基于yolo网络的目标检测方法、装置和设备终端制造方法及图纸

本申请涉及基于yolo网络的目标检测方法、装置、设备终端和可读存储介质，该目标检测方法通过获取训练数据中各个目标类别的初始预设特征复杂度，基于yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自的特征层结构，基于各自的特征层结构以及各个目标类别的初始预设特征复杂度，计算并调整各个预设复杂度区间的损失函数值，根据各个预设复杂度区间的损失函数值进行损失函数的拼接，以计算拼接后的损失函数的损失值，根据损失值进行权重和偏置更新以生成目标检测模型，根据目标检测模型对测试数据进行测试，输出目标的位置信息和类别信息，提高了目标检测的准确度。提高了目标检测的准确度。提高了目标检测的准确度。

【技术实现步骤摘要】
基于yolo网络的目标检测方法、装置和设备终端


[0001]本申请涉及目标检测
，具体涉及一种基于yolo网络的目标检测方法、装置、设备终端和可读存储介质。

技术介绍

[0002]目前，目标检测技术中yolo网络（You only look once，你只看一次）应用十分广泛，然而针对同一目标数据集，往往存在多个类别特征丰富度不同的类别特征，因此，若采用常规的训练方法，无法有效的提取目标类别关键特征，导致yolo网络难以收敛。

