CN117436484A - 图像识别模型构建、装置、计算机设备和存储介质 - Google Patents

图像识别模型构建、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117436484A
CN117436484A CN202311251288.5A CN202311251288A CN117436484A CN 117436484 A CN117436484 A CN 117436484A CN 202311251288 A CN202311251288 A CN 202311251288A CN 117436484 A CN117436484 A CN 117436484A
Authority
CN
China
Prior art keywords
model
image recognition
instruction
recognition model
target image
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
Application number
CN202311251288.5A
Other languages
English (en)
Inventor
杨春晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202311251288.5A priority Critical patent/CN117436484A/zh
Publication of CN117436484A publication Critical patent/CN117436484A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像识别模型构建方法、装置、计算机设备和存储介质。所述方法包括：调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；根据模型构建指令和初始图像识别模型，构建目标图像识别模型。采用本方法能够提高目标图像识别模型的构建效率。

Description

图像识别模型构建、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像识别模型构建方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，基于深度学习算法的图像识别模型广泛应用于人们的生产生活当中，例如，安全检查、身份核验与移动支付中使用的人脸识别模型，无人货架、智能零售柜等无人零售领域的商品识别模型，构建图像识别模型需要执行获取图像样本数据、模型训练、模型测试以及模型部署等模型构建流程。
传统技术中，利用机器学习平台编写各图像识别模型构建流程对应的程序，在此过程中，需要人工查看模型构建流程的进度，根据模型构建流程的进度依次执行各图像识别模型构建流程对应的程序，进而完成图像识别模型的构建，使用该方法存在图像识别模型构建的效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高图像识别模型构建效率的图像识别模型构建方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种图像识别模型构建方法。该方法包括：
调用目标部署环境的模型构建指令；该模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据该模型构建指令和初始图像识别模型，构建目标图像识别模型。
在其中一个实施例中，该根据该模型构建指令以及初始图像识别模型，构建目标图像识别模型，包括：
利用该模型构建指令中的数据获取指令，获取初始图像样本；
利用该模型构建指令中的模型训练指令和该初始图像样本对该初始图像识别模型进行训练，确定该目标图像识别模型；
利用该模型构建指令中的模型测试指令，确定该目标图像识别模型的测试结果；
基于该测试结果和该模型构建指令中的模型部署指令，部署该目标图像识别模型。
在其中一个实施例中，该利用该模型构建指令中的模型训练指令和该初始图像样本对该初始图像识别模型进行训练，确定该目标图像识别模型，包括：
确定各该初始图像样本的清晰度；
将该清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；
利用该模型构建指令中的模型训练指令和该目标图像样本对该初始图像识别模型进行训练，确定该目标图像识别模型。
在其中一个实施例中，该利用该模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果，包括：
根据该模型构建指令中的模型测试指令，在该预设机器学习平台的显示界面中展示该目标图像识别模型的评价指标；
基于该目标图像识别模型的评价指标，确定该目标图像识别模型的测试结果。
在其中一个实施例中，该基于该测试结果和该模型构建指令中的模型部署指令，部署该目标图像识别模型，包括：
若该测试结果为测试通过，则利用该模型构建指令中的该模型部署指令，将该目标图像识别模型部署至目标服务器中。
在其中一个实施例中，该目标部署环境为在预设编程语言环境中导入该预设机器学习平台对应的依赖文件后得到的部署环境。
第二方面，本申请还提供了一种图像识别模型构建装置。该装置包括：
调用模块，用于调用目标部署环境的模型构建指令；该模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
构建模块，用于根据该模型构建指令和初始图像识别模型，构建目标图像识别模型。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
调用目标部署环境的模型构建指令；该模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据该模型构建指令和初始图像识别模型，构建目标图像识别模型。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
调用目标部署环境的模型构建指令；该模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据该模型构建指令和初始图像识别模型，构建目标图像识别模型。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
调用目标部署环境的模型构建指令；该模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据该模型构建指令和初始图像识别模型，构建目标图像识别模型。
