一种目标检测模型的训练方法、数据的标注方法和装置制造方法及图纸

本发明专利技术实施例公开了一种目标检测模型的训练方法、数据的标注方法和装置。该方法包括：获取标注有预设物体目标类别和目标位置的样本数据；将样本数据输入初始检测模型，得到预设物体的预测位置；将目标位置和预测位置进行比较，并根据比较结果调整所述初始检测模型的参数，将使得损失函数回归部分的值达到收敛时的检测模型作为目标检测模型；其中，目标检测模型的损失函数包括分类部分和回归部分，回归部分的值为待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。通过采用上述方案，有效减少了标注人员修改辅助框的时间，提升了连续帧数据的标注效率。

【技术实现步骤摘要】
一种目标检测模型的训练方法、数据的标注方法和装置
本专利技术涉及自动驾驶
，具体涉及一种目标检测模型的训练方法、数据的标注方法和装置。
技术介绍
在自动驾驶领域，感知模块是以多种传感器的数据，以及高精度地图的信息作为输入，经过一系列的计算及处理，对自动驾驶车的周围的环境精确感知。自动驾驶感知算法目前主流采用深度学习方法，目前深度学习目标检测模型的训练仍然需要依赖大规模的人工标注数据，所以利用较少的成本获得更多的标注数据，是一个亟待解决的问题。目前，深度学习目标检测模型的损失函数一般包括分类和回归两部分，其中回归部分一般采用位置、尺寸、朝向角等物理量预测值和真值差值的L1、L2、SmoothL1等形式的损失函数，以及预测框与真实框的IoU(IntersectionoverUnion，交并比)、GIoU、DIoU等形式的损失函数，这些损失函数都可以使目标检测模型预测值尽可能接近真实值。然而，目前采用的损失函数都只考虑了预测框和真实框位置的准确性，没有考虑辅助标注应用时的具体需求，即尽可能的减少标注员修改辅助框的次数。
技术实现思路
本专利技术实施例公开一种目标检测模型的训练方法、数据的标注方法和装置，有效减少了标注人员修改辅助框的时间，提升了连续帧数据的标注效率，降低了标注成本。第一方面，本专利技术实施例公开了一种目标检测模型的训练方法，该方法包括：获取标注有预设物体目标类别和目标位置的样本数据；将所述样本数据输入初始检测模型，得到所述预设物体的预测位置；将所述目标位置和所述预测位置进行比较，并根据比较结果调整所述初始检测模型的参数，将使得损失函数回归部分的值达到收敛时的检测模型作为目标检测模型；其中，所述目标检测模型的损失函数包括分类部分和回归部分，所述回归部分的值为待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。可选的，所述归一化误差是将所述预测位置与所述目标位置作差后的绝对值，以所述目标位置为准进行归一化得到的。第二方面，本专利技术实施例还提供了一种连续帧数据的标注方法，应用于云端，该方法包括：获取标注任务并读取连续帧数据，所述标注任务中包括待标注物体的类别和位置；基于预设目标检测模型，并按照标注任务对读取到的连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果；根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，其中，所述关联关系作为所述连续帧数据的预标注结果，用于在标注端进行修正；其中，所述预设目标检测模型建立了待标注物体与其在每一帧数据中的类别、位置的关联关系，所述预设目标检测模型在训练时，所采用的损失函数回归部分的值为：待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。可选的，所述方法还包括：基于机器学习方法，对所述检测结果进行修正，使得同一个待标注物体具有相同的尺寸，其中，所述机器学习方法包括卡尔曼滤波算法。可选的，所述标注任务中还包括输出文件格式；相应的，所述方法还包括：将所述预标注结果按照所述输出文件格式生成可扩展的预标注文件，并将所述预标注文件和所述连续帧数据发送到所述标注端。可选的，所述连续帧数据为图片或激光雷达点云。第三方面，本专利技术实施例还提供了一种连续帧数据的标注方法，应用于标注端，该方法包括：获取云端发送的连续帧数据的预标注结果；如果接收到对所述预标注结果的修正指令，则根据所述修正指令对所述标注结果进行修正，并将修正后的标注结果作为所述连续帧数据的目标标注结果；其中，所述预标注结果是：云端在读取连续帧数据后，基于预设目标检测模型，并按照标注任务对每帧数据中待标注物体进行目标检测得到的检测结果和各帧数据间的时序信息，建立的各帧数据中同一个待标注物体间的关联关系；其中，所述检测结果包括待标注物体的类别和位置，所述预设目标检测模型是根据权利要求1所述的目标检测模型的训练方法生成的。第四方面，本专利技术实施例还公开了一种目标检测模型的训练装置，该装置包括：样本数据获取模块，被配置为获取标注有预设待标注物体目标类别和目标位置的样本数据；预测位置确定模块，被配置为将所述样本数据输入初始检测模型，得到所述预设物体的预测位置；目标检测模型确定模块，被配置为将所述目标位置和所述预测位置进行比较，并根据比较结果调整所述初始检测模型的参数，将使得损失函数回归部分的值达到收敛时的检测模型作为目标检测模型；其中，所述目标检测模型的损失函数包括分类部分和回归部分，所述回归部分的值为待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。可选的，所述归一化误差是将所述预测位置与所述目标位置作差后的绝对值，以所述目标位置为准进行归一化得到的。第五方面，本专利技术实施例还提供了一种连续帧数据的标注装置，应用于云端，该装置包括：连续帧数据获取模块，被配置为获取标注任务并读取连续帧数据，所述标注任务中包括待标注物体的类别和位置；检测结果确定模块，被配置为基于预设目标检测模型，并按照标注任务对读取到的连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果；关联关系建立模块，被配置为根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，其中，所述关联关系作为所述连续帧数据的预标注结果，用于在标注端进行修正；其中，所述预设目标检测模型建立了待标注物体与其在每一帧数据中的类别、位置的关联关系，所述预设目标检测模型在训练时，所采用的损失函数回归部分的值为：待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。可选的，所述装置还包括：修正模块，被配置为基于机器学习方法，对所述检测结果进行修正，使得同一个待标注物体具有相同的尺寸，其中，所述机器学习方法包括卡尔曼滤波算法。可选的，所述标注任务中还包括输出文件格式；相应的，所述装置还包括：文件生成模块，被配置为将所述预标注结果按照所述输出文件格式生成可扩展的预标注文件，并将所述预标注文件和所述连续帧数据发送到所述标注端。第六方面，本专利技术实施例还提供了一种连续帧数据的标注装置，应用于标注端，该装置包括：预标注结果获取模块，被配置为获取云端发送的连续帧数据的预标注结果；修正模块，被配置为如果接收到对所述预标注结果的修正指令，则根据所述修正指令对所述标注结果进行修正，并将修正后的标注结果作为所述连续帧数据的目标标注结果；其中，所述预标注结果是：云本文档来自技高网...

