标注方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种标注方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取目标图像对应的深度学习模型；将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，所述第一标签组中标签的数量大于1个；接收第一操作，所述第一操作是从所述第一标签组中选择第二标签组的操作，所述第二标签组中标签的数量不小于1个；响应于所述第一操作，确定所述第二标签组作为所述目标图像的标签。可以利用深度学习模型得到第一标签组，由人工从第一标签组中选择第二标签组，将第二标签组作为目标图像的标签，实现半人工标注和半智能标注的功能，标注效率高。

【技术实现步骤摘要】
标注方法、装置、电子设备及存储介质
本申请涉及计算机
，尤其涉及标注方法、装置、电子设备及计算机可读存储介质。
技术介绍
随着人工智能技术的不断进步，利用深度学习技术对图像进行分类在各种领域的需求愈发突出。而大量的训练数据是进行深度学习的前提，数据的质量决定了模型的上限，而训练数据产生离不开数据标注，数据标注作为机器学习工程中重要的一环，是构建AI金字塔的基础。目前大量的标注工作需要使用人工完成，工作效率低下，人工成本高。
技术实现思路
本申请的目的在于提供标注方法、装置、电子设备及计算机可读存储介质，实现半人工标注和半智能标注的功能，标注效率高。本申请的目的采用以下技术方案实现：第一方面，本申请提供了一种标注方法，所述方法包括：获取目标图像对应的深度学习模型；将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，所述第一标签组中标签的数量大于1个；接收第一操作，所述第一操作是从所述第一标签组中选择第二标签组的操作，所述第二标签组中标签的数量不小于1个；响应于所述第一操作，确定所述第二标签组作为所述目标图像的标签。该技术方案的有益效果在于，可以将目标图像输入对应的深度学习模型，得到目标图像对应的置信度最高的第一标签组，利用深度学习模型得到第一标签组后，可以由人工从第一标签组中选择第二标签组，将第二标签组作为目标图像的标签，实现半人工标注和半智能标注的功能，标注效率高。在一些可选的实施例中，所述获取目标图像对应的深度学习模型，包括：S1：获取训练数据集，所述训练数据集包括多个图像以及每个所述图像的标签信息；S2：根据所述训练数据集，对预设深度学习模型进行训练，得到第一模型；S3：取i值为1；S4：针对待标注图像组中未被放入所述训练数据集的每个待标注图像执行以下处理：将所述待标注图像输入所述第i模型，得到所述待标注图像的标签信息，并检测所述待标注图像是否满足第i预设条件，若满足所述第i预设条件则将所述待标注图像及其标签信息放入所述训练数据集；S5：根据更新后的训练数据集，对所述第i模型进行训练，得到第i+1模型；S6：检测是否满足结束迭代条件，若不满足所述结束迭代条件则使i的值加一并执行S4，若满足所述结束迭代条件则确定所述第i+1模型作为所述目标图像对应的深度学习模型。该技术方案的有益效果在于，可以根据训练数据集对预设深度模型进行训练，得到第一模型，以第一模型为基础，对待标注图像进行预测，若满足相应的预设条件，可以将待标注图像及其标签信息放入训练数据集，利用更新后的训练数据集对当前模型进行训练，得到新的模型，一方面，通过不断更新训练数据集，可以由第i模型训练得到第i+1模型，实现模型迭代，深度学习模型的预测准确率会逐渐提升；另一方面，可以判断第i+1模型是否满足结束迭代条件，若第i+1模型不满足结束迭代条件，可以继续对i+1模型进行训练，直到满足结束迭代条件，若第i+1模型满足结束迭代条件，可以将其作为目标图像对应的深度学习模型，用于对目标图像进行预测。