图像处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种图像处理方法、装置、电子设备及存储介质。该方法包括：响应于接收到的图像处理指令，获取训练数据；利用预设的深度学习架构，以所述训练数据训练预设深度学习模型，得到初始模型；转换所述初始模型的数据类型；向转换后的初始模型中加入修正层；训练所述修正层的权重以优化所述初始模型，得到图像处理模型；从所述图像处理指令中获取待处理图像；将所述待处理图像输入至所述图像处理模型中，输出图像处理结果。本发明专利技术能够基于优化的图像处理模型进行图像处理，同时保证了数据处理速度与准确度。理速度与准确度。理速度与准确度。

【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

技术介绍

[0002]原始的深度学习框架Caffe(Convolutional Architecture for Fast Feature Embedding，快速特征嵌入的卷积结构)只支持float(单精度浮点型)数据类型和double(双精度浮点型)数据类型，且目前大部分的训练、测试以及应用过程都是基于float数据类型来完成的。
[0003]但是，对于一些大网络，耗时及显存消耗很严重，尤其是在嵌入式设备中，很多网络甚至无法直接使用。
[0004]而在目前的解决方案中，仍然无法实现数据处理速度与准确度间的平衡。

技术实现思路

[0005]鉴于以上内容，有必要提供一种图像处理方法、装置、电子设备及存储介质，能够基于优化的图像处理模型进行图像处理，同时保证了数据处理速度与准确度。
[0006]一种图像处理方法，所述图像处理方法包括：
[0007]响应于接收到的图像处理指令，获取训练数据；
[0008]利用预设的深度学习架构，以所述训练数据训练预设深度学习模型，得到初始模型；
[0009]转换所述初始模型的数据类型；
[0010]向转换后的初始模型中加入修正层；
[0011]训练所述修正层的权重以优化所述初始模型，得到图像处理模型；
[0012]从所述图像处理指令中获取待处理图像；
[0013]将所述待处理图像输入至所述图像处理模型中，输出图像处理结果。
[0014]根据本专利技术优选实施例，所述转换所述初始模型的数据类型包括：
[0015]从所述图像处理指令中获取需求数据；
[0016]根据所述需求数据确定目标数据类型；
[0017]将所述初始模型转换为所述目标数据类型。
[0018]根据本专利技术优选实施例，所述根据所述需求数据确定目标数据类型包括：
[0019]根据所述需求数据确定要求的数据处理速度及要求的准确度；
[0020]响应于所述要求的数据处理速度大于或者等于预设速度，确定所述目标数据类型为int8；或者
[0021]响应于所述要求的准确度大于或者等于预设准确度，确定所述目标数据类型为半精度。
[0022]根据本专利技术优选实施例，数据类型为int8的模型的数据处理速度高于数据类型为
半精度的模型的数据处理速度，且数据类型为int8的模型的准确度低于数据类型为半精度的模型的准确度。
[0023]根据本专利技术优选实施例，所述训练所述修正层的权重以优化所述初始模型，得到图像处理模型包括：
[0024]固定所述初始模型中各个层的权重以训练所述修正层的权重；
[0025]响应于模型的准确度大于或者等于预设阈值，停止训练，得到所述图像处理模型。
[0026]根据本专利技术优选实施例，所述训练所述修正层的权重以优化所述初始模型，得到图像处理模型还包括：
[0027]以全精度作为数据类型训练所述修正层的权重，得到所述图像处理模型。
[0028]根据本专利技术优选实施例，所述图像处理方法还包括：
[0029]构建验证数据集；
[0030]以所述验证数据集中的数据对所述图像处理模型进行验证。
[0031]一种图像处理装置，所述图像处理装置包括：
[0032]获取单元，用于响应于接收到的图像处理指令，获取训练数据；
[0033]训练单元，用于利用预设的深度学习架构，以所述训练数据训练预设深度学习模型，得到初始模型；
[0034]转换单元，用于转换所述初始模型的数据类型；
[0035]加入单元，用于向转换后的初始模型中加入修正层；
[0036]优化单元，用于训练所述修正层的权重以优化所述初始模型，得到图像处理模型；
[0037]所述获取单元，还用于从所述图像处理指令中获取待处理图像；
[0038]处理单元，用于将所述待处理图像输入至所述图像处理模型中，输出图像处理结果。
