车辆属性的识别模型训练方法及装置、识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种车辆属性的识别模型训练方法及装置、识别方法及装置，该车辆属性的识别模型训练方法包括以下步骤：获取训练数据集，所述训练数据集包括目标车辆属性以及所述目标车辆属性对应的样本数量；根据所述样本数量，计算所述目标车辆属性在所述训练数据集中的有效采样数；将所述训练数据集输入预训练模型进行训练，以得到所述目标车辆属性对应的初始损失函数；根据所述有效采样数对所述初始损失函数进行调整，以得到对应的目标损失函数；基于所述目标损失函数对所述预训练模型进行训练，以得到目标识别模型。本发明专利技术能够提高车辆属性的识别模型的识别精度。车辆属性的识别模型的识别精度。车辆属性的识别模型的识别精度。

【技术实现步骤摘要】
车辆属性的识别模型训练方法及装置、识别方法及装置


[0001]本专利技术涉及车辆属性识别
，尤其涉及车辆属性的识别模型训练方法及装置、识别方法及装置。

技术介绍

[0002]在车辆属性识别任务中，数据集存在类别不均衡的现象。一些常见品牌的车辆在数据集中样本数较多，而一些小众品牌车辆，在数据集中所占比例很低。
[0003]某些类别的样本数是其他较小样本数类别的几千倍。这样，使用数据集进行模型训练时，仅是使用普通交叉熵损失函数对模型进行训练且进行损失值计算。由于数据集存在类别不均衡，在使用训练好的模型对车辆属性进行识别时，就会偏向于大样本数所在的类别，对小样本数类别不利，进而影响小样本的召回率。使用普通交叉熵损失函数对模型进行训练使得模型的识别精度较低，导致车辆属性的识别精度也低。

