CN117315398A - 道路环境数据生成、视觉算法模型的训练、评测方法 - Google Patents
道路环境数据生成、视觉算法模型的训练、评测方法 Download PDFInfo
- Publication number
- CN117315398A CN117315398A CN202311328076.2A CN202311328076A CN117315398A CN 117315398 A CN117315398 A CN 117315398A CN 202311328076 A CN202311328076 A CN 202311328076A CN 117315398 A CN117315398 A CN 117315398A
- Authority
- CN
- China
- Prior art keywords
- road
- environment data
- algorithm model
- data
- road environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 84
- 230000000007 visual effect Effects 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 49
- 239000002131 composite material Substances 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 47
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000009877 rendering Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能技术领域，具体提供一种道路环境数据生成、视觉算法模型的训练、评测方法、装置及介质，旨在解决在确保合成数据的合理性的前提下，如何更为高效地生成道路环境数据的问题。为此目的，本发明基于真实采集道路数据，获取道路结构信息，并设置道路结构信息对应的环境物品放置规则，根据道路结构信息和环境物品放置规则来生成合成道路环境数据，能够实现合成道路环境数据的自动化批量生成，无需进行手动操作，也能够有效保证合成道路环境数据的合理性，从而确保了视觉算法模型的有效训练和评测。
Description
技术领域
本发明涉及人工智能技术领域，具体提供一种道路环境数据生成、视觉算法模型的训练、评测方法、装置及介质。
背景技术
目前，自动驾驶已经得到了越来越多人的关注，而自动驾驶功能是离不开视觉算法的。视觉算法是通过感知周围环境来为自动驾驶的决策提供数据支持的。而针对自动驾驶而言，道路环境是周围环境的一个重要组成部分。因而对道路环境的感知对视觉算法而言是非常重要的。
道路环境的感知的正确与否，很大程度上取决于视觉算法模型的训练数据集和评测数据集。如果训练数据集和评测数据集中包含足够丰富的道路环境数据，就能够对视觉算法模型进行更为深度的训练和更为准确的评测，从而提升视觉算法模型的性能。
但是，采集的真实道路环境数据往往不能够满足需求。这就需要由合成道路环境数据来组成数据集。在生成合成道路环境数据时，在保证合成数据的合理性的前提下，为了确保合成道路环境数据的丰富性和多样性，往往需要手动摆放道路环境中的场景物件，这样往往效率极低，不利于模型训练和评测过程。
相应地，本领域需要一种新的模型训练和评测方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决在确保合成数据的合理性的前提下，如何更为高效地生成道路环境数据的问题。
在第一方面，本发明提供一种道路环境数据生成方法，所述方法包括：
基于真实采集道路数据，获得道路结构信息，并设置所述道路结构信息对应的环境物品放置规则；
基于所述道路结构信息和所述环境物品放置规则，生成合成道路环境数据。
在上述道路环境数据生成方法的一个技术方案中，所述基于所述道路结构信息和所述环境物品放置规则，生成合成道路环境数据，包括：
基于所述道路结构信息和所述环境物品放置规则，应用渲染引擎，生成所述合成道路环境数据。
在上述道路环境数据生成方法的一个技术方案中，所述应用渲染引擎，生成所述合成道路环境数据，包括：
基于所述道路结构信息和所述环境物品放置规则，调节所述渲染引擎的随机种子，通过所述渲染引擎，生成对应所述随机种子的不同场景的所述合成道路环境数据。
在上述道路环境数据生成方法的一个技术方案中，所述基于真实采集道路数据，获得道路结构信息，包括：
对所述真实采集道路数据进行环境感知，获取所述道路结构信息。
在上述道路环境数据生成方法的一个技术方案中，所述环境物品放置规则包括环境物品的物品种类和/或物品排布方式和/或物品出现概率；
所述设置所述道路结构信息对应的环境物品放置规则，包括：
根据所述道路结构信息，设置所述道路结构信息对应的环境物品的物品种类和/或物品排布方式和/或物品出现概率。
