模型训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种模型训练方法、装置、计算机设备和存储介质。所述方法包括：获取预训练好的初始机器学习模型和样本图像；通过初始机器学习模型对样本图像进行处理，得到预测结果；将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息；将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息；将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。采用本方法能够提升模型训练效率。

Model training methods, devices, computer equipment and storage media

【技术实现步骤摘要】
模型训练方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种模型训练方法、装置、计算机设备和存储介质。
技术介绍
随着计算机技术的发展，出现了机器学习(ML，MachineLearning)，它被引入机器学习使其更接近于人工智能(AI，ArtificialIntelligence)。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。机器学习模型可用于对电力系统中的设备进行故障检测。而精度高的机器学习模型需要大数据量作为模型训练的支撑。在传统的方法中，机器学习模型的训练需要大量的训练数据，将大量的训练数据进行人为标注后作为对机器学习模型的输入，对机器学习模型进行训练，得到一个具备高精度的模型。进而通过模型可对电力系统中的设备进行故障检测。然而，目前的模型训练方法，对训练数据的数据量要求过高，且过度依赖人力，导致了模型训练效率低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提升模型训练效率的模型训练方法、装置、计算机设备和存储介质。一种模型训练方法，所述方法包括：获取预训练好的初始机器学习模型和样本图像；通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。一种模型训练装置，所述装置包括：获取模块，用于获取预训练好的初始机器学习模型和样本图像；处理模块，用于通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；处理模块还用于将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；确定模块，用于将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；训练模块，用于将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：获取预训练好的初始机器学习模型和样本图像；通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取预训练好的初始机器学习模型和样本图像；通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。上述设备故障检测方法、装置、计算机设备和存储介质，通过获取一个由较少量样本图像预先训练好的初始机器学习模型，作为中间状态的临时模型。进而，在实际场景中不断获取样本图像来优化初始机器学习模型，初始机器学习模型对满足高置信度条件的样本图像进行自动标注，并将满足低置信度条件的样本图像输出，进行标注处理，进而将带有标注信息的样本图像作为模型输入，不断对模型进行再训练，直至模型能够准确识别样本图像。这样，在数据量较小的情况下，保证了模型的精确度，减少了人工干预，进而提升了模型训练效率。附图说明图1为一个实施例中模型训练方法的应用场景图；图2为一个实施例中模型训练方法的流程示意图；图3为一个实施例中模型训练方法的系统框图；图4为一个实施例中模型训练装置的结构框图；图5为另一个实施例中模型训练装置的结构框图；图6为一个实施例中计算机设备的内部结构图。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。本申请提供的模型训练方法，可以应用于如图1所示的应用环境中。该应用环境包括用户终端102和计算机设备104。用户终端102与计算机设备104通过网络进行通信。其中，用户终端102具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。计算机设备104具体可以是终端或服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案相关的部分场景，并不构成对本申请方案应用环境的限定。计算机设备104获取在用户终端102预训练好的初始机器学习模型和样本图像。计算机设备104通过初始机器学习模型对样本图像进行处理，得到预测结果。计算机设备104将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对第一目标图像进行标注处理得到对应的第一标注信息。计算机设备104将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与第二目标图像对应的第二标注信息。计算机设备104将第一目标图像和第二目标图像作为样本输入，并将相应的第一标注信息和第二标注信息作为训练标签，对初始机器学习模型进行再训练。在一个实施例中，如图2所示，提供了一种模型训练方法，以该方法应用于图1中的计算机设备104为例进行说明，包括以下步骤：S202，获取预训练好的初始机器学习模型和样本图像。其中，机器学习模型是经过训练以识别特定类型的模式的文件，用于描述之前未见本文档来自技高网...

【技术保护点】
1.一种模型训练方法，包括：/n获取预训练好的初始机器学习模型和样本图像；/n通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；/n将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；/n将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；/n将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。/n

【技术特征摘要】
1.一种模型训练方法，包括：
获取预训练好的初始机器学习模型和样本图像；
通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果；
将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息；
将满足高置信度条件的预测结果对应的样本图像作为第二目标图像，并根据第二目标图像的预测结果确定与所述第二目标图像对应的第二标注信息；
将所述第一目标图像和所述第二目标图像作为样本输入，并将相应的所述第一标注信息和所述第二标注信息作为训练标签，对所述初始机器学习模型进行再训练。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取少于预设数量的、且带有样本标注的初始样本图像；
将所述初始样本图像输入至初始机器学习模型中，得到对应的初始输出；
基于所述样本标注和所述初始输出的差异，调整所述初始机器学习模型的模型参数，直到满足训练停止条件时停止训练，得到预训练好的初始机器学习模型。


3.根据权利要求1所述的方法，其特征在于，所述获取预训练好的初始机器学习模型和样本图像，包括：
获取当前阶段所对应的预训练好的初始机器学习模型和样本图像；
所述方法还包括：
获取当前阶段对所述初始机器学习模型进行再训练所得到的机器学习模型，并将所述机器学习模型作为下一阶段模型训练过程中的初始机器学习模型；
获取下一阶段对应的样本图像；
基于下一阶段所对应的初始机器学习模型和样本图像，执行所述通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果的步骤。


4.根据权利要求1所述的方法，其特征在于，所述通过所述初始机器学习模型对所述样本图像进行处理，得到预测结果，包括：
通过所述初始机器学习模型，对所述样本图像进行特征识别；
将识别出来的所述样本图像的特征与所述初始机器学习模型所记录的特征进行比对，得到比对结果；
根据所述比对结果，确定预测结果。


5.根据权利要求1所述的方法，其特征在于，所述预测结果包括多于一个的输出概率，所述将满足低置信度条件的预测结果对应的样本图像作为第一目标图像，并对所述第一目标图像进行标注处理得到对应的第一标注信息，包括：
从所述预测结果中筛选出所述输出概率均小于等于预设阈值的目标结果；
根据所述目标结果，确定第一目标图像；
提取所述第一目标图像的图像特征，并基于所述图像特...

【专利技术属性】
技术研发人员：张欣，刘顺桂，熊超，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：广东;44