上述图像识别模型构建方法、装置、计算机设备和存储介质，通过调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；进而根据模型构建指令和初始图像识别模型，构建目标图像识别模型，传统技术中，需要人工查看模型构建流程的进度，根据模型构建流程的进度依次执行各图像识别模型构建流程对应的程序，模型构建效率较低，本申请实施例中，由于模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令，通过模型构建指令构建目标图像识别模型，结合了机器学习平台的对于机器学习模型构建的适用性和预设持续集成工具的便携性，从而提高了目标图像识别模型的构建效率。
附图说明
图1是本申请实施例提供的一种计算机设备的内部结构图；
图2是本申请实施例提供的一种图像识别模型构建方法的流程示意图；
图3是本申请实施例提供的一种目标图像识别模型构建方法的流程示意图；
图4是本申请实施例提供的目标图像识别模型训练方法的流程示意图；
图5是本申请实施例提供的一种目标图像识别模型测试方法的流程示意图；
图6是本申请实施例提供的一种图像识别模型构建装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的实施例可以应用于如图1所示的计算机设备上，参照图1，图1是本申请实施例中提供的计算机设备的内部结构图。该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源伸缩方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，图2是本申请实施例提供的一种图像识别模型构建方法的流程示意图，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令。
其中，目标部署环境可以是在预设编程语言环境中导入预设机器学习平台对应的依赖文件后得到的部署环境。预设编程语言可以是Python语言，预设机器学习平台可以是MLflow平台。本实施例中的，目标部署环境可以是在Python环境中导入MLflow平台的依赖文件得到的部署环境。预设持续集成工具可以包括Jenkins平台、Travis CI平台、GitLabCI/CD等等。
本实施例中，通过在计算机设备的Python环境中导入MLflow的依赖文件，构成目标部署环境，在预设持续集成工具中调用模型构建指令。
可选地，也可以接收目标设备发送的模型构建指令，进而在预设持续集成工具中导入模型构建指令。
再另外一些可选地实施例中，可以对预设持续集成工具进行配置，例如，配置预设持续集成工具的用户权限，以及配置需要部署的目标图像识别模型的服务器标识。用户权限可以分为管理员权限以及普通用户权限，用户登录预设集成工具时，可以先对用户的用户权限进行验证，若用户的用户权限为管理员权限，则可以通过预设持续集成工具修改或调用模型构建指令，若用户的用户权限为普通用户权限，则无法通过预设持续集成工具修改或调用模型构建指令。
S202，根据模型构建指令和初始图像识别模型，构建目标图像识别模型。
其中，初始图像识别模型可以是神经网络模型，例如可以包括卷积神经网络模型(Convolutional Neural Networks，CNN)、循环神经网络模型(Recurrent NeuralNetwork，RNN)等神经网络模型。
本实施例中，持续集成工具调用模型构建指令之后，可以通过模型构建指令在代码管理平台调用模型构建流程对应的目标代码，通过目标代码依次执行图像样本获取，初始目标图像识别模型训练、模型测试以及模型部署的模型构建流程。或者，计算机设备的存储系统中也可以存储图像样本，此时，只需要调用模型构建指令从计算机设备的存储系统中获取图像样本，进而执行模型训练、模型测试和模型部署的流程。计算机设备的存储系统可以是本地存储系统，也可以是云存储系统。
在另外一些实施例中，可选地，得到目标图像识别模型之后，若需要对目标图像识别模型进行调整，则可以通过预设持续集成工具修改模型构建指令，进而通过修改后的模型构建指令执行目标图像识别模型的调整过程。
本申请实施例中，通过调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；进而根据模型构建指令和初始图像识别模型，构建目标图像识别模型，传统技术中，需要人工查看模型构建流程的进度，根据模型构建流程的进度依次执行各图像识别模型构建流程对应的程序，模型构建效率较低，本申请实施例中，由于模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令，通过模型构建指令构建目标图像识别模型，结合了机器学习平台的对于机器学习模型构建的适用性和预设持续集成工具的便携性，从而提高了目标图像识别模型的构建效率。
在其中一个实施例中，图3是本申请实施例提供的一种目标图像识别模型构建方法的流程示意图，本实施例涉及的是如何根据模型构建指令以及初始图像识别模型，构建目标图像识别模型的一种可能的实现方式，在上述实施例的基础上，如图3所示，上述S202可以包括以下步骤：
S301，利用模型构建指令中的数据获取指令，获取初始图像样本。
本步骤中，模型构建指令可以包括数据获取指令，数据获取指令可以包括初始图像样本的存储位置信息，可以在预设持续集成工具中执行数据获取指令，根据数据获取指令中的初始图像样本的存储位置信息，从存储位置信息对应的存储位置获取初始图像样本。
S302，利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
本步骤中，可以通过模型训练指令将初始图像样本输入至初始图像识别模型，根据样本标签对初始图像识别模型进行训练，调整初始图像识别模型的模型参数，直至得到目标图像识别模型。
S303，利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果。
示例性地，得到目标图像识别模型之后，可以通过模型测试指令，对目标图像识别模型进行测试，得到目标图像识别模型的测试结果。具体地，模型测试指令中包括测试图像样本的存储位置信息，可以根据模型测试指令中测试图像样本的存储位置信息，获取测试图像样本，进而将测试图像样本输入目标图像识别模型，确定目标图像识别模型的测试结果。可以通过预设持续集成工具展示目标图像模型的测试结果，测试结果可以是测试通过或者测试不通过的文字信息。或者，测试结果也可以是测试图像样本对应的模型输出结果和测试标签之间的损失值。
S304，基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型。
