动物体信息提取模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种动物体信息提取模型的训练方法、装置、设备及存储介质。该动物体信息提取模型的训练方法包括：获取训练样本集，所述训练样本集包括多个动物体的样本图像，所述样本图像标注有动物体的轮廓标签和多个关键点标签；根据所述样本图像，确定待训练模型的分割损失值和关键点损失值；根据所述分割损失值和所述关键点损失值，确定总损失值；根据所述总损失值更新所述待训练模型的模型参数，直至满足预设的停止训练条件，将训练好的所述待训练模型作为动物体信息提取模型。本申请实施例中可以提升对动物体的关键点数据和分割数据的检测精确度。和分割数据的检测精确度。和分割数据的检测精确度。

【技术实现步骤摘要】
动物体信息提取模型的训练方法、装置、设备及存储介质


[0001]本申请实施例涉及计算机视觉
，具体涉及一种动物体信息提取模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]在计算机视觉
，常常需要通过图像识别出物体的关键点、通过图像检测出物体的分割数据，以便进一步根据物体的关键点信息、分割数据作其他用途的数据处理；例如，为了测量猪体的尺寸信息，通常需要检测出猪体的分割数据、识别出猪体的关键点(如，猪嘴、猪尾巴、猪耳朵、猪前腿、猪后腿等)。
[0003]在现有技术中，通常是直接使用样本图像和人工标注的关键点作为训练数据集，训练用于对物体关键点进行检测的模型，以便采用训练好的关键点检测模型检测物体的关键点。或者是直接使用样本图像和人工标注的分割数据作为训练数据集，训练用于对物体关分割数据进行检测的模型，以便采用训练好的分割数据检测模型检测物体的分割数据。而在实际应用中发现，现有单一的关键点检测模型、单一的分割数据检测模型，其精确度不高。

