本申請提供了一種目標檢測模型訓練方法、裝置、電子設備及存儲介質。該方法包括：獲取訓練圖像樣本集；基于訓練圖像樣本集的特征信息和訓練結果對預測模型進行訓練；獲取新的訓練圖像樣本集，通過訓練后的預測模型對新的訓練圖像樣本集進行預測，確定新的訓練圖像樣本集中的高價值訓練圖像樣本集；利用已標注的高價值訓練圖像樣本集對目標檢測模型進行訓練，并重復上述對預測模型和目標檢測模型的訓練步驟，直至訓練后的目標檢測模型滿足預設條件，將訓練后的目標檢測模型作為最終目標檢測模型。本申請通過確定“高價值”圖像數據并利用標注后的“高價值”圖像數據對目標檢測模型進行訓練，能夠提高目標檢測模型的性能。能夠提高目標檢測模型的性能。能夠提高目標檢測模型的性能。
【技術實現步驟摘要】
目標檢測模型訓練方法、裝置、電子設備及存儲介質
[0001]本申請涉及圖像處理
，具體涉及一種目標檢測模型訓練方法、裝置、電子設備及存儲介質。
技術介紹
[0002]目標檢測是計算機視覺領域的經典任務，廣泛應用于自動駕駛、視頻監控、人臉檢測以及人機交互等領域中。在目標檢測任務中，為了訓練出符合任務需求的目標檢測模型，傳統的目標檢測模型訓練方法通常需要提供大量的已標注的圖像數據作為訓練數據集，以對目標檢測模型進行訓練。
[0003]然而，收集到的圖像數據是海量的，對其進行人工標注會耗費大量時間和人力，同時該海量圖像數據中，只有部分圖像數據是“高價值”的數據，即是對目標檢測模型的訓練有較大幫助的數據。因此，如何從海量圖像數據中確定“高價值”圖像數據，以使僅對該“高價值”圖像數據進行標注并利用已標注的“高價值”圖像數據對目標檢測模型進行模型訓練，達到提升目標檢測模型的性能的目的，是當前亟需解決的問題。
技術實現思路
[0004]本申請實施例提供了一種目標檢測模型訓練方法、裝置、電子設備及存儲介質，能夠通過確定“高價值”圖像數據，并利用標注后的“高價值”圖像數據對目標檢測模型進行訓練，提高目標檢測模型的性能。
[0005]本申請是通過如下技術方案實現的：
[0006]第一方面，本申請實施例提供了一種目標檢測模型訓練方法，包括：步驟1：獲取訓練圖像樣本集，利用已標注的訓練圖像樣本集對目標檢測模型進行模型訓練，得到訓練圖像樣本集的訓練結果；步驟2：根據訓練后的目標檢測模型對無標注的訓練圖像樣本集進行預測，得到訓練圖像樣本集的特征信息；步驟3：以訓練圖像樣本集的特征信息為模型輸入，訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練；步驟4：獲取新的訓練圖像樣本集，根據訓練后的預測模型對新的訓練圖像樣本集進行預測，得到預測結果，根據預測結果確定新的訓練圖像樣本集中的高價值訓練圖像樣本，構成高價值訓練圖像樣本集；其中，新的訓練圖像樣本集為未標注的新的訓練圖像樣本集；步驟5：將已標注的高價值訓練圖像樣本集作為訓練圖像樣本集，將訓練后的目標檢測模型作為目標檢測模型，重新執行步驟1～步驟5，直至步驟5中訓練后的目標檢測模型滿足預設條件，則停止對目標檢測模型的模型訓練，并將步驟5中訓練后的目標檢測模型作為最終目標檢測模型用于對圖像進行目標檢測。
[0007]在第一方面的一種可能的實施方式中，訓練圖像樣本集的特征信息包括訓練圖像樣本集中圖像樣本對應的表征特征和置信度；訓練圖像樣本集的訓練結果包括訓練圖像樣本集中圖像樣本對應的損失變化率；以訓練圖像樣本集的特征信息為模型輸入，訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練，包括：利用訓練圖像樣本集中圖