在第二方面，本发明提供一种视觉算法模型的训练方法，所述方法包括：
基于合成道路环境数据，对所述视觉算法模型进行训练，以获得训练好的视觉算法模型；
其中，所述合成道路环境数据是基于上述道路环境数据生成方法中任一项所述的道路环境数据生成方法获得的。
在上述视觉算法模型的训练方法的一个技术方案中，所述基于所述合成道路环境数据，对所述视觉算法模型进行训练，包括：
对所述合成环境道路数据进行图像数据采集；
基于采集的图像数据，构建所述训练数据集；
基于所述训练数据集，对所述视觉算法模型进行训练。
在第三方面，本发明提供一种视觉算法模型的评测方法，所述方法包括：
基于合成道路环境数据，对视觉算法模型进行评测，以获得所述视觉算法模型的评测结果；
其中，所述合成道路环境数据是上述道路环境数据生成方法中任一项所述的道路环境数据生成方法获得的。
在第四方面，提供一种控制装置，该控制装置包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述道路环境数据生成方法的技术方案中任一项技术方案所述的道路环境数据生成方法或上述视觉算法模型的评测方法的技术方案中任一项技术方案所述的视觉算法模型的评测方法。
在第五方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述道路环境数据生成方法的技术方案中任一项技术方案所述的道路环境数据生成方法或上述视觉算法模型的评测方法的技术方案中任一项技术方案所述的视觉算法模型的评测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明基于真实采集道路数据，获取道路结构信息，并设置道路结构信息对应的环境物品放置规则，根据道路结构信息和环境物品放置规则来生成合成道路环境数据。通过上述配置方式，本发明能够实现合成道路环境数据的自动化批量生成，无需进行手动操作，能够更为高效地生成合成道路环境数据，提升合成道路环境数据的多样性。同时，由于合成道路环境数据是基于真实采集道路数据中获得的道路结构信息生成的，能够有效保证合成道路环境数据的合理性，从而确保了视觉算法模型的有效训练和评测。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
图1是根据本发明的一个实施例的道路环境数据生成方法的主要步骤流程示意图；
图2是根据本发明实施例的一个实施方式的生成合成道路环境数据的主要步骤流程示意图；
图3是根据本发明的一个实施例的视觉算法模型的训练方法的主要步骤流程示意图；
图4是根据本发明的一个实施例的视觉算法模型的评测方法的主要步骤流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
参阅附图1，图1是根据本发明的一个实施例的道路环境数据生成方法的主要步骤流程示意图。如图1所示，本发明实施例中的道路环境数据生成方法主要包括下列步骤S101-步骤S102。
步骤S101：基于真实采集道路数据，获得道路结构信息，并设置道路结构信息对应的环境物品放置规则。
在本实施例中，可以根据真实采集道路数据，来获取道路结构信息，并为道路结构信息设置环境物品放置规则。也就是说，道路结构信息是基于真实采集道路数据获得的。其中，道路结构信息可以包括道路的中心线、路口等信息。
一个实施方式中，可以对真实采集道路数据进行静态环境感知，获得道路结构信息。如，可以通过环境感知模型对真实采集道路数据进行推理，从而获得道路结构信息，如道路的中心线、路口等。其中，静态环境感知是指利用深度学习模型，以原始传感器数据（如多路相机采集的图像、激光雷达采集的点云等）作为输入，识别出道路结构信息（包括车道位置、汇入汇出关系、路口、人行道等）的过程。
一个实施方式中，环境物品放置规则可以包括环境物品的物品种类、物品排布方式以及物品出现概率等。可以根据道路结构信息，设置道路结构信息对应的环境物品的物品种类、物品排布方式以及物品出现概率等。其中，物品种类可以包括树木、建筑、花坛、栏杆、路边摆放的自行车等。物品排布方式可以为按照市政设计规范进行排布等。
步骤S102：基于道路结构信息和环境物品放置规则，生成合成道路环境数据。
在本实施例中，可以根据道路结构信息和环境物品放置规则来生成合成道路环境数据。其中，合成道路环境数据为基于虚拟场景获得的数据。
一个实施方式中，可以应用渲染引擎来根据道路结构信息和环境物品放置规则来生成合成道路环境数据。
一个实施方式中，渲染引擎可以为UE等常用的渲染引擎。
一个实施方式中，可以通过渲染引擎中的PCG架构来基于道路结构信息和第一环境物品放置来生成合成道路环境数据。其中，PCG（Procedural Content Generation，程序化内容生成）是一种通过算法并输入参数来自动生成场景的方法。
