模型优化方法、设备和存储介质技术

本申请提供了一种模型优化方法、设备及存储介质；通过获取第一数据集，并基于第一数据集进行模型训练，以生成第一模型；获取第二数据集，并基于第二数据集对第一模型进行推理，得到推理结果；根据推理结果，从第二数据集中提取出第三数据集，第三数据集为第二数据集中识别错误的数据集；最后分析第三数据集的识别错误结果信息，根据识别错误结果信息生成优化方案，优化方案用于对第一模型进行更新，以生成第二模型。能够降低应用场景中干扰物对模型识别准确性的影响，提高模型的识别准确性。提高模型的识别准确性。提高模型的识别准确性。

【技术实现步骤摘要】
模型优化方法、设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及一种模型优化方法、设备和存储介质。

技术介绍

[0002]随着人工智能模型的技术的不断发展，对模型的识别精度要求也越来越高。但是在某些应用场景下，可能会存在与待识别对象相似的物体，导致模型出现识别错误的现象。例如，在利用模型识别火焰的应用场景中，可能会存在电焊时的火花、玻璃反光或者环境光照等造成的干扰现象，从而导致将干扰物误识别为火焰的现象。因此，如何保证模型的识别准确性不受干扰物的影响是亟待解决的技术问题。

技术实现思路

[0003]本申请提供了一种模型优化方法、设备和存储介质，旨在根据数据集中的识别错误结果信息对模型进行优化，以降低应用场景中干扰物对模型识别准确性的影响，提高模型的识别准确性。
[0004]第一方面，本申请实施例提供了一种模型优化方法，包括：
[0005]获取第一数据集，并基于所述第一数据集进行模型训练，以生成第一模型；
[0006]获取第二数据集，并基于所述第二数据集对所述第一模型进行推理，得到推理结果；
[0007]根据所述推理结果，从所述第二数据集中提取出第三数据集，所述第三数据集为所述第二数据集中识别错误的数据集；
[0008]分析所述第三数据集的识别错误结果信息，根据所述识别错误结果信息生成优化方案，所述优化方案用于对所述第一模型进行更新，以生成第二模型。
[0009]第二方面，本申请实施例提供了一种模型优化设备，其特征在于，包括存储器和处理器；<br/>[0010]所述存储器用于存储计算机程序；
[0011]所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如上第一方面所述的模型优化方法的步骤。
[0012]第三方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的模型优化方法的步骤。
[0013]本申请实施例提供了一种模型优化方法、设备和存储介质，首先通过获取第一数据集，并基于所述第一数据集进行模型训练，以生成第一模型；然后获取第二数据集，并基于所述第二数据集对所述第一模型进行推理，得到推理结果；再根据所述推理结果，从所述第二数据集中提取出第三数据集，所述第三数据集为所述第二数据集中识别错误的数据集；最后分析所述第三数据集的识别错误结果信息，根据所述识别错误结果信息生成优化方案，所述优化方案用于对所述第一模型进行更新，以生成第二模型。能够根据数据集中的
识别错误结果信息生成优化方案，进而根据优化方案对模型进行优化，得到新的模型，以降低应用场景中干扰物对模型识别准确性的影响，提高模型的识别准确性。
[0014]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请实施例的公开内容。
附图说明
[0015]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本申请一实施例提供的模型优化系统示意图；
[0017]图2是本申请实施例提供的模型优化方法应用于火焰识别场景的示意图；
[0018]图3是本申请一实施例提供的模型优化方法的实现流程示意图；
[0019]图4是识别错误结果类别的错误信息列表示意图；
[0020]图5是模型优化设备的显示器示意图；
[0021]图6是本申请另一实施例提供的模型优化方法的实现流程图；
[0022]图7是本申请一实施例提供的模型优化设备的示意性框图。
具体实施方式
[0023]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0024]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0025]目前，为了提高模型的识别准确性，常采用的方法是对模型的训练样本进行各种预处理，例如进行图像清晰度处理，图像中目标对象的标注等，但是这种预处理过程常常忽略了实际应用场景中存在的干扰现象，例如在实际的应用场景中，可能存在与目标对象类似的物体或者存在使目标对象的状态发生变化的影响因素，从而使得模型出现误识别的现象。这也是当前模型出现误识别的重要原因。