本实施例中，模型部署指令可以是预设机器学习平台中的指令，例如，预设机器学习平台为MLflow平台，则模型部署指令可以是MLflow指令，根据MLflow指令，从目标部署环境中调用MLflow的依赖文件，进而完成目标图像识别模型的部署。具体地，若测试结果为测试通过，则可以执行模型部署指令，模型部署指令中包括需要部署的目标服务器的服务器标识信息，可以根据目标服务器的服务器标识信息，将目标图像识别模型部署至服务器标识信息对应的目标服务器中。
本申请实施例中，通过利用模型构建指令中的数据获取指令，获取初始图像样本；利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型；利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果；基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型，通过预设持续集成工具执行模型构建指令，进而完成目标图像识别模型的构建过程，提高了目标图像识别模型的构建效率。另外，通过预设持续集成工具对目标图像识别模型进行构建，若出现需要调整目标图像识别模型的情况，则可以直接找到需要修改的代码部分，进而对代码进行修改，提高了调整目标图像识别模型的效率。
在其中一个实施例中，图4是本申请实施例提供的目标图像识别模型训练方法的流程示意图，本实施例涉及的是如何利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型的一种可能的实现方式，在上述实施例的基础上，如图4所示，上述S302可以包括以下步骤：
S401，确定各初始图像样本的清晰度。
S402，将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本。
本实施例中，可以对初始图像样本进行预处理，得到目标图像样本，具体地，获取到初始图像样本之后，可以根据预设清晰度算法确定初始图像样本的清晰度，预设清晰度算法可以是Tenengrad梯度方法、Laplacian梯度方法和方差方法等等，将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本。
在另外一些可选地实施例中，可以通过预处理提高初始图像样本的清晰度，进而将提高清晰度的初始图像样本作为目标图像样本，例如，可以对初始图像样本进行直方图均衡化处理，得到目标图像样本。
S403，利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
本步骤中，模型训练指令可以是预设机器学习平台中的指令，具体地，模型训练指令可以是MLflow指令，利用MLflow指令，通过MLflow工具将目标图像样本输入至初始图像识别模型，利用目标图像样本对应的样本标签和目标图像样本对应的模型输出结果对初始图像识别模型进行训练，得到目标图像识别模型。
本申请实施例中，通过确定各初始图像样本的清晰度，进而将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本，利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。提高了确定的目标图像识别模型的准确性。
图5是本申请实施例提供的一种目标图像识别模型测试方法的流程示意图，本实施例涉及的是如何利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果的一种可能的实现方式，在上述实施例的基础上，如图5所示，上述S303可以包括以下步骤：
S501，根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标。
其中，评价指标可以包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1+score、ROC曲线(Receiver+Operating+Characteristic+Curve)等。
本实施例中，模型测试指令为机器学习平台中的指令，例如，模型测试指令可以是MLflow指令，通过模型测试指令，调用计算机设备中的测试图像样本，将测试图像样本输入至目标图像识别模型中，进而根据测试图像样本对应的样本标签和模型输出结果，使用MLflow确定目标图像识别模型的评价指标。进而在MLflow中的显示界面展示目标图像识别模型的评价指标
S502，基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果。
本步骤中，若评价指标为一个，则根据评价指标和评价指标阈值确定目标图像识别模型的测试结果，具体地，若评价指标大于评价指标阈值，目标图像识别模型的测试结果为测试通过。
可选地，若评价指标包括多个，且大于评价指标阈值的评价指标和全部的评价指标之间的百分比大于预设百分比，则目标图像识别模型的测试结果为测试通过，例如，目标图像识别模型的准确率为96％，准确率对应的评价指标阈值为95％，精确率为93％。精确率对应的评价指标阈值为90％；召回率为98％，召回率对应的评价指标阈值为95％，预设百分比为百分之五十，则该目标图像识别模型的测试结果为测试通过，各评价指标对应的评价指标阈值可以相同，也可以不同。
本申请实施例中，通过根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标，进而基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果，提高了确定的目标图像识别模型的准确性。
在其中一个实施例中，上述S304，基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型可以包括以下步骤：
若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中。
本步骤中，模型部署指令可以是MLflow指令，若测试结果为测试通过，则可以利用MLflow将目标图像识别模型部署至目标服务器中。若测试结果为测试不通过，则返回模型训练流程，继续利用模型训练指令进行模型训练，或者，也可以在MLflow的可视化工具中展示模型测试不通过的测试结果。
本申请实施例中，若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中，提高了目标图像识别模型构建的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像识别模型构建方法的图像识别模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像识别模型构建装置实施例中的具体限定可以参见上文中对于图像识别模型构建方法的限定，在此不再赘述。