在一些可选的实施例中，所述第i预设条件包括以下至少一种：所述待标注图像的所有标签中置信度最高的标签的置信度大于第i预设置信度；将s1至sn按照从大到小的顺序进行排序，sk排在前bi％，其中，将所述待标注图像组中未被放入所述训练数据集的所有待标注图像记为集合A，所述集合A包括第一待标注图像至第n待标注图像，所述待标注图像是第k待标注图像，将第j待标注图像的所有标签中置信度最高的标签的置信度记为sj，n是所述集合A中所有待标注图像的数量，j和k均为不大于n的正整数，bi是小于100的正数。该技术方案的有益效果在于，第i预设条件可以是当前待标注图像的所有标签中，置信度最高的标签的置信度大于第i预设置信度；第i预设条件还可以是按照从大到小的顺序对s1至sn进行排序，当前待标注图像的所有标签中，置信度最高的标签的置信度sk排在前bi％，无论当前待标注图像中置信度最高的标签的置信度sk是否大于第i预设置信度，均可以在集合A中选择出bi％的标签的置信度较高的待标注图像。在一些可选的实施例中，所述结束迭代条件包括以下至少一种：未被放入所述训练数据集的待标注图像的数量不大于第一预设数量；所述训练数据集中的图像数量不小于第二预设数量；i不小于预设数值；接收到结束迭代的操作。该技术方案的有益效果在于，一方面，当出现未被放入训练数据集的待标注图像的数量不大于第一预设数量、训练数据集中的图像数量不小于第二预设数量中的任意一种或两种情形时，训练数据集中的图像数量较多，当前模型的预测准确率较高，可以将当前模型作为目标图像对应的深度学习模型；一方面，当i不小于预设数值时，当前模型已经进行了多次迭代，其预测准确率较高；另一方面，可以人工选择结束迭代，将当前模型作为目标图像对应的深度学习模型。在一些可选的实施例中，所述获取训练数据集，包括：检测是否存在给定深度学习模型；当检测到不存在所述给定深度学习模型时，获取已标注图像组及其标签信息，将所述已标注图像组及其标签信息放入所述训练数据集；当检测到存在所述给定深度学习模型时，将所述待标注图像组中的所有待标注图像输入所述给定深度学习模型，得到所有待标注图像的标签信息，将所有待标注图像中的部分图像及其标签信息放入所述训练数据集。该技术方案的有益效果在于，可以检测是否存在给定深度学习模型，一方面，若不存在，可以将已标注图像组及其标签信息放入训练数据集；另一方面，若存在，可以利用该给定深度学习模型对待标注图像进行预测，从待标注图像中选择部分图像及对应的标签信息放入训练数据集。在对待标注图像进行选择时，可以优先选择置信度较高的部分图像。在一些可选的实施例中，所述获取已标注图像组及其标签信息，包括：接收标注操作，所述标注操作是为所述待标注图像组中的其中一个待标注图像设置至少一个标签的操作；响应于所述标注操作，从所述待标注图像组中取出所述待标注图像并放入所述已标注图像组作为新的已标注图像，并确定所设置的标签作为所述新的已标注图像的标签，得到所述新的已标注图像的标签信息。该技术方案的有益效果在于，当不存在给定深度学习模型时，可以人工为待标注图像组中的待标注图像进行标注，得到新的已标注图像和对应的标签信息，从而将新的已标注图像和对应的标签信息放入训练数据集。在一些可选的实施例中，所述获取目标图像对应的深度学习模型，包括：获取所述目标图像对应的类型标识；当检测到所述类型标识对应的深度学习模型时，确定所述类型标识对应的深度学习模型作为所述目标图像对应的深度学习模型；当检测不到所述类型标识对应的深度学习模型时，获取所述目标图像对应的深度学习模型的方法包括S1～S6。该技术方案的有益效果在于，可以根据目标图像对应的类型标识判断是否存在该类型标识对应的深度学习模型，若存在，可以直接利用对应的深度学习模型对目标图像进行预测，若不存在，可以根据S1～S6的方法获取目标图像对应的深度学习模型，利用该模型对目标图像进行预测。在一些可选的实施例中，所述目标图像对应的深度学习模型用于图像检测，所述方法还本文档来自技高网...