[0026]为了解决上述技术问题，本申请实施例提供了一种模型优化方法、设备及存储介质，能够根据数据集中的识别错误结果信息生成优化方案，进而根据优化方案对模型进行优化，得到新的模型，以降低应用场景中干扰物对模型识别准确性的影响，提高模型的识别准确性。
[0027]请参阅图1所示，图1是本申请一实施例提供的模型优化系统示意图。本实施例提供的模型优化系统包括模型优化设备11和场景图像12。
[0028]其中，模型优化设备12可以是服务器或者终端设备，所述服务器可以是远程服务器、云端服务器或者服务器集群等可以用于对模型进行优化的服务器。所述终端设备可以是笔记本、PAD、手持设备、机器人或者智能可穿戴设备等。所述场景图像12为对应场景下包
含有待识别的目标对象的图像。示例性地，目标对象包括但不限于当前环境中的物体如火焰、电动车辆、树木、建筑物等，也可以是目标人物或者目标动物等。
[0029]需要说明的是，在模型优化设备11中集成有具备模型优化的目标应用，该目标应用可以统称为模型优化系统112。
[0030]可以理解地，本申请实施例中所描述的模型优化方法可以适用于所有在模型优化设备11中集成模型优化系统112，通过模型优化系统112对模型进行优化的应用场景。
[0031]应理解，由于模型过于复杂，涉及到的运算节点及逻辑单元过多。因此，在模型优化设备11为终端设备时，若所述终端设备的计算能力较低，则该终端设备所运行的模型优化系统112可以包含提前内置的第一模型，还可以通过网络从服务器中下载第一模型。也就是说，所述终端设备运行模型优化系统112仅有用于对第一模型的优化，而对第一模型的训练过程以及对第一模型进行推理的过程可以在云端完成。在终端设备运行模型优化系统112时，云端通过网络将第一模型下发至终端设备，以减少终端设备的系统损耗，提高模型优化的效率。当然，若终端设备具有较高的模型计算能力，则可以直接运行模型优化系统112，完成对第一模型的训练以及推理过程。由此可见，在本申请实施例，还可以在云端部署具有模型训练功能以及模型推理功能的应用。其中，可以将具有模型训练功能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型优化方法，其特征在于，包括：获取第一数据集，并基于所述第一数据集进行模型训练，以生成第一模型；获取第二数据集，并基于所述第二数据集对所述第一模型进行推理，得到推理结果；根据所述推理结果，从所述第二数据集中提取出第三数据集，所述第三数据集为所述第二数据集中识别错误的数据集；分析所述第三数据集的识别错误结果信息，根据所述识别错误结果信息生成优化方案，所述优化方案用于对所述第一模型进行更新，以生成第二模型。2.根据权利要求1所述的方法，其特征在于，所述分析所述第三数据集的识别错误结果信息，根据所述识别错误的结果信息生成优化方案，包括：确定所述第三数据集中所有样本分别对应的识别错误结果类别，其中，所述识别错误结果类别中的每个识别结果对应有错误信息列表，所述错误信息列表中包括至少一个错误标签；根据所述错误信息列表中的所述错误标签，生成所述优化方案。3.根据权利要求2所述的方法，其特征在于，所述根据所述错误信息列表中的所述错误标签，生成所述优化方案，包括：从所述第三数据集中分别获取所述错误信息列表中的每个所述错误标签对应的样本；对获取的所述样本基于所述错误标签重新进行目标信息标注，根据重新标注后的样本生成第四数据集；基于所述第四数据集对所述第一模型进行更新，以生成所述第二模型。4.根据权利要求2所述的方法，其特征在于，所述根据所述错误信息列表中的所述错误标签，生成所述优化方案，包括：显示所述错误信息列表；响应于用户基于所述错误信息列表输入或选择的样本标签；基于所述样本标签搜索与所述样本标签相匹配的样本；根据搜索得到的样本生成第五数据集；基于所述第五数据集对所述第一模型进行更新，以生成所述第二模型。5.根据权利要求1所述的方法，其特征在于，在所述获取第二数据集，并基于所述第二数据集对所述第一模型进行推理，得到推理结果之后，还包括：分别获取所述第一数据集的第一参数信息和所述第二数据集的第二参数信息；基于所述第一参数信息和所述第二参数信息，获取目标...

【专利技术属性】
技术研发人员：刘荣杰，李少华，吴招乐，潘绪洋，赵丛，
申请(专利权)人：共达地创新技术深圳有限公司，
类型：发明
国别省市：