在一个实施例中，如图XX所示，提供了一种图像识别模型构建装置，包括：调用模块601和构建模块602，其中：
调用模块601，用于调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
构建模块602，用于根据模型构建指令和初始图像识别模型，构建目标图像识别模型。
在其中一个实施例中，构建模块602包括：
获取单元，用于利用模型构建指令中的数据获取指令，获取初始图像样本；
训练单元，用于利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型；
测试单元，用于利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果；
部署单元，用于基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型。
在其中一个实施例中，训练单元，具体用于确定各初始图像样本的清晰度；将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
在其中一个实施例中，测试单元，具体用于根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标；基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果。
在其中一个实施例中，部署单元，具体用于若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中。
在其中一个实施例中，目标部署环境为在预设编程语言环境中导入预设机器学习平台对应的依赖文件后得到的部署环境。
上述图像识别模型装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据模型构建指令和初始图像识别模型，构建目标图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用模型构建指令中的数据获取指令，获取初始图像样本；
利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型；
利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果；
基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定各初始图像样本的清晰度；
将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；
利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标；
基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中。
在一个实施例中，目标部署环境为在预设编程语言环境中导入预设机器学习平台对应的依赖文件后得到的部署环境。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据模型构建指令和初始图像识别模型，构建目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用模型构建指令中的数据获取指令，获取初始图像样本；
利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型；
利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果；
基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各初始图像样本的清晰度；
将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；
利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标；
基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中。
在一个实施例中，目标部署环境为在预设编程语言环境中导入预设机器学习平台对应的依赖文件后得到的部署环境。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
调用目标部署环境的模型构建指令；模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据模型构建指令和初始图像识别模型，构建目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用模型构建指令中的数据获取指令，获取初始图像样本；
利用模型构建指令中的模型训练指令和初始图像样本对初始图像识别模型进行训练，确定目标图像识别模型；
利用模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果；
基于测试结果和模型构建指令中的模型部署指令，部署目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各初始图像样本的清晰度；
将清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；
利用模型构建指令中的模型训练指令和目标图像样本对初始图像识别模型进行训练，确定目标图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据模型构建指令中的模型测试指令，在预设机器学习平台的显示界面中展示目标图像识别模型的评价指标；
基于目标图像识别模型的评价指标，确定目标图像识别模型的测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若测试结果为测试通过，则利用模型构建指令中的模型部署指令，将目标图像识别模型部署至目标服务器中。
在一个实施例中，目标部署环境为在预设编程语言环境中导入预设机器学习平台对应的依赖文件后得到的部署环境。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像识别模型构建方法，其特征在于，所述方法包括：
