数据训练方法、装置、终端设备及计算机可读存储介质制造方法及图纸

本申请实施例适用于图像处理技术领域，公开了一种数据训练方法、装置、终端设备及计算机可读存储介质，其中，方法包括：获取训练数据集；获取训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值；根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；根据占比信息、位置信息以及全局损失值，计算损失函数的数值；根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。本申请实施例可以提高目标检测的针对性和训练效率。

Data training method, device, terminal equipment and computer readable storage medium

【技术实现步骤摘要】
数据训练方法、装置、终端设备及计算机可读存储介质
本申请属于图像处理
，尤其涉及一种数据训练方法、装置、终端设备及计算机可读存储介质。
技术介绍
随着智能硬件与人工神经网络的发展，机器学习已广泛应用于生物、医疗、化学、经济等各个领域。对于图像处理部分，主要包含两大类问题，分别为分类问题和检测问题。分类问题是对不同类别的图像目标进行类别处理，而检测问题对图像目标进行类别处理和图像像素位置处理。在神经网络训练中的损失函数是指在监督学习中，表征机器学习模型基于样本映射处错误的目标变量的代价。但是，现有的机器学习或深度学习训练方法中，对损失函数的考虑较为单一，更多考虑到正则化部分，以防止过拟合问题。且对目标图像的所有像素一视同仁，即遍历图像所有像素以完成处理，这样极大地降低了训练效率。此外，利用现有的训练方法进行训练得到的训练模型进行目标检测时，针对性较差。
技术实现思路
有鉴于此，本申请实施例提供了一种数据训练方法、装置、终端设备及计算机可读存储介质，以解决现有技术中训练效率低下和目标检测针对性较差的问题。<本文档来自技高网...

【技术保护点】
1.一种数据训练方法，其特征在于，包括：/n获取训练数据集；/n获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；/n根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；/n根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；/n根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型。/n

【技术特征摘要】
1.一种数据训练方法，其特征在于，包括：
获取训练数据集；
获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；
根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；
根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型。


2.根据权利要求1所述的数据训练方法，其特征在于，在所述根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型之后，还包括：
获取测试数据集；
根据所述测试数据集对所述训练后神经网络模型进行测试，得出测试结果；
判断所述测试结果是否满足图像目标检测需求；
当所述测试结果不满足所述图像目标检测需求时，调整网络训练参数和所述训练数据集；
根据所述网络训练参数和调整后的训练数据集，重新对所述神经网络模型进行训练。


3.根据权利要求2所述的数据训练方法，其特征在于，当所述测试结果满足所述图像目标检测需求时，所述数据训练方法还包括：
利用所述训练后神经网络模型，对待检测目标进行检测。


4.根据权利要求1至3任一项所述的数据训练方法，其特征在于，所述根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值，包括：
通过损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，根据所述占比信息、所述位置信息以及所述全局损失值，计算所述损失函数的数值；
其中，Lossbasic为所述全局损失值，Losslocation为所述位置信息，Lossprop为所述占比信息，λ+μ＝1。


5.根据权利要求4所述的数据训练方法，其特征在于，所述获取所述训练数据集的标签信息，包括：
获取所述待检测目标在所述原图像的坐标信息；
根据所述坐标信息，计算...

【专利技术属性】
技术研发人员：凌健，钱令军，
申请(专利权)人：TCL集团股份有限公司，
类型：发明
国别省市：广东;44