像樣本對應的表征特征和置信度對預測模型進行模型訓練，得到訓練圖像樣本集中圖像樣本對應的預測損失變化率；根據訓練圖像樣本集中圖像樣本對應的預測損失變化率和訓練圖像樣本集中相應的圖像樣本對應的損失變化率對預測模型的神經元權重進行調節，得到訓練后的預測模型。
[0008]在第一方面的一種可能的實施方式中，預測結果為新的訓練圖像樣本集中圖像樣本對應的新的預測損失變化率；根據訓練后的預測模型對新的訓練圖像樣本集進行預測，得到預測結果，包括：根據訓練后的目標檢測模型對新的訓練圖像樣本集進行預測，得到新的訓練圖像樣本集中圖像樣本對應的表征特征和置信度；根據訓練后的預測模型對新的訓練圖像樣本集中圖像樣本對應的表征特征和置信度進行預測，得到新的訓練圖像樣本集中圖像樣本對應的新的預測損失變化率。
[0009]在第一方面的一種可能的實施方式中，根據預測結果確定新的訓練圖像樣本集中的高價值訓練圖像樣本，構成高價值訓練圖像樣本集，包括：確定新的訓練圖像樣本集中新的預測損失變化率大于預設損失閾值的圖像樣本為高價值訓練圖像樣本；根據所有高價值訓練圖像樣本構成高價值訓練圖像樣本集。
[0010]在第一方面的一種可能的實施方式中，該方法還包括：在得到訓練后的目標檢測模型后，計算訓練后的目標檢測模型的檢測精度；相應的，直至步驟5中訓練后的目標檢測模型滿足預設條件，則停止對目標檢測模型的模型訓練，包括：判斷訓練后的目標檢測模型的檢測精度是否大于預設精度閾值，若是，則停止對目標檢測模型的模型訓練。
[0011]在第一方面的一種可能的實施方式中，利用已標注的訓練圖像樣本集對目標檢測模型進行模型訓練，還包括：計算每次模型訓練的目標檢測模型的第一平均損失變化率；判斷第一平均損失變化率是否小于第一平均損失閾值，若是，則停止對目標檢測模型的模型訓練，得到訓練后的目標檢測模型。
[0012]在第一方面的一種可能的實施方式中，以訓練圖像樣本集的特征信息為模型輸入，訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練，還包括：計算每次模型訓練的預測模型的第二平均損失變化率；判斷第二平均損失變化率是否小于第二平均損失閾值，若是，則停止對預測模型的模型訓練，得到訓練后的預測模型。
[0013]第二方面，本申請實施例提供了一種目標檢測模型訓練裝置，包括：
[0014]獲取模塊，用于獲取訓練圖像樣本集，利用已標注的訓練圖像樣本集對目標檢測模型進行模型訓練，得到訓練圖像樣本集的訓練結果。
[0015]第一預測模塊，用于根據訓練后的目標檢測模型對無標注的訓練圖像樣本集進行預測，得到訓練圖像樣本集的特征信息。
[0016]第一訓練模塊，用于以訓練圖像樣本集的特征信息為模型輸入，訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練。
[0017]第二預測模塊，用于獲取新的訓練圖像樣本集，根據訓練后的預測模型對新的訓練圖像樣本集進行預測，得到預測結果，根據預測結果確定新的訓練圖像樣本集中的高價值訓練圖像樣本，構成高價值訓練圖像樣本集；其中，新的訓練圖像樣本集為未標注的新的訓練圖像樣本集。
[0018]第二訓練模塊，用于將已標注的高價值訓練圖像樣本集作為訓練圖像樣本集，將訓練后的目標檢測模型作為目標檢測模型。
[0019]控制模塊，用于將第二訓練模塊中得到的訓練圖像樣本集發送給獲取模塊，以及控制獲取模塊、第一預測模塊、第一訓練模塊、第二預測模塊和第二訓練模塊重新執行，直至第二訓練模塊中訓練后的目標檢測模型滿足預設條件，則停止對目標檢測模型的模型訓練，并將第二訓練模塊中訓練后的目標檢測模型作為最終目標檢測模型用于對圖像進行目標檢測。
[0020]第三方面，本申請實施例提供了一種電子設備，包括存儲器和處理器，存儲器中存儲有可在處理器上運行的計算機程序，處理器執行計算機程序時實現如第一方面任一項的目標檢測模型訓練方法的步驟。