[0039]根据本专利技术优选实施例，所述转换单元转换所述初始模型的数据类型包括：
[0040]从所述图像处理指令中获取需求数据；
[0041]根据所述需求数据确定目标数据类型；
[0042]将所述初始模型转换为所述目标数据类型。
[0043]根据本专利技术优选实施例，所述转换单元根据所述需求数据确定目标数据类型包括：
[0044]根据所述需求数据确定要求的数据处理速度及要求的准确度；
[0045]响应于所述要求的数据处理速度大于或者等于预设速度，确定所述目标数据类型为int8；或者
[0046]响应于所述要求的准确度大于或者等于预设准确度，确定所述目标数据类型为半精度。
[0047]根据本专利技术优选实施例，数据类型为int8的模型的数据处理速度高于数据类型为半精度的模型的数据处理速度，且数据类型为int8的模型的准确度低于数据类型为半精度的模型的准确度。
[0048]根据本专利技术优选实施例，所述优化单元具体用于：
[0049]固定所述初始模型中各个层的权重以训练所述修正层的权重；
[0050]响应于模型的准确度大于或者等于预设阈值，停止训练，得到所述图像处理模型。
[0051]根据本专利技术优选实施例，所述优化单元具体还用于：
[0052]以全精度作为数据类型训练所述修正层的权重，得到所述图像处理模型。
[0053]根据本专利技术优选实施例，所述图像处理装置还包括：
[0054]构建单元，用于构建验证数据集；
[0055]验证单元，用于以所述验证数据集中的数据对所述图像处理模型进行验证。
[0056]一种电子设备，所述电子设备包括：
[0057]存储器，存储至少一个指令；及
[0058]处理器，执行所述存储器中存储的指令以实现所述图像处理方法。
[0059]一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述图像处理方法。
[0060]由以上技术方案可以看出，本专利技术能够基于优化的图像处理模型进行图像处理，同时保证了数据处理速度与准确度。
附图说明
[0061]图1是本专利技术图像处理方法的较佳实施例的流程图。
[0062]图2是本专利技术图像处理装置的较佳实施例的功能模块图。
[0063]图3是本专利技术实现图像处理方法的较佳实施例的电子设备的结构示意图。
具体实施方式
[0064]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。
[0065]如图1所示，是本专利技术图像处理方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0066本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述图像处理方法包括：响应于接收到的图像处理指令，获取训练数据；利用预设的深度学习架构，以所述训练数据训练预设深度学习模型，得到初始模型；转换所述初始模型的数据类型；向转换后的初始模型中加入修正层；训练所述修正层的权重以优化所述初始模型，得到图像处理模型；从所述图像处理指令中获取待处理图像；将所述待处理图像输入至所述图像处理模型中，输出图像处理结果。2.如权利要求1所述的图像处理方法，其特征在于，所述转换所述初始模型的数据类型包括：从所述图像处理指令中获取需求数据；根据所述需求数据确定目标数据类型；将所述初始模型转换为所述目标数据类型。3.如权利要求2所述的图像处理方法，其特征在于，所述根据所述需求数据确定目标数据类型包括：根据所述需求数据确定要求的数据处理速度及要求的准确度；响应于所述要求的数据处理速度大于或者等于预设速度，确定所述目标数据类型为int8；或者响应于所述要求的准确度大于或者等于预设准确度，确定所述目标数据类型为半精度。4.如权利要求3所述的图像处理方法，其特征在于：数据类型为int8的模型的数据处理速度高于数据类型为半精度的模型的数据处理速度，且数据类型为int8的模型的准确度低于数据类型为半精度的模型的准确度。5.如权利要求1所述的图像处理方法，其特征在于，所述训练所述修正层的权重以优化所述初始模型，得到图像处理模型包括：固定所述初始模型中各个层的权重以训练所述修正层的权重；...

【专利技术属性】
技术研发人员：陈怡桦，蔡东佐，孙国钦，林子甄，李宛真，郭锦斌，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：