【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，包括：/n获取标注有预设物体目标类别和目标位置的样本数据；/n将所述样本数据输入初始检测模型，得到所述预设物体的预测位置；/n将所述目标位置和所述预测位置进行比较，并根据比较结果调整所述初始检测模型的参数，将使得损失函数回归部分的值达到收敛时的检测模型作为目标检测模型；/n其中，所述目标检测模型的损失函数包括分类部分和回归部分，所述回归部分的值为待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。/n

【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，包括：
获取标注有预设物体目标类别和目标位置的样本数据；
将所述样本数据输入初始检测模型，得到所述预设物体的预测位置；
将所述目标位置和所述预测位置进行比较，并根据比较结果调整所述初始检测模型的参数，将使得损失函数回归部分的值达到收敛时的检测模型作为目标检测模型；
其中，所述目标检测模型的损失函数包括分类部分和回归部分，所述回归部分的值为待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。


2.根据权利要求1所述的方法，其特征在于，所述归一化误差是将所述预测位置与所述目标位置作差后的绝对值，以所述目标位置为准进行归一化得到的。


3.一种连续帧数据的标注方法，应用于云端，其特征在于，包括：
获取标注任务并读取连续帧数据，所述标注任务中包括待标注物体的类别和位置；
基于预设目标检测模型，并按照标注任务对读取到的连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果；
根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，其中，所述关联关系作为所述连续帧数据的预标注结果，用于在标注端进行修正；
其中，所述预设目标检测模型建立了待标注物体与其在每一帧数据中的类别、位置的关联关系，所述预设目标检测模型在训练时，所采用的损失函数回归部分的值为：待标注物体的位置按照归一化误差的大小进行排序后的加权和，其中，归一化误差的权重为w的k次方，w为超参数，k为归一化误差排序后的位序值。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于机器学习方法，对所述检测结果进行修正，使得同一个待标注物体具有相同的尺寸，其中，所述机器学习方法包括卡尔曼滤波算法。


5.根据权利要求3所述的方法，其特征在于，所述标注任务中还包括输出文件格式；
相应的，所述方法还包括：
将所述预标注结果按照所述输出文件格式生成可扩展的预标注文件，并将所述预标注文件和所述连续帧数据发送到所述标注端。


6.根据权利要求3-5任一所述的方法，其特征在于，所述连续帧数据为图片或激光雷达点云。


7.一种连续帧数据的标注方法，应用于标注端，其特征在于，包括：
获取云端发送的连续帧数据的预标注结果；
如果接收到对所述预标注结果的修正指令，则根据所述修正指令对所述标注结果进行修正，并将修正后的标注结果作为所述连续帧数据的目标标注结果；
其中，所述预标注结果是：云端在读取连续帧数据后，基于预设目标检测模型，并...

【专利技术属性】
技术研发人员：江浩，马贤忠，胡皓瑜，董维山，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：江苏;32