[0021]第四方面，本申請實施例提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序被處理器執行時實現如第一方面任一項的目標檢測模型訓練方法的步驟。
[0022]第五方面，本申請實施例提供了一種計算機程序產品，當計算機程序產品在電子控制單元上運行時，使得本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種目標檢測模型訓練方法，其特征在于，包括：步驟1：獲取訓練圖像樣本集，利用已標注的所述訓練圖像樣本集對目標檢測模型進行模型訓練，得到所述訓練圖像樣本集的訓練結果；步驟2：根據訓練后的目標檢測模型對無標注的所述訓練圖像樣本集進行預測，得到所述訓練圖像樣本集的特征信息；步驟3：以所述訓練圖像樣本集的特征信息為模型輸入，所述訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練；步驟4：獲取新的訓練圖像樣本集，根據訓練后的預測模型對所述新的訓練圖像樣本集進行預測，得到預測結果，根據所述預測結果確定所述新的訓練圖像樣本集中的高價值訓練圖像樣本，構成高價值訓練圖像樣本集；其中，所述新的訓練圖像樣本集為未標注的新的訓練圖像樣本集；步驟5：將已標注的所述高價值訓練圖像樣本集作為訓練圖像樣本集，將訓練后的目標檢測模型作為目標檢測模型，重新執行步驟1～步驟5，直至步驟5中訓練后的目標檢測模型滿足預設條件，則停止對所述目標檢測模型的模型訓練，并將步驟5中訓練后的目標檢測模型作為最終目標檢測模型用于對圖像進行目標檢測。2.根據權利要求1所述的目標檢測模型訓練方法，其特征在于，所述訓練圖像樣本集的特征信息包括所述訓練圖像樣本集中圖像樣本對應的表征特征和置信度；所述訓練圖像樣本集的訓練結果包括所述訓練圖像樣本集中圖像樣本對應的損失變化率；所述以所述訓練圖像樣本集的特征信息為模型輸入，所述訓練圖像樣本集的訓練結果為模型輸出，對預測模型進行模型訓練，包括：利用所述訓練圖像樣本集中圖像樣本對應的表征特征和置信度對預測模型進行模型訓練，得到所述訓練圖像樣本集中圖像樣本對應的預測損失變化率；根據所述訓練圖像樣本集中圖像樣本對應的預測損失變化率和所述訓練圖像樣本集中相應的圖像樣本對應的損失變化率對預測模型的神經元權重進行調節，得到訓練后的預測模型。3.根據權利要求1所述的目標檢測模型訓練方法，其特征在于，所述預測結果為所述新的訓練圖像樣本集中圖像樣本對應的新的預測損失變化率；所述根據訓練后的預測模型對所述新的訓練圖像樣本集進行預測，得到預測結果，包括：根據所述訓練后的目標檢測模型對所述新的訓練圖像樣本集進行預測，得到所述新的訓練圖像樣本集中圖像樣本對應的表征特征和置信度；根據訓練后的預測模型對所述新的訓練圖像樣本集中圖像樣本對應的表征特征和置信度進行預測，得到所述新的訓練圖像樣本集中圖像樣本對應的新的預測損失變化率。4.根據權利要求1所述的目標檢測模型訓練方法，其特征在于，所述根據所述預測結果確定所述新的訓練圖像樣本集中的高價值訓練圖像樣本，構成高價值訓練圖像樣本集，包括：確定所述新的訓練圖像樣本集中新的預測損失變化率大于預設損失閾值的圖像樣本為高價值訓練圖像樣本；根據所有所述高價值訓練圖像樣本構成高價值訓練圖像樣本集。
5.根據權利要求1
?
4任一項所述的目標檢測模型訓練方法，其特征在于，所...
【專利技術屬性】
技術研發人員：艾銳，叢瑞達，朱宏旭，顧維灝，
申請(專利權)人：毫末智行科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。