一个实施方式中，基于道路结构信息和环境物品放置规则，调节渲染引擎的随机种子，通过渲染引擎，生成对应随机种子的不同场景的合成道路环境数据。其中，随机种子为渲染引擎的一个参数，通过设置随机种子能够实现生成不同场景的合成道路环境数据。如基于环境物品放置规则，都需要放置栏杆，通过调节随机种子可以实现栏杆的种类的不同；都需要放置花坛，通过调节随机种子可以实现花坛的款式不同；都需要放置自行车，通过调节随机种子可以实现自行车的排列方法不同等。通过调节随机种子，能够实现合成道路环境数据在设定的规则范围内随机变化，在确保合成道路环境数据的合理性的前提下，能够提升合成道路环境数据的多样性。
一个实施方式中，可以参阅附图2，图2是根据本发明实施例的一个实施方式的生成合成道路环境数据的主要步骤流程示意图。如图2所示，可以将真实采集道路数据输入至静态感知模型中，对真值采集数据（真实采集道路数据）进行推理，获得道路结构信息如道路线及路口等信息；基于道路结构信息设计制作物件摆放规则（环境物品放置规则），如物件种类、物件排布方式、物件出现几率等；基于物件摆放规则自动生成道路环境，即提取引擎内资产，一键生成道路周边环境，调节随机种子，生成不同场景。
基于上述步骤S101-步骤S102，本发明实施例基于真实采集道路数据，获取道路结构信息，并设置道路结构信息对应的环境物品放置规则，根据道路结构信息和环境物品放置规则来生成合成道路环境数据。通过上述配置方式，本发明实施例能够实现合成道路环境数据的自动化批量生成，无需进行手动操作，能够更为高效地生成合成道路环境数据，提升合成道路环境数据的多样性。同时，由于合成道路环境数据是基于真实采集道路数据中获得的道路结构信息生成的，能够有效保证合成道路环境数据的合理性，从而确保了视觉算法模型的有效训练和评测。
进一步，本发明还提供一种视觉算法模型的训练方法。
参阅附图3，图3是根据本发明的一个实施例的视觉算法模型的训练方法的主要步骤流程示意图。如图3所示，本发明实施例中的视觉算法模型的训练方法主要包括下列步骤S201。
步骤S201：基于合成道路环境数据，对视觉算法模型进行训练，以获得训练好的视觉算法模型。其中，合成道路环境数据是基于上述道路环境数据生成方法实施例中的道路环境数据生成方法获得的。
在本实施例中，可以基于合成道路环境数据，来对视觉算法模型进行训练，以获得训练好的视觉算法模型。其中，视觉算法模型可以为特征提取算法模型、图像分割算法模型、目标检测算法模型、目标分类算法模型、深度学习算法模型、感知算法模型以及物体跟踪算法模型等应用于自动驾驶的模型。
在本发明实施例的一个实施方式中，步骤S201可以进一步包括以下步骤S2011和步骤S2013：
步骤S2011：对合成环境道路数据进行图像数据采集。
步骤S2012：基于采集的图像数据，构建训练数据集。
步骤S2013：基于训练数据集，对视觉算法模型进行训练。
在本实施方式中，可以对合成环境道路数据进行图像数据采集，如应用虚拟摄像头对合成道路环境数据进行图像数据采集。基于采集的图像数据，来构建训练数据集。可以基于训练数据集来对视觉算法模型进行训练。由于训练数据集中包含合成道路环境数据，能够使得训练数据集的数据量和多样性都有效提升，因而应用训练数据集对视觉算法模型进行训练，能够获更好的训练效果。
进一步，本发明还提供一种视觉算法模型的评测方法。
参阅附图4，图4是根据本发明的一个实施例的视觉算法模型的评测方法的主要步骤流程示意图。如图4所示，本发明实施例中的视觉算法模型的评测方法主要包括下列步骤S301。
步骤S301：基于合成道路环境数据，对视觉算法模型进行评测，以获得视觉算法模型的评测结果。其中，合成道路环境数据是基于上述道路环境数据生成方法实施例中的道路环境数据生成方法获得的。
在本实施例中，可以基于合成道路环境数据，对视觉算法模型进行评测，从而获得评测结果。由于合成道路环境数据能够通过上述方法自动化批量生成，无需进行手动操作，能够实现数据生成过程的高效性，提升合成道路环境数据的多样性。同时，由于合成道路环境数据是基于真实采集道路数据中获得的道路结构信息生成的，能够有效保证合成道路环境数据的合理性，从而确保了视觉算法模型的有效评测。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的道路环境数据生成方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的道路环境数据生成方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的道路环境数据生成方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的道路环境数据生成方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的道路环境数据生成方法，即每个处理器分别执行上述方法实施例的道路环境数据生成方法的不同步骤，来共同实现上述方法实施例的道路环境数据生成方法。
