一种模型训练方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术实施例公开了一种模型训练方法、装置、服务器及存储介质，其中方法包括：获取初始检测模型，初始检测模型是根据第一样本集训练得到的，第一样本集包括：关于第一检测部位的样本检测图像，初始检测模型用于识别检测设备对第一检测部位进行检测采集的目标检测图像的图像特征；获取第二样本集，第二样本集的样本数量小于第一样本集的样本数量，第二样本集包括：关于第二检测部位的样本检测图像；根据第二样本集，调整初始检测模型的模型参数，得到目标检测模型，目标检测模型用于识别检测设备对第二检测部位进行检测采集的目标检测图像的图像特征，可快速进行模型训练，并得到性能较好的模型。

A model training method, device, server and storage medium

【技术实现步骤摘要】
一种模型训练方法、装置、服务器及存储介质
本申请涉及计算机
，尤其涉及一种用于图像检测的模型训练方法、装置、服务器及存储介质。
技术介绍
随着计算机技术的不断深入发展，传统的基于机器学习方法进行图像识别的过程为，获取样本图像，特征提取，构建分类器，并将提取的特征输入到分类器中以实现对种类的识别，而传统的机器学习方法需要依赖于人工进行特征提取，而且，为了训练得到较好的训练模型，需要获取的样本图像的数量往往是非常庞大的，可见，在采用当前的模型训练方法进行模型训练时，样本图像的获取过程常耗费大量的时间和成本，而且，如果在进行特征提取时，提取到的特征数量较少，可能导致对模型的训练不够充分，而导致训练得到的模型的性能较差，泛化性不强的问题。由此可见，如何快速进行模型训练，且同时得到性能较好的模型，是当前模型训练过程中的研究热点。
技术实现思路
本专利技术实施例提供了一种用于图像检测的模型训练方法、装置、服务器及存储介质，可快速进行模型训练，并得到性能较好的模型。一方面，本专利技术实施例提供了一种用于图像检测的模型训练方法，所述方法包括：获取初始检测模型，所述初始检测模型是根据第一样本集训练得到的，所述第一样本集包括：关于第一检测部位的样本检测图像，所述初始检测模型用于识别检测设备对所述第一检测部位进行检测采集的目标检测图像的图像特征；获取第二样本集，所述第二样本集的样本数量小于所述第一样本集的样本数量，所述第二样本集包括：关于第二检测部位的样本检测图像；根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，所述目标检测模型用于识别所述检测设备对所述第二检测部位进行检测采集的目标检测图像的图像特征。另一方面，本专利技术实施例提供了一种用于图像检测的模型训练装置，所述装置包括：获取单元，用于获取初始检测模型，所述初始检测模型是根据第一样本集训练得到的，所述第一样本集包括：关于第一检测部位的样本检测图像，所述初始检测模型用于识别检测设备对所述第一检测部位进行检测采集的目标检测图像的图像特征；所述获取单元，还用于获取第二样本集，所述第二样本集的样本数量小于所述第一样本集的样本数量，所述第二样本集包括：关于第二检测部位的样本检测图像；调整单元，用于根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，所述目标检测模型用于识别所述检测设备对所述第二检测部位进行检测采集的目标检测图像的图像特征。再一方面，本专利技术实施例提供了一种服务器，包括处理器、存储器和通信接口，所述处理器、所述存储器和所述通信接口相互连接，其中，所述存储器用于存储计算机程序指令，所述处理器被配置用于执行所述程序指令，执行如下步骤：获取初始检测模型，所述初始检测模型是根据第一样本集训练得到的，所述第一样本集包括：关于第一检测部位的样本检测图像，所述初始检测模型用于识别检测设备对所述第一检测部位进行检测采集的目标检测图像的图像特征；获取第二样本集，所述第二样本集的样本数量小于所述第一样本集的样本数量，所述第二样本集包括：关于第二检测部位的样本检测图像；根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，所述目标检测模型用于识别所述检测设备对所述第二检测部位进行检测采集的目标检测图像的图像特征。再一方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。在本专利技术实施例中，服务器在确定对第二部位的检测图像的图像特征进行特征识别的目标检测模型时，可先获取基于第一样本集训练得到的初始检测模型，该初始检测模型用于对第一检测部位的目标检测图像的图像特征进行识别，进一步地，服务器可获取小数量的对第二检测部位进行检测时采集到的样本检测图像，从而可基于对第二检测部位进行检测时采集到的样本检测图像的图像特征，对该初始检测模型的模型参数进行调整，以得到用于对第二检测部位的检测图像的图像特征进行识别的目标检测模型，实现了基于较小数量的第二检测部位的样本，对目标检测模型的训练过程，有效减轻了对第二检测部位的检测图像样本的获取压力，从而提升了对用于识别第二检测部位的图像特征的目标检测模型的准确率，且可有效提升目标检测模型的泛化性。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种用于图像检测的模型训练方法的示意图；图2是本专利技术实施例提供的一种用于图像检测的模型训练方法的示意流程图；图3是本专利技术实施例提供的一种模型训练的示意图；图4是本专利技术另一实施例提供的一种用于图像检测的模型训练方法的示意流程图；图5是本专利技术实施例提供的一种训练后的模型的输出特征的示意图；图6是本专利技术另一实施例提供的一种训练后的模型的输出特征的示意图；图7是本专利技术实施例提供的一种用于图像检测的模型训练装置的示意性框图；图8是本专利技术实施例提供的一种服务器的示意性框图。具体实施方式本专利技术实施例提出了一种用于图像检测的模型训练方法，该模型训练方法得到的目标检测模型用于对特定检测部位的目标检测图像进行识别，得到对应检测图像的图像特征，在一个实施例中，在基于深度学习的模型训练方法中，为了保证训练得到的模型(如目标模型)的准确性和可靠性，必须有足够可利用的样本检测图像进行模型训练，才能基于深度学习得到准确度较高的目标模型。而在用于对该目标检测模型进行训练的特点检测部位的图像样本较少时，可采用迁移学习和联合损失的模型训练方法，以实现对目标模型的训练。其中，迁移学习的方法可减少对样本检测图像中标注信息依赖，从而通过已有数据模型之间的迁移，实现基于较少数据量的样本，完成对目标模型的训练过程。在一个实施例中，所述目标模型可为用于确定第二检测部位的目标检测图像对应图像特征的模型，若第二检测部位对应的样本检测图像数量较少，可采用第一检测部位的较多的样本检测图像进行模型训练，得到用于检测该第一检测部位的样本检测图像的图像特征的初始检测模型，进一步地，可结合迁移学习和联合损失的模型训练方法，基于该初始检测模型和第二检测部位对应的样本检测图像确定出目标检测模型，从而实现了在第二检测部位对应的样本检测图像较少时，对用于检测第二检测部位的目标检测模型的训练过程，提升了对目标检测模型的训练效率。在一个实施例中，在对样本检测图像的图像特征进行识别时，由于不同检测部位的样本检测图像之间具有相同的底层图像特征，如边缘特征，视觉形状特征，几何变化特征以及光照变化特征等，这些底层图像特征可用于分类，或者目标识别等，从而可基于迁移学习的思想，将基于第一检测对象的样本检测图像训练得到的初始检测模本文档来自技高网...