【技术保护点】
1.一种标注方法，其特征在于，所述方法包括：/n获取目标图像对应的深度学习模型；/n将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，所述第一标签组中标签的数量大于1个；/n接收第一操作，所述第一操作是从所述第一标签组中选择第二标签组的操作，所述第二标签组中标签的数量不小于1个；/n响应于所述第一操作，确定所述第二标签组作为所述目标图像的标签。/n

【技术特征摘要】
20210113 CN 20211004031251.一种标注方法，其特征在于，所述方法包括：
获取目标图像对应的深度学习模型；
将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，所述第一标签组中标签的数量大于1个；
接收第一操作，所述第一操作是从所述第一标签组中选择第二标签组的操作，所述第二标签组中标签的数量不小于1个；
响应于所述第一操作，确定所述第二标签组作为所述目标图像的标签。


2.根据权利要求1所述的标注方法，其特征在于，所述获取目标图像对应的深度学习模型，包括：
S1：获取训练数据集，所述训练数据集包括多个图像以及每个所述图像的标签信息；
S2：根据所述训练数据集，对预设深度学习模型进行训练，得到第一模型；
S3：取i值为1；
S4：针对待标注图像组中未被放入所述训练数据集的每个待标注图像执行以下处理：将所述待标注图像输入所述第i模型，得到所述待标注图像的标签信息，并检测所述待标注图像是否满足第i预设条件，若满足所述第i预设条件则将所述待标注图像及其标签信息放入所述训练数据集；
S5：根据更新后的训练数据集，对所述第i模型进行训练，得到第i+1模型；
S6：检测是否满足结束迭代条件，若不满足所述结束迭代条件则使i的值加一并执行S4，若满足所述结束迭代条件则确定所述第i+1模型作为所述目标图像对应的深度学习模型。


3.根据权利要求2所述的标注方法，其特征在于，所述第i预设条件包括以下至少一种：
所述待标注图像的所有标签中置信度最高的标签的置信度大于第i预设置信度；
将s1至sn按照从大到小的顺序进行排序，sk排在前bi％，其中，将所述待标注图像组中未被放入所述训练数据集的所有待标注图像记为集合A，所述集合A包括第一待标注图像至第n待标注图像，所述待标注图像是第k待标注图像，将第j待标注图像的所有标签中置信度最高的标签的置信度记为sj，n是所述集合A中所有待标注图像的数量，j和k均为不大于n的正整数，bi是小于100的正数。


4.根据权利要求2所述的标注方法，其特征在于，所述结束迭代条件包括以下至少一种：
未被放入所述训练数据集的待标注图像的数量不大于第一预设数量；
所述训练数据集中的图像数量不小于第二预设数量；
i不小于预设数值；
接收到结束迭代的操作。


5.根据权利要求2所述的标注方法，其特征在于，所述获取训练数据集，包括：
检测是否存在给定深度学习模型；
当检测到不存在所述给定深度学习模型时，获取已标注图像组及其标签信息，将所述已标注图像组及其标签信息放入所述训练数据集；
当检测到存在所述给定深度学习模型时，将所述待标注图像组中的所有待标注图像输入所述给定深度学习模型，得到所有待标注图像的标签信息，将所有待标注图像中的部分图像及其标签信息放入所述训练数据集。


6.根据权利要求5所述的模型训练方法，其特征在于，所述获取已标注图像组及其标签信息，包括：
接收标注操作，所述标注操作是为所述待标注图像组中的其中一个待标注图像设置至少一个标签的操作；
响应于所述标注操作，从所述待标注图像组中取出所述待标注图像并放入所述已标注图像组作为新的已标注图像，并确定所设置的标签作为所述新的已标注图像的标签，得到所述新的已标注图像的标签信息。


7.根据权利要求2所述的标注方法，其特征在于，所述获取目标图像对应的深度学习模型，包括：
获取所述目标图像对应的类型标识；
当检测到所述类型标识对应的深度学习模型时，确定所述类型标识对应的深度学习模型作为所述目标图像对应的深度学习模型；
当检测不到所述类型标识对应的深度学习模型时，获取所述目标图像对应的深度学习模型的方法包括S1～S6。


8.根据权利要求1所述的标注方法，其特征在于，所述目标图像对应的深度学习模型用于图像检测，所述方法还包括：
接收第二操作，所述第二操作是在当前图像中划选第一边界框的操作；
响应于所述第二操作，根据所述当前图像和所述第一边界框，获取所述目标图像。


9.根据权利要求1所述的标注方法，其特征在于，所述获取目标图像对应的深度学习模型，包括：
将当前图像输入图像检测模型，得到所述当前图像对应的第三标签组以及所述第三标签组中的每个所述标签对应的边界框，所述第三标签组中标签的数量不小于1个；
针对所述第三标签组中的每个所述标签，根据所述当前图像和所述标签的边界框，获取所述目标图像，并获取所述标签对应的图像分类模型作为所述目标图像对应的深度学习模型。


10.根据权利要求1所述的标注方法，其特征在于，所述将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，包括：
将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组以及所述第一标签组中每个所述标签的置信度；
所述方法还包括：
根据所述第一标签组中对应所述标签的置信度，获取所述第二标签组中每个所述标签的置信度作为所述目标图像的对应标签的置信度。


11.一种标注装置，其特征在于，所述装置包括：
模型获取模块，用于获取目标图像对应的深度学习模型；
图像输入模块，用于将所述目标图像输入所述目标图像对应的深度学习模型，得到置信度最高的第一标签组，所述第一标签组中标签的数量大于1个；

【专利技术属性】
技术研发人员：陈海波，罗志鹏，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：北京;11