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的道路环境数据生成方法的程序，该程序可以由处理器加载并运行以实现上述道路环境数据生成方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的视觉算法模型的训练方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的视觉算法模型的训练方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的视觉算法模型的训练方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的视觉算法模型的训练方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的视觉算法模型的训练方法，即每个处理器分别执行上述方法实施例的视觉算法模型的训练方法的不同步骤，来共同实现上述方法实施例的视觉算法模型的训练方法。
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的视觉算法模型的训练方法的程序，该程序可以由处理器加载并运行以实现上述视觉算法模型的训练方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的视觉算法模型的评测方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的视觉算法模型的评测方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的视觉算法模型的评测方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的视觉算法模型的评测方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的视觉算法模型的评测方法，即每个处理器分别执行上述方法实施例的视觉算法模型的评测方法的不同步骤，来共同实现上述方法实施例的视觉算法模型的评测方法。
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的视觉算法模型的评测方法的程序，该程序可以由处理器加载并运行以实现上述视觉算法模型的评测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种道路环境数据生成方法，其特征在于，所述方法包括：
基于真实采集道路数据，获得道路结构信息，并设置所述道路结构信息对应的环境物品放置规则；
基于所述道路结构信息和所述环境物品放置规则，生成合成道路环境数据。
2.根据权利要求1所述的道路环境数据生成方法，其特征在于，
所述基于所述道路结构信息和所述环境物品放置规则，生成合成道路环境数据，包括：
基于所述道路结构信息和所述环境物品放置规则，应用渲染引擎，生成所述合成道路环境数据。
3.根据权利要求2所述的道路环境数据生成方法，其特征在于，
所述应用渲染引擎，生成所述合成道路环境数据，包括：
基于所述道路结构信息和所述环境物品放置规则，调节所述渲染引擎的随机种子，通过所述渲染引擎，生成对应所述随机种子的不同场景的所述合成道路环境数据。
4.根据权利要求1所述的道路环境数据生成方法，其特征在于，
所述基于真实采集道路数据，获得道路结构信息，包括：
对所述真实采集道路数据进行环境感知，获取所述道路结构信息。
5.根据权利要求1所述的道路环境数据生成方法，其特征在于，所述环境物品放置规则包括环境物品的物品种类和/或物品排布方式和/或物品出现概率；
所述设置所述道路结构信息对应的环境物品放置规则，包括：
根据所述道路结构信息，设置所述道路结构信息对应的环境物品的物品种类和/或物品排布方式和/或物品出现概率。
6.一种视觉算法模型的训练方法，其特征在于，所述方法包括：
基于合成道路环境数据，对所述视觉算法模型进行训练，以获得训练好的视觉算法模型；
其中，所述合成道路环境数据是基于权利要求1-5中任一项所述的道路环境数据生成方法获得的。
7.根据权利要求6所述的视觉算法模型的训练方法，其特征在于，
所述基于合成道路环境数据，对所述视觉算法模型进行训练，包括：
对所述合成环境道路数据进行图像数据采集；
基于采集的图像数据，构建所述训练数据集；
基于所述训练数据集，对所述视觉算法模型进行训练。
8.一种视觉算法模型的评测方法，其特征在于，所述方法包括：
基于合成道路环境数据，对视觉算法模型进行评测，以获得所述视觉算法模型的评测结果；
其中，所述合成道路环境数据是基于权利要求1-5中任一项所述的道路环境数据生成方法获得的。
9.一种控制装置，包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的道路环境数据生成方法或权利要求6-7中任一项所述的视觉算法模型的训练方法或权利要求8所述的视觉算法模型的评测方法。