【技术保护点】
1.一种用于图像检测的模型训练方法，其特征在于，包括：/n获取初始检测模型，所述初始检测模型是根据第一样本集训练得到的，所述第一样本集包括：关于第一检测部位的样本检测图像，所述初始检测模型用于识别检测设备对所述第一检测部位进行检测采集的目标检测图像的图像特征；/n获取第二样本集，所述第二样本集的样本数量小于所述第一样本集的样本数量，所述第二样本集包括：关于第二检测部位的样本检测图像；/n根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，所述目标检测模型用于识别所述检测设备对所述第二检测部位进行检测采集的目标检测图像的图像特征。/n

【技术特征摘要】
1.一种用于图像检测的模型训练方法，其特征在于，包括：
获取初始检测模型，所述初始检测模型是根据第一样本集训练得到的，所述第一样本集包括：关于第一检测部位的样本检测图像，所述初始检测模型用于识别检测设备对所述第一检测部位进行检测采集的目标检测图像的图像特征；
获取第二样本集，所述第二样本集的样本数量小于所述第一样本集的样本数量，所述第二样本集包括：关于第二检测部位的样本检测图像；
根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，所述目标检测模型用于识别所述检测设备对所述第二检测部位进行检测采集的目标检测图像的图像特征。


2.根据权利要求1所述的方法，其特征在于，所述获取初始检测模型，包括：
获取第一样本集，并将所述第一样本集中的各样本检测图像输入基础检测网络，以对所述基础检测网络进行训练；
在对所述基础检测网络的训练达到最优时，将训练后的最优基础检测网络作为初始检测模型。


3.根据权利要求1所述的方法，其特征在于，所述根据所述第二样本集，调整所述初始检测模型的模型参数，得到目标检测模型，包括：
将所述第二样本集中的各样本检测图像输入所述初始检测模型，并对所述初始检测模型进行训练；
在对所述初始检测模型的训练达到最优时，将训练后的最优初始检测模型作为中间检测模型；
对所述中间检测模型进行训练，并在对所述中间检测模型的训练达到最优时，将训练后的最优中间检测模型作为目标检测模型。


4.根据权利要求3所述的方法，其特征在于，所述将所述第二样本集中的各样本检测图像输入所述初始检测模型，并对所述初始检测模型进行训练，包括：
获取所述初始检测模型的初始模型结构，所述初始模型结构包括以下一种或多种：所述初始检测模型的网络层数，每层网络对应的激活函数，以及每层网络的神经元个数；
调整所述初始检测模型的网络层数，所述每层网络对应的激活函数，或者，所述每层网络对应的神经元个数，得到中间检测模型对应的中间模型结构；
将所述第二样本集中的各样本检测图像输入所述中间模型结构，以确定所述中间模型结构的模型参数。


5.根据权利要求4所述的方法，其特征在于，所述方法还...

【专利技术属性】
技术研发人员：范伟亚，黄访，
申请(专利权)人：重庆金山医疗技术研究院有限公司，
类型：发明
国别省市：重庆;50