机器学习模型优化的方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种机器学习模型优化的方法、装置、计算机设备和存储介质。所述方法包括：获取至少两张第一图片；当模型库中的机器学习模型无法识别所述第一图片时，根据输入的标注指令对所述第一图片进行标注，得到第一标签；根据所述第一图片和所述第一标签对所述机器学习模型进行训练，得到目标机器学习模型；基于所述目标机器学习模型对获取的第二图片进行预标注，得到第二标签；当所述第二标签通过标注验证时，根据所述第二图片和所述第二标签对所述目标机器学习模型进行训练优化。采用本方法能够提高机器学习模型训练效率。

【技术实现步骤摘要】
机器学习模型优化的方法、装置、计算机设备和存储介质
本申请涉及人工智能机器学习
，特别是涉及一种基于云边协同的机器学习模型优化的方法、装置、计算机设备和存储介质。
技术介绍
机器学习模型能够对复杂场景图像中的目标进行识别，可以应用于各种识别场景中。在机器学习模型进行应用之前，通常需要对相应场景图像进行人工标注，然后利用标注后的场景图像作为训练样本对机器学习模型训练，然后利用训练后的机器学习模型进行目标识别。对于机器学习模型的训练，通常需要大量的图像样本进行训练，如此需要对大量的图像进行人工标注，从而会导致机器学习模型训练效率低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高机器学习模型训练效率的机器学习模型优化的方法、装置、计算机设备和存储介质。一种机器学习模型优化的方法，所述方法包括：获取至少两张第一图片；当模型库中的机器学习模型无法识别所述第一图片时，根据输入的标注指令对所述第一图片进行标注，得到第一标签；根据所述第一图片和所述第一标签对所述机器学习模型进行训练，得到目标机本文档来自技高网...

【技术保护点】
1.一种机器学习模型优化的方法，其特征在于，所述方法包括：/n获取至少两张第一图片；/n当模型库中的机器学习模型无法识别所述第一图片时，根据输入的标注指令对所述第一图片进行标注，得到第一标签；/n根据所述第一图片和所述第一标签对所述机器学习模型进行训练，得到目标机器学习模型；/n基于所述目标机器学习模型对获取的第二图片进行预标注，得到第二标签；/n当所述第二标签通过标注验证时，根据所述第二图片和所述第二标签对所述目标机器学习模型进行训练优化。/n

【技术特征摘要】
1.一种机器学习模型优化的方法，其特征在于，所述方法包括：
获取至少两张第一图片；
当模型库中的机器学习模型无法识别所述第一图片时，根据输入的标注指令对所述第一图片进行标注，得到第一标签；
根据所述第一图片和所述第一标签对所述机器学习模型进行训练，得到目标机器学习模型；
基于所述目标机器学习模型对获取的第二图片进行预标注，得到第二标签；
当所述第二标签通过标注验证时，根据所述第二图片和所述第二标签对所述目标机器学习模型进行训练优化。


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：
当模型库中的机器学习模型无法识别所述第一图片时，对所述第一图片进行去重处理；
在去重处理后的第一图片中删除分辨率低于预设分辨阈值的图片，得到目标图片；
所述根据输入的标注指令对所述第一图片进行标注包括：
根据输入的标注指令对所述目标图片进行标注。


3.根据权利要求1或2所述的方法，其特征在于，所述基于所述目标机器学习模型对获取的第二图片进行预标注之前，所述方法还包括：
对经过训练优化后的目标机器学习模型进行模型转换，得到边缘端的目标机器学习模型；
对所述目标机器学习模型进行封装，并将封装后的目标机器学习模型下发到边缘端设备。


4.根据权利要求3所述的方法，其特征在于，所述对经过训练优化后的目标机器学习模型进行模型转换之前，所述方法还包括：
获取测试图片和对应的图片标签；
通过训练优化后的目标机器学习模型对所述测试图片进行目标识别，得到识别结果；
当所述识别结果与所述图片标签一致时，执行所述对经过训练优化后的目标机器学习模型进行模型转换的步骤。


5.根据权利要求1或2所述的方法，其特征在于，所述基于所述目标机器学习模型对获取的第二图片进行预标注之前，所述方法还包括：
将所述目标机器学习模型下发至所述模型库；
所述基于所述目标机器学习模型对获...

【专利技术属性】
技术研发人员：李立赛，傅东生，马量，卢东占，彭宏飞，
申请(专利权)人：深圳奇迹智慧网络有限公司，
类型：发明
国别省市：广东;44