技术实现思路

[0004]本专利技术实施例提供一种车辆属性的识别模型训练方法，能够提高车辆属性的识别精度。
[0005]第一方面，本专利技术实施例提供一种车辆属性的识别模型训练方法，所述方法包括以下步骤：
[0006]获取训练数据集，所述训练数据集包括目标车辆属性以及所述目标车辆属性对应的样本数量；
[0007]根据所述样本数量，计算所述目标车辆属性在所述训练数据集中的有效采样数；
[0008]将所述训练数据集输入预训练模型进行训练，以得到所述目标车辆属性对应的初始损失函数；
[0009]根据所述有效采样数对所述初始损失函数进行调整，以得到对应的目标损失函数；
[0010]基于所述目标损失函数对所述预训练模型进行训练，以得到目标识别模型。
[0011]可选的，所述根据所述样本数量，计算所述目标车辆属性在训练数据集中的有效采样数的步骤包括：
[0012]获取所述样本数量，所述样本数量包括被采样数据量以及未被采样过的新数据量；
[0013]当任意选择所述样本数量作为训练数据时，获取所述训练数据落入被采样数据量的第一概率以及所述训练数据落入新数据量的第二概率；
[0014]根据所述被采样数据量、第一概率以及第二概率计算所述目标车辆属性在训练数据集中的有效采样数。
[0015]可选的，所述根据所述被采样数据量、第一概率以及第二概率计算所述目标车辆属性在训练数据集中的有效采样数的步骤包括：
[0016]获取所述第一概率与所述被采样数据量的第一乘积结果；
[0017]将所述被采样数据量与1的相加结果与所述第二概率进行计算，以得到第二乘积结果；
[0018]将所述第一乘积结果和所述第二乘积结果进行累加，以得到所述目标车辆属性在训练数据集中的有效采样数。
[0019]可选的，所述第二概率等于1与所述第一概率之差，所述第一概率等于所述被采样数据量与所述样本数量的比值；所述方法还包括：
[0020]根据所述被采样数据量、第一概率以及第二概率配置有效参数；
[0021]根据所述被采样数据量、第一概率、第二概率以及所述有效参数计算所述目标车辆属性在训练数据集中的有效采样数。
[0022]可选的，所述有效参数等于所述样本数量与1之差与所述样本数量之比。
[0023]可选的，所述目标车辆属性在训练数据集中的有效采样数等于1与所述有效参数的n次幂之差后除以1与有效参数之差，n为样本数量的第n个目标车辆属性。
[0024]可选的，所述将所述训练数据集输入预训练模型进行训练，以得到所述目标车辆属性对应的初始损失函数的步骤包括：
[0025]获取训练数据集中目标车辆属性的类别数量；
[0026]根据所述类别数量获取所述目标车辆属性的类别标签；
[0027]将所述类别数量输入预训练模型进行训练，以得到输出结果；
[0028]根据所述类别数量、类别标签以及输出结果计算所述目标车辆属性对应的初始损失函数。
[0029]可选的，所述根据所述类别数量获取所述目标车辆属性的类别标签的步骤包括：
[0030]根据所述类别数量并基于预设类别标签策略确定所述目标车辆属性的类别标签。
[0031]可选的，所述根据所述有效采样数对所述初始损失函数进行调整，以得到对应的目标损失函数的步骤包括：
[0032]根据所述有效采样数计算所述目标车辆属性在训练数据集中的权重；
[0033]根据所述权重对所述初始损失函数进行加权计算，以得到所述目标车辆属性对应的目标损失函数。
[0034]第二方面，本专利技术实施例还提供了一种车辆属性识别方法，所述车辆属性识别方法包括以下步骤：
[0035]获取待识别车辆数据，所述待识别车辆数据包括待识别车辆图像；
[0036]将所述待识别车辆数据输入预先训练好的目标识别模型进行识别，得到所述待识别车辆图像对应的车辆属性；
[0037]所述预先训练好的目标识别模型是根据上述实施例提供的车辆属性的识别模型训练方法训练得到的。
[0038]第三方面，本专利技术实施例还提供了一种车辆属性的识别模型训练装置，所述车辆属性的识别模型训练装置包括：
[0039]第二获取模块，用于获取训练数据集，所述训练数据集包括目标车辆属性以及所述目标车辆属性对应的样本数量；
[0040]计算模块，用于根据样本数量，计算目标车辆属性在训练数据集中的有效采样数；
[0041]第一训练模块，用于将训练数据集输入预训练模型进行训练，以得到目标车辆属性对应的初始损失函数；
[0042]调整模块，用于根据有效采样数对初始损失函数进行调整，以得到对应的目标损失函数；
[0043]第二训练模块，用于基于目标损失函数对预训练模型进行训练，以得到目标识别模型。
[0044]第四方面，本专利技术实施例还提供了一种车辆属性识别装置，所述车辆属性识别装置包括：
[0045]第一获取模块，用于获取待识别车辆数据，所述待识别车辆数据包括待识别车辆图像；
[0046]识别模块，用于将所述待识别车辆数据输入预先训练好的目标识别模型进行识别，得到所述待识别车辆图像对应的车辆属性；
[0047]所述预先训练好的目标识别模型是根据上述实施例提供的车辆属性的识别模型训练方法训练得到的。
[0048]第五方面，本专利技术实施例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的车辆属性的识别模型训练方法中的步骤，以及实现上述实施例提供的车辆属性识别方法中的步骤。
[0049]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的车辆属性的识别模型训练方法中的步骤，以及实现上述实施例提供的车辆属性识别方法中的步骤。
[0050]本专利技术实施例中，通过获取训练数据集，所述训练数据集包括目标车辆属性以及所述目标车辆属性对应的样本数量；根据所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆属性的识别模型训练方法，其特征在于，所述方法包括以下步骤：获取训练数据集，所述训练数据集包括目标车辆属性以及所述目标车辆属性对应的样本数量；根据所述样本数量，计算所述目标车辆属性在所述训练数据集中的有效采样数；将所述训练数据集输入预训练模型进行训练，以得到所述目标车辆属性对应的初始损失函数；根据所述有效采样数对所述初始损失函数进行调整，以得到对应的目标损失函数；基于所述目标损失函数对所述预训练模型进行训练，以得到目标识别模型。2.如权利要求1所述的车辆属性的识别模型训练方法，其特征在于，所述根据所述样本数量，计算所述目标车辆属性在训练数据集中的有效采样数的步骤包括：获取所述样本数量，所述样本数量包括被采样数据量以及未被采样过的新数据量；当任意选择所述样本数量作为训练数据时，获取所述训练数据落入被采样数据量的第一概率以及所述训练数据落入新数据量的第二概率；根据所述被采样数据量、第一概率以及第二概率计算所述目标车辆属性在训练数据集中的有效采样数。3.如权利要求2所述的车辆属性的识别模型训练方法，其特征在于，所述根据所述被采样数据量、第一概率以及第二概率计算所述目标车辆属性在训练数据集中的有效采样数的步骤包括：获取所述第一概率与所述被采样数据量的第一乘积结果；将所述被采样数据量与1的相加结果与所述第二概率进行计算，以得到第二乘积结果；将所述第一乘积结果和所述第二乘积结果进行累加，以得到所述目标车辆属性在训练数据集中的有效采样数。4.如权利要求3所述的车辆属性的识别模型训练方法，其特征在于，所述第二概率等于1与所述第一概率之差，所述第一概率等于所述被采样数据量与所述样本数量的比值；所述根据所述被采样数据量、第一概率以及第二概率计算所述目标车辆属性在训练数据集中的有效采样数的步骤还包括：根据所述被采样数据量、第一概率以及第二概率配置有效参数；根据所述被采样数据量、第一概率、第二概率以及所述有效参数计算所述目标车辆属性在训练数据集中的有效采样数。5.如权利要求4所述的车辆属性的识别模型训练方法，其特征在于，所述有效参数等于所述样本数量与1之差与所述样本数量之比。6.如权利要求5所述的车辆属性的识别模型训练方法，其特征在于，所述目标车辆属性在训练数据集中的有效采样数等于1与所述有效参数的n次幂之差后除以1与有效参数之差，n为样本数量的第n个目标车辆属性。7.如权利要求1所述的车辆属性的识别模型训练方法，其特征在于，所述将所述训练数据集输入预训练模型进行训练，以得到所述目标车辆属性对应的初始损失函数的步骤包括：获取训练数据集中目标车辆属性的类别数量；根据所述类别数量获取所述目标车辆属性的类别标签；
将所述类别数量输入预训练模型进行训练，以...

【专利技术属性】
技术研发人员：吴天舒，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：