调用目标部署环境的模型构建指令；所述模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
根据所述模型构建指令和初始图像识别模型，构建目标图像识别模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述模型构建指令以及初始图像识别模型，构建目标图像识别模型，包括：
利用所述模型构建指令中的数据获取指令，获取初始图像样本；
利用所述模型构建指令中的模型训练指令和所述初始图像样本对所述初始图像识别模型进行训练，确定所述目标图像识别模型；
利用所述模型构建指令中的模型测试指令，确定所述目标图像识别模型的测试结果；
基于所述测试结果和所述模型构建指令中的模型部署指令，部署所述目标图像识别模型。
3.根据权利要求2所述的方法，其特征在于，所述利用所述模型构建指令中的模型训练指令和所述初始图像样本对所述初始图像识别模型进行训练，确定所述目标图像识别模型，包括：
确定各所述初始图像样本的清晰度；
将所述清晰度大于预设清晰度阈值的初始图像样本作为目标图像样本；
利用所述模型构建指令中的模型训练指令和所述目标图像样本对所述初始图像识别模型进行训练，确定所述目标图像识别模型。
4.根据权利要求2所述的方法，其特征在于，所述利用所述模型构建指令中的模型测试指令，确定目标图像识别模型的测试结果，包括：
根据所述模型构建指令中的模型测试指令，在所述预设机器学习平台的显示界面中展示所述目标图像识别模型的评价指标；
基于所述目标图像识别模型的评价指标，确定所述目标图像识别模型的测试结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述测试结果和所述模型构建指令中的模型部署指令，部署所述目标图像识别模型，包括：
若所述测试结果为测试通过，则利用所述模型构建指令中的所述模型部署指令，将所述目标图像识别模型部署至目标服务器中。
6.根据权利要求1所述的方法，其特征在于，所述目标部署环境为在预设编程语言环境中导入所述预设机器学习平台对应的依赖文件后得到的部署环境。
7.一种图像处理装置，其特征在于，所述装置包括：
调用模块，用于调用目标部署环境的模型构建指令；所述模型构建指令包括预设机器学习平台中的指令和预设持续集成工具中的指令；
构建模块，用于根据所述模型构建指令和初始图像识别模型，构建目标图像识别模型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202311251288.5A 2023-09-26 2023-09-26 图像识别模型构建、装置、计算机设备和存储介质 Pending CN117436484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311251288.5A CN117436484A (zh) 2023-09-26 2023-09-26 图像识别模型构建、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311251288.5A CN117436484A (zh) 2023-09-26 2023-09-26 图像识别模型构建、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117436484A true CN117436484A (zh) 2024-01-23

Family

ID=89548865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311251288.5A Pending CN117436484A (zh) 2023-09-26 2023-09-26 图像识别模型构建、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117436484A (zh)

Similar Documents

Publication Publication Date Title
CN117033039A (zh) 故障检测方法、装置、计算机设备和存储介质
CN114168787A (zh) 音乐推荐方法、装置、计算机设备和存储介质
CN117631682A (zh) 电网无人机巡检路线确定方法和系统
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN117436484A (zh) 图像识别模型构建、装置、计算机设备和存储介质
CN115063658A (zh) 目标检测方法、装置、设备、存储介质和程序产品
CN117874530B (zh) 对抗样本检测方法、装置、设备、介质和产品
CN117196289A (zh) 资源风险评估方法、装置、设备、存储介质和程序产品
CN117151873A (zh) 异常提示方法、装置、计算机设备和存储介质
CN117853217A (zh) 数据隐私保护的金融违约率预测方法、装置以及设备
CN117435910A (zh) 一种异常数据的检测方法、装置、计算机设备
CN117743102A (zh) 应用程序运行状态监测方法、装置和计算机设备
CN115618288A (zh) 等级确定方法、装置、设备、存储介质和程序产品
CN114254702A (zh) 母线负荷异常数据识别方法、装置、设备、介质和产品
CN117454320A (zh) 目标对象识别方法、装置、计算机设备和存储介质
CN116342242A (zh) 异常检测方法、装置、计算机设备和存储介质
CN117392477A (zh) 目标对象检测模型的训练、装置、计算机设备和存储介质
CN116861071A (zh) 资讯推送方法、装置、计算机设备、存储介质和程序产品
CN116701178A (zh) 界面测试方法、装置、计算机设备和存储介质
CN115482438A (zh) 小样本图像数据处理方法、装置、计算机设备
CN118227463A (zh) 测试数据生成方法、装置、计算机设备、存储介质和产品
CN117455386A (zh) 资源审核方法、装置、计算机设备及其存储介质
CN117238017A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN117932332A (zh) 资源转移策略模型的训练方法及资源转移方法
CN117788078A (zh) 质量评价方法、装置、计算机设备和存储介质

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