技术实现思路

[0003]鉴于此，本申请提供一种基于yolo网络的目标检测方法、装置、设备终端和可读存储介质，以解决现有的yolo网络在对包含类别特征类别特征丰富度不同的同一目标数据集进行检测时无法收敛的技术问题。
[0004]一种基于yolo网络的目标检测方法，目标检测方法包括：获取训练数据中各个目标类别的初始预设特征复杂度，训练数据包括同源异构数据；基于yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自对应的特征层结构；基于各自对应的特征层结构以及各个目标类别的初始预设特征复杂度，计算并调整各个预设复杂度区间的损失函数值；根据各个预设复杂度区间的损失函数值进行损失函数的拼接，以计算拼接后的损失函数所对应的损失值；根据损失值进行权重和偏置更新，直至拼接后的损失函数收敛以生成对应的目标检测模型；根据目标检测模型对测试数据进行测试，输出对应的目标的位置信息和类别信息。
[0005]在一个实施例中，基于yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自对应的特征层结构的步骤包括：根据各个目标类别的初始预设特征复杂度，结合多个预设复杂度区间，将各个目标类别分别划分到对应的预设复杂度区间；基于yolo网络，针对各个预设复杂度区间，分别建立对应的特征层结构。
[0006]在一个实施例中，根据各个预设复杂度区间的损失函数值进行损失函数的拼接，以计算拼接后的损失函数所对应的损失值的步骤包括：结合每个预设复杂度区间中各个目标类别的总体特征复杂度，对各个预设复杂度区间各自所对应的特征层结构的损失函数值分别进行加权处理，得到拼接后的损失函数所对应的损失值。
[0007]在一个实施例中，预设复杂度区间的数量为两个，根据各个目标类别的初始预设特征复杂度，结合多个预设复杂度区间，将各个目标类别分别划分到对应的预设复杂度区间的步骤包括：将初始预设特征复杂度大于预设复杂度阈值的目标类别划分到第一预设复杂度区间，将初始预设特征复杂度小于或等于预设复杂度阈值的目标类别划分到第二预设复杂度区间；基于yolo网络，针对各个预设复杂度区间，分别建立对应的特征层结构的步骤包括：第一预设复杂度区间所对应的各个目标类别分别与第一组特征层结构建立连接，第一组特征层结构包括第一尺度、第二尺度和第三尺度的特征层结构，第一尺度、第二尺度和第三尺度的大小递增；第二预设复杂度区间所对应的各个目标类别分别与第二组特征层结构建立连接，第二组特征层结构包括第一尺度和第二尺度的特征层结构。
[0008]在一个实施例中，各个预设复杂度区间中每个目标类别的类别损失函数均采用二分类交叉熵函数，第一预设复杂度区间所对应的目标类别包括第一目标类别，第二预设复杂度区间所对应的目标类别包括第二目标类别和第三目标类别，基于各自对应的特征层结构以及各个目标类别的初始预设特征复杂度，计算并调整各个预设复杂度区间的损失函数值的步骤包括：基于第一组特征层结构，通过对应的二分类交叉熵函数计算第一目标类别的类别损失函数值，以计算得到第一预设复杂度区间所对应的损失函数值；基于第二组特征层结构，结合第二目标类别和第三目标类别各自的初始预设特征复杂度，对各自对应的二分类交叉熵函数的预设损失权重分别进行计算和调整，以计算得到第二预设复杂度区间所对应的损失函数值。
[0009]在一个实施例中，第二目标类别的初始预设特征复杂度大于第三目标类别的初始预设特征复杂度，基于第二组特征层结构，结合第二目标类别和第三目标类别各自的初始预设特征复杂度，对各自对应的二分类交叉熵函数的预设损失权重分别进行计算和调整，以计算得到第二预设复杂度区间所对应的损失函数值的步骤包括：在训练数据的训练过程中，记录对应的训练周期次数；根据记录的训练周期次数，结合第二目标类别和所述第三目标类别各自的初始预设特征复杂度，每隔预设次数的训练周期的时间间隔，分别计算当前训练周期内第二目标类别与第三目标类别的类别损失函数值之比，以及第二目标类别和第三目标类别之间的预设特征复杂度之比，其中，每个目标类别的类别损失函数值为预设损失权重与对应的二分类交叉熵函数值之间的乘积之和，每个目标类别的预设损失权重与对应的预设特征复杂度成正比；将类别损失函数值之比与预设特征复杂度之比进行比较；当类别损失函数值之比小于预设特征复杂度之比时，则降低第二目标类别的预设损失权重和对应的预设特征复杂度以计算调整后的第二目标类别的类别损失函数值，对应增加第三目标类别的预设损失权重和对应的预设特征复杂度以计算调整后的第三目标类别的类别损失函数值，以使对应调整后的第二目标类别和第三目标类别之间的类别损失函
数值之比等于对应的预设特征复杂度之比；当类别损失函数值之比大于预设特征复杂度之比时，则增加第二目标类别的预设损失权重和对应的预设特征复杂度以计算调整后的第二目标类别的类别损失函数值，对应减小第三目标类别的预设损失权重和对应的预设特征复杂度以计算调整后的第三目标类别的类别损失函数值，以使对应调整后的第二目标类别和第三目标类别之间的类别损失函数值之比等于对应的预设特征复杂度之比；基于第二组特征层结构，根据调整后的第二目标类别的类别损失函数值与第三目标类别的类别损失函数值计算计算第二预设复杂度区间所对应的损失函数值。