技术实现思路

[0004]本申请实施例提供一种动物体信息提取模型的训练方法、装置、设备及存储介质，用于在一定程度上提高模型的关键点检测结果的精确度，以及提高模型对分割数据的检测精确度。
[0005]第一方面，本申请实施例提供一种动物体信息提取模型的训练方法，所述方法包括：
[0006]获取训练样本集，所述训练样本集包括多个动物体的样本图像，所述样本图像标注有动物体的轮廓标签和多个关键点标签；
[0007]根据所述样本图像，确定待训练模型的分割损失值和关键点损失值；
[0008]根据所述分割损失值和所述关键点损失值，确定总损失值；
[0009]根据所述总损失值更新所述待训练模型的模型参数，直至满足预设的停止训练条件，将训练好的所述待训练模型作为动物体信息提取模型。
[0010]在本申请的一些实施例中，所述方法还包括：
[0011]获取待检测图像，并将所述待检测图像输入至所述动物体信息提取模型；
[0012]获取所述动物体信息提取模型根据所述待检测图像输出的目标前景的分割图和目标关键点，所述目标前景是指所述待检测图像中承载的动物体的像素点，所述目标关键点包括所述待检测图像中承载的动物体的嘴巴、耳朵、尾巴、前腿、后腿中的至少一种。
[0013]在本申请的一些实施例中，所述方法还包括：
[0014]根据所述待检测图像确定目标动物体的支撑面，并根据所述目标关键点确定所述目标动物体的目标体长，所述目标动物体是指所述待检测图像中承载的动物体；
[0015]根据所述支撑面和所述分割图，确定所述目标动物体的投影面积；
[0016]根据所述投影面积和所述目标体长，确定所述目标动物体的体重。
[0017]在本申请的一些实施例中，所述根据所述投影面积和所述目标体长，确定所述目标动物体的体重，包括：
[0018]将所述投影面积和所述目标体长整合为目标一维数据；
[0019]将所述目标一维数据输入预设的体重测量模型，以使得所述体重测量模型根据所述目标一维数据回归出所述目标动物体的体重。
[0020]在本申请的一些实施例中，所述体重测量模型通过以下步骤得到：
[0021]获取多个样本数据，所述样本数据包括样本动物体的体长、所述样本动物体在支撑面的投影面积以及所述样本动物体的实际体重；
[0022]将每个所述样本数据整合为一维向量数据；
[0023]根据所述一维向量数据，对初始模型进行训练，直至符合预设的停止条件，将训练好的所述初始模型作为体重测量模型。
[0024]在本申请的一些实施例中，所述根据所述一维向量数据，对初始模型进行训练，包括：
[0025]将所述一维向量数据输入初始模型，以使得所述初始模型根据所述一维向量数据回归出所述样本动物体的预测体重；
[0026]根据所述预测体重和所述实际体重，确定训练损失值；
[0027]根据所述训练损失值更新所述初始模型的模型参数。
[0028]在本申请的一些实施例中，所述根据所述样本图像，确定待训练模型的关键点损失值，包括：
[0029]通过第一网络获取所述样本图像的第一特征提取结果，并通过第二网络获取所述样本图像的特征图；
[0030]通过所述第一网络获取所述特征图的第二特征提取结果；
[0031]计算所述第一特征提取结果与所述第二特征提取结果之间的损失，以作为所述待训练模型的关键点损失值。
[0032]第二方面，本申请实施例提供一种动物体信息提取模型的训练装置，所述动物体信息提取模型的训练装置包括：
[0033]获取单元，用于获取训练样本集，所述训练样本集包括多个动物体的样本图像，所述样本图像标注有动物体的轮廓标签和多个关键点标签；
[0034]训练单元，用于根据所述获取单元获取的所述样本图像，确定待训练模型的分割损失值和关键点损失值；根据所述分割损失值和所述关键点损失值，确定总损失值；根据所述总损失值更新所述待训练模型的模型参数，直至满足预设的停止训练条件，将训练好的所述待训练模型作为动物体信息提取模型。
[0035]在本申请的一些实施例中，所述动物体信息提取模型的训练装置还包括检测单元，所述检测单元具体用于：
[0036]获取待检测图像，并将所述待检测图像输入至所述动物体信息提取模型；
[0037]获取所述动物体信息提取模型根据所述待检测图像输出的目标前景的分割图和目标关键点，所述目标前景是指所述待检测图像中承载的动物体的像素点，所述目标关键
点包括所述待检测图像中承载的动物体的嘴巴、耳朵、尾巴、前腿、后腿中的至少一种。
[0038]在本申请的一些实施例中，所述动物体信息提取模型的训练装置还包括处理单元，所述处理单元具体用于：
[0039]根据所述待检测图像确定目标动物体的支撑面，并根据所述目标关键点确定所述目标动物体的目标体长，所述目标动物体是指所述待检测图像中承载的动物体；
[0040]根据所述支撑面和所述分割图，确定所述目标动物体的投影面积；
[0041]根据所述投影面积和所述目标体长，确定所述目标动物体的体重。
[0042]在本申请的一些实施例中，所述处理单元具体还用于：
[0043]将所述投影面积和所述目标体长整合为目标一维数据；
[0044]将所述目标一维数据输入预设的体重测量模型，以使得所述体重测量模型根据所述目标一维数据回归出所述目标动物体的体重。
[0045]在本申请的一些实施例中，所述处理单元具体还用于：
[0046]获取多个样本数据，所述样本数据包括样本动物体的体长、所述样本动物体在支撑面的投影面积以及所述样本动物体的实际体重；
[0047]将每个所述样本数据整合为一维向量数据；
[0048]根据所述一维向量数据，对初始模型进行训练，直至符合预设的停止条件，将训练好的所述初始模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动物体信息提取模型的训练方法，其特征在于，所述方法包括：获取训练样本集，所述训练样本集包括多个动物体的样本图像，所述样本图像标注有动物体的轮廓标签和多个关键点标签；根据所述样本图像，确定待训练模型的分割损失值和关键点损失值；根据所述分割损失值和所述关键点损失值，确定总损失值；根据所述总损失值更新所述待训练模型的模型参数，直至满足预设的停止训练条件，将训练好的所述待训练模型作为动物体信息提取模型。2.根据权利要求1所述的动物体信息提取模型的训练方法，其特征在于，所述方法还包括：获取待检测图像，并将所述待检测图像输入至所述动物体信息提取模型；获取所述动物体信息提取模型根据所述待检测图像输出的目标前景的分割图和目标关键点，所述目标前景是指所述待检测图像中承载的动物体的像素点，所述目标关键点包括所述待检测图像中承载的动物体的嘴巴、耳朵、尾巴、前腿、后腿中的至少一种。3.根据权利要求2所述的动物体信息提取模型的训练方法，其特征在于，所述方法还包括：根据所述待检测图像确定目标动物体的支撑面，并根据所述目标关键点确定所述目标动物体的目标体长，所述目标动物体是指所述待检测图像中承载的动物体；根据所述支撑面和所述分割图，确定所述目标动物体的投影面积；根据所述投影面积和所述目标体长，确定所述目标动物体的体重。4.根据权利要求3所述的动物体信息提取模型的训练方法，其特征在于，所述根据所述投影面积和所述目标体长，确定所述目标动物体的体重，包括：将所述投影面积和所述目标体长整合为目标一维数据；将所述目标一维数据输入预设的体重测量模型，以使得所述体重测量模型根据所述目标一维数据回归出所述目标动物体的体重。5.根据权利要求4所述的动物体信息提取模型的训练方法，其特征在于，所述体重测量模型通过以下步骤得到：获取多个样本数据，所述样本数据包括样本动物体的体长、所述样本动物体在支撑面的投影面积以及所述样本动物体的实际体重；将每个所述样本数据整合为一维向量数据；根据所述一维...

【专利技术属性】
技术研发人员：陈奇华，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：