装置3000可以是任何的提供图像建模平台的处理服务的软件产品或者应用程序中运行的功能模块,或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等,还可以是这些软件产品或者应用程序本身。
<系统实施例>
在本实施例中,如图4所示,还提供一种至少一个计算装置4100和至少一个存储装置4200的系统4000。该至少一个存储装置4200用于存储可执行的指令;该指令用于控制至少一个计算装置4100执行根据本公开任意实施例的图像建模平台的处理方法。
在本实施例中,该系统4000可以是手机、平板电脑、掌上电脑、台式机、笔记本电脑、工作站、游戏机等设备,也可以是由多个设备构成的分布式系统。
<计算机可读存储介质>
在本实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被处理器执行时实现如本公开任意实施例的图像建模平台的处理方法。
本公开可以是设备、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种图像建模平台的处理方法,包括:
在图像建模平台中提供工作流创建界面和至少一个图像处理单元;
响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述目标图像处理单元从所述至少一个图像处理单元中选取;
响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
2.根据权利要求1所述的方法,所述响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流包括:
响应于从所述至少一个图像处理单元中选取目标图像处理单元的操作,将选取的所述目标图像处理单元展示在所述工作流创建界面;
响应于在所述工作流创建界面连接所述目标图像处理单元的操作,连接所述目标图像处理单元,以得到所述工作流。
3.根据权利要求1所述的方法,所述目标图像数据包括原始图像,所述目标图像处理单元包括用于对图像进行预处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述原始图像进行增强处理,得到增强后的图像。
4.根据权利要求1所述的方法,所述目标图像数据包括由图像所构成的原始样本集;所述目标图像处理单元包括用于对样本集进行拆分处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息,将所述原始样本集拆分为训练样本集、验证样本集和测试样本集。
5.根据权利要求1所述的方法,所述目标图像数据包括用于对模型进行训练的图像样本,所述目标图像处理单元包括用于根据图像样本进行模型训练的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
根据所述配置信息对所述图像样本进行训练,得到对应的图像处理模型。
6.根据权利要求1所述的方法,所述目标图像数据包括图像处理模型,所述目标图像处理单元包括用于对模型进行评估处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
获取与所述图像处理模型匹配的测试样本集;
根据所述测试样本集和所述配置信息,对所述图像处理模型进行评估,得到所述图像处理模型的评估结果。
7.根据权利要求1所述的方法,所述目标图像数据包括用于描述多个图像处理模型之间的调用关系的标准元文件;所述目标图像处理单元包括用于对图像处理模型进行编排处理的处理单元;
所述控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理包括:
解析所述标准元文件,得到所述多个图像处理模型之间的调用关系;
根据所述调用关系对所述多个图像处理模型进行编排处理。
8.一种图像建模平台的处理装置,包括:
平台提供模块,用于在图像建模平台中提供工作流创建界面和至少一个图像处理单元;
工作流创建模块,用于响应于创建工作流的操作,在所述工作流创建界面中创建由目标图像处理单元所构成的工作流;其中,所述至少一个图像处理单元至少包括所述目标图像处理单元;
工作流运行模块,用于响应于运行所述工作流的请求,控制所述目标图像处理单元根据对应的配置信息对目标图像数据进行处理。
9.一种包括至少一个计算装置和至少一个存储装置的人工智能应用集成管理系统,其中,所述至少一个存储装置用于存储指令,所述指令用于控制所述至少一个计算装置执行根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678802.4A CN116416194A (zh) | 2021-12-31 | 2021-12-31 | 图像建模平台的处理方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678802.4A CN116416194A (zh) | 2021-12-31 | 2021-12-31 | 图像建模平台的处理方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416194A true CN116416194A (zh) | 2023-07-11 |
Family
ID=87055210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678802.4A Pending CN116416194A (zh) | 2021-12-31 | 2021-12-31 | 图像建模平台的处理方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416194A (zh) |
-
2021
- 2021-12-31 CN CN202111678802.4A patent/CN116416194A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
US20210334706A1 (en) | Augmentation device, augmentation method, and augmentation program | |
US10762678B2 (en) | Representing an immersive content feed using extended reality based on relevancy | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN111611240A (zh) | 执行自动机器学习过程的方法、装置及设备 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
WO2022052959A1 (zh) | 一种文本数据的处理方法、装置及系统 | |
CN113836268A (zh) | 文档理解方法及装置、电子设备和介质 | |
US10621301B2 (en) | Coordinates-based variational autoencoder for generating synthetic via layout patterns | |
US20190171745A1 (en) | Open ended question identification for investigations | |
CN112990625A (zh) | 标注任务的分配方法、装置及服务器 | |
CN112148276A (zh) | 用于深度学习的可视化编程 | |
CN115147547B (zh) | 人体重建方法和装置 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
US11941685B2 (en) | Virtual environment arrangement and configuration | |
CN116416194A (zh) | 图像建模平台的处理方法、装置及系统 | |
CN111191795B (zh) | 一种训练机器学习模型的方法、装置及系统 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN111510376B (zh) | 图像处理方法、装置及电子设备 | |
CN114443022A (zh) | 生成页面搭建区块的方法及电子设备 | |
US11151616B2 (en) | Contextual information insertion in context with content | |
CN114048137A (zh) | 一种应用测试方法、装置及电子设备 | |
CN113255819A (zh) | 用于识别信息的方法和装置 | |
US10657692B2 (en) | Determining image description specificity in presenting digital content | |
CN114077664A (zh) | 机器学习平台中的文本处理方法、装置及设备 |
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 |