10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的道路环境数据生成方法或权利要求6-7中任一项所述的视觉算法模型的训练方法或权利要求8所述的视觉算法模型的评测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328076.2A CN117315398A (zh) | 2023-10-13 | 2023-10-13 | 道路环境数据生成、视觉算法模型的训练、评测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311328076.2A CN117315398A (zh) | 2023-10-13 | 2023-10-13 | 道路环境数据生成、视觉算法模型的训练、评测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117315398A true CN117315398A (zh) | 2023-12-29 |
Family
ID=89246102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311328076.2A Pending CN117315398A (zh) | 2023-10-13 | 2023-10-13 | 道路环境数据生成、视觉算法模型的训练、评测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315398A (zh) |
-
2023
- 2023-10-13 CN CN202311328076.2A patent/CN117315398A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
| US20220383649A1 (en) | System and method for facilitating graphic-recognition training of a recognition model | |
| CN103201769A (zh) | 图像处理装置、图像处理方法、程序、集成电路 | |
| CN112348737B (zh) | 模拟图像生成的方法、电子设备及存储介质 | |
| CN115100717B (zh) | 特征提取模型的训练方法、卡通对象的识别方法及装置 | |
| CN118279596B (zh) | 一种水下鱼类阳光折射图像去噪方法及系统 | |
| CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
| CN106033613B (zh) | 目标跟踪方法及装置 | |
| CN113744280A (zh) | 图像处理方法、装置、设备及介质 | |
| CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN116797830A (zh) | 一种基于YOLOv7的图像风险分类方法及装置 | |
| CN117315398A (zh) | 道路环境数据生成、视觉算法模型的训练、评测方法 | |
| CN116245915A (zh) | 一种基于视频的目标跟踪方法 | |
| CN115164908A (zh) | 一种基于植物冠层地标的无人机导航方法以及装置 | |
| CN115116052A (zh) | 一种果园荔枝识别方法、装置、设备及存储介质 | |
| Stanski et al. | Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome | |
| CN114764814A (zh) | 植物高度确定方法、装置、电子设备及介质 | |
| Luo et al. | Detection of pine cones in natural environment using improved YOLOv4 deep learning algorithm | |
| CN117593470B (zh) | 一种基于ai模型的街景重构方法及系统 | |
| CN117095239B (zh) | 仿真资产真实度评价方法、控制装置及存储介质 | |
| CN117649635B (zh) | 狭窄水道场景影消点检测方法、系统及存储介质 | |
| CN117953361B (zh) | 一种基于密度图的水下鱼群小目标稳健计数方法 | |
| CN116820125B (zh) | 一种基于图像处理的无人播种机控制方法及系统 | |
| CN118628508A (zh) | 点云数据滤波方法、电子设备及可读存储介质 | |
| Liu et al. | Apical growing points segmentation by using RGB-D data |
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 |