深度学习模型的评价方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种深度学习模型的评价方法、装置、电子设备及存储介质，所述方法包括：基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，以及基于所述评价指标参数对所述深度学习模型进行评价。本发明专利技术可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

【技术实现步骤摘要】
深度学习模型的评价方法、装置、电子设备及存储介质
本专利技术涉及自动驾驶
，尤其涉及一种深度学习模型的评价方法、装置、电子设备及存储介质。
技术介绍
深度学习模型训练的整体框架包括：获取样本图像，然后对样本图像进行预处理，然后将预处理后的图像输入已有模型(如，yolo模型等)中进行训练，并对训练的模型进行评价，进而基于评价结果确定继续训练或结束训练。相关技术中采用的模型评价方式较为单一，无法实现准确的评价训练的深度学习模型，进而会影响训练出的深度学习模型的准确性。
技术实现思路
有鉴于此，本专利技术提出一种深度学习模型的评价方法、装置、电子设备及存储介质以解决上述技术问题。为了达到上述目的，本专利技术所采用的技术方案为：根据本专利技术实施例的第一方面，提出了一种深度学习模型的评价方法，包括：基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；基于所述评价指标参数对所述深度学习模型进行评价。在一实施例中，所述基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，包括：基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。在一实施例中，所述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，包括：确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；基于所述比值确定所述评价指标参数。在一实施例中，所述基于所述比值确定所述评价指标参数，包括：基于1与所述比值的差值确定所述评价指标参数。在一实施例中，所述基于所述比值确定所述评价指标参数，包括：获取所述预测边界框与所述实际边界框的交并比；基于所述比值与所述交并比的乘积确定改进交并比；基于所述改进交并比确定所述评价指标参数。根据本专利技术实施例的第二方面，提出了一种深度学习模型的评价装置，包括：顶点坐标确定模块，用于基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；指标参数确定模块，用于基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；学习模型评价模块，用于基于所述评价指标参数对所述深度学习模型进行评价。在一实施例中，所述指标参数确定模块还用于基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。在一实施例中，所述指标参数确定模块，包括：差值确定单元，用于确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；差值计算单元，用于计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；比值确定单元，用于确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；参数确定单元，用于基于所述比值确定所述评价指标参数。在一实施例中，所述参数确定单元，还用于基于1与所述比值的差值确定所述评价指标参数。在一实施例中，所述参数确定单元，还用于：获取所述预测边界框与所述实际边界框的交并比；基于所述比值与所述交并比的乘积确定改进交并比；基于所述改进交并比确定所述评价指标参数。根据本专利技术实施例的第三方面，提出了一种电子设备，所述电子设备包括：处理器；被配置为存储处理器可执行指令的存储器；其中，所述处理器被配置为：基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；基于所述评价指标参数对所述深度学习模型进行评价。根据本专利技术实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现：基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；基于所述评价指标参数对所述深度学习模型进行评价。与现有技术相比较，本专利技术的深度学习模型的评价方法，通过基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，进而基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。附图说明图1示出了根据本专利技术的一示例性实施例的深度学习模型的评价方法的流程图；图2示出了根据本专利技术的又一示例性实施例的深度学习模型的评价方法的流程图；图3A示出了根据本专利技术的如何基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数的示意图；图3B示出了根据本专利技术的目标物体的预测边界框和实际边界框的示意图；图4示出了根据本专利技术的如何基于所述比值确定所述评价指标参数的示意图；图5示出了根据本专利技术的一示例性实施例的深度学习模型的评价装置的结构框图；图6示出了根据本专利技术的另一示例性实施例的深度学习模型的评价装置的结构框图；图7示出了根据本专利技术的一示例性实施例的电子设备的结构框图。具体实施方式以下将结合附图所示的具体实施例对本专利技术进行详细描述。但这些实施例并不限制本专利技术，本领域的普通技术人员根据这些实施例所做出的结构、方法、或功能上的变换均包含在本专利技术的保护范围内。在本专利技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术可能采用术语实际、预测等来描述各种结构，但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。图1示出了根据本专利技术的一本文档来自技高网...

【技术保护点】
1.一种深度学习模型的评价方法，其特征在于，包括：/n基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；/n基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；/n基于所述评价指标参数对所述深度学习模型进行评价。/n

【技术特征摘要】
1.一种深度学习模型的评价方法，其特征在于，包括：
基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；
基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；
基于所述评价指标参数对所述深度学习模型进行评价。


2.根据权利要求1所述的方法，其特征在于，所述基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，包括：
基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。


3.根据权利要求2所述的方法，其特征在于，所述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，包括：
确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；
计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；
确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；
基于所述比值确定所述评价指标参数。


4.根据权利要求3所述的方法，其特征在于，所述基于所述比值确定所述评价指标参数，包括：
基于1与所述比值的差值确定所述评价指标参数。


5.根据权利要求3所述的方法，其特征在于，所述基于所述比值确定所述评价指标参数，包括：
获取所述预测边界框与所述实际边界框的交并比；
基于所述比值与所述交并比的乘积确定改进交并比；
基于所述改进交并比确定所述评价指标参数。


6.一种深度学习模型的评价装置，其特征在于，包括：
顶点坐标确定模块，用于基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；
指标参数确定模块，用于基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；
学习模型评价模块，用于基于所述评价指标参数对所述深度学习模型进行评价。

【专利技术属性】
技术研发人员：苏英菲，
申请(专利权)人：东软睿驰汽车技术沈阳有限公司，
类型：发明
国别省市：辽宁;21