[0010]在一个实施例中，当类别损失函数值之比小于预设特征复杂度之比时，采用以下公式降低第二目标类别的预设损失权重：其中，表示降低后的第二目标类别的预设损失权重，表示降低前的第二目标类别的预设损失权重，n1表示第二目标类别的预设损失权重所对应的降低总次数，n表示第二目标类别的预设损失权重所对应的训练周期总数，n2表示预设次数的训练周期的时间间隔；当类别损失函数值之比大于预设特征复杂度之比时，采用以下公式增加第二目标类别的预设损失权重：其中，表示增加后的第二目标类别的预设损失权重，表示增加前的第二目标类别的预设损失权重，n3表示第二目标类别的预设损失权重所对应的增加总次数，n表示第二目标类别的预设损失权重所对应的训练周期总数，n2表示预设次数的训练周期的时间间隔。
[0011]此外，还提供一种基于yolo网络的目标检测装置，目标检测装置包括：复杂度获取单元，用于获取训练数据中各个目标类别的初始预设特征复杂度，训练数据包括同源异构数据；特征层结构建立单元，用于基于yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自对应的特征层结构；损失计算单元，用于基于各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于yolo网络的目标检测方法，其特征在于，所述目标检测方法包括：获取训练数据中各个目标类别的初始预设特征复杂度，所述训练数据包括同源异构数据；基于所述yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自对应的特征层结构；基于各自对应的特征层结构以及各个目标类别的初始预设特征复杂度，计算并调整各个预设复杂度区间的损失函数值；根据各个预设复杂度区间的损失函数值进行损失函数的拼接，以计算所述拼接后的损失函数所对应的损失值；根据所述损失值进行权重和偏置更新，直至所述拼接后的损失函数收敛以生成对应的目标检测模型；根据所述目标检测模型对测试数据进行测试，输出对应的目标的位置信息和类别信息。2.根据权利要求1所述的目标检测方法，其特征在于，所述基于所述yolo网络，根据各个目标类别的初始预设特征复杂度以及多个预设复杂度区间，建立各个预设复杂度区间各自对应的特征层结构的步骤包括：根据各个目标类别的初始预设特征复杂度，结合多个预设复杂度区间，将各个目标类别分别划分到对应的预设复杂度区间；基于所述yolo网络，针对各个预设复杂度区间，分别建立对应的特征层结构。3.根据权利要求2所述的目标检测方法，其特征在于，所述根据各个预设复杂度区间的损失函数值进行损失函数的拼接，以计算所述拼接后的损失函数所对应的损失值的步骤包括：结合每个预设复杂度区间中各个目标类别的总体特征复杂度，对各个预设复杂度区间各自所对应的特征层结构的损失函数值分别进行加权处理，得到拼接后的损失函数所对应的损失值。4.根据权利要求3所述的目标检测方法，其特征在于，所述预设复杂度区间的数量为两个，所述根据各个目标类别的初始预设特征复杂度，结合多个预设复杂度区间，将各个目标类别分别划分到对应的预设复杂度区间的步骤包括：将初始预设特征复杂度大于预设复杂度阈值的目标类别划分到第一预设复杂度区间，将初始预设特征复杂度小于或等于预设复杂度阈值的目标类别划分到第二预设复杂度区间；所述基于所述yolo网络，针对各个预设复杂度区间，分别建立对应的特征层结构的步骤包括：所述第一预设复杂度区间所对应的各个目标类别分别与第一组特征层结构建立连接，所述第一组特征层结构包括第一尺度、第二尺度和第三尺度的特征层结构，所述第一尺度、第二尺度和第三尺度的大小递增；所述第二预设复杂度区间所对应的各个目标类别分别与第二组特征层结构建立连接，所述第二组特征层结构包括所述第一尺度和所述第二尺度的特征层结构。5.根据权利要求4所述的目标检测方法，其特征在于，各个预设复杂度区间中每个目标
类别的类别损失函数均采用二分类交叉熵函数，所述第一预设复杂度区间所对应的目标类别包括第一目标类别，所述第二预设复杂度区间所对应的目标类别包括第二目标类别和第三目标类别，所述基于各自对应的特征层结构以及各个目标类别的初始预设特征复杂度，计算并调整各个预设复杂度区间的损失函数值的步骤包括：基于所述第一组特征层结构，通过对应的二分类交叉熵函数计算所述第一目标类别的类别损失函数值，以得到所述第一预设复杂度区间所对应的损失函数值；基于所述第二组特征层结构，结合所述第二目标类别和所述第三目标类别各自的初始预设特征复杂度，对各自对应的二分类交叉熵函数的预设损失权重分别进行计算和调整，以得到所述第二预设复杂度区间所对应的损失函数值。6.根据权利要求5所述的目标检测方法，其特征在于，所述第二目标类别的初始预设特征复杂度大于所述第三目标类别的初始预设特征复杂度，所述基于所述第二组特征层结构，结合所述第二目标类别和所述第三目标类别各自的初始预设特征复杂度，对各自对应的二分类交叉熵函数的预设损失权重分别进行计算和调整，以得到所述第二预设复杂度区间所对应的损失函数值的步骤包括：在所述训练数据的训练过程中，记录对应的训练周期...

【专利技术属性】
技术研发人员：申啸尘，乔国坤，
申请(专利权)人：深圳市爱深盈通信息技术有限公司，
类型：发明
国别省市：