实例分割方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种实例分割方法、装置、电子设备及计算机可读存储介质。该实例分割方法包括：获取训练好的实例分割模型中的第一子网络、第二子网络以及包含待分割物体的目标图像；分别对第一子网络、第二子网络进行转换处理，得到第一加速执行模型、第二加速执行模型；调用第一加速执行模型对目标图像进行特征提取处理，得到目标图像的第一特征数据；根据第一特征数据进行预测处理，得到目标图像的第二特征数据；调用第二加速执行模型对第二特征数据进行预测处理，得到目标图像的实例分割结果。本申请中可以避免高精度的实例分割模型无法直接加载至推理优化器上的问题，在保证分割精度的基础上，使得实例分割模型可以在实时性上得到提升。上得到提升。上得到提升。

【技术实现步骤摘要】
实例分割方法、装置、电子设备及存储介质


[0001]本申请涉及计算机视觉
，具体涉及一种实例分割方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]计算机视觉是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。
[0003]其中，实例分割是计算机视觉中的常用处理任务。实例分割，是对图像中每个物体进行区分和标注。实例分割对于行为识别、公共安全、视频监控等领域具有重大的指导意义。
[0004]通常会采用经过深度学习的网络模型来实现实例分割。但是，在现有技术中，一些精度较高的实例分割模型(例如，Yolact++模型)推理速度较慢，导致对图像进行实例分割的实时性较低。

技术实现思路

[0005]本申请提供一种实例分割方法、装置、电子设备及计算机可读存储介质，旨在解决由于精度较高的实例分割模型推理速度慢，而导致对图像进行实例分割的实时性较低的问题。
[0006]第一方面，本申请提供一种实例分割方法，所述方法包括：
[0007]获取训练好的实例分割模型中的第一子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实例分割方法，其特征在于，所述方法包括：获取训练好的实例分割模型中的第一子网络、所述训练好的实例分割模型中的第二子网络、以及包含待分割物体的目标图像；分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一加速执行模型、以及所述第二子网络对应的第二加速执行模型；调用所述第一加速执行模型对所述目标图像进行特征提取处理，得到所述目标图像的第一特征数据；根据所述第一特征数据进行预测处理，得到所述目标图像的第二特征数据；调用所述第二加速执行模型对所述第二特征数据进行预测处理，得到所述目标图像的实例分割结果。2.根据权利要求1所述的实例分割方法，其特征在于，所述分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一加速执行模型、以及所述第二子网络对应的第二加速执行模型，包括：分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一ONNX模型、以及所述第二子网络对应的第二ONNX模型；根据预设的推理优化器，对所述第一ONNX模型进行转换处理得到所述第一子网络对应的第一加速执行模型，并对所述第二ONNX模型进行转换处理得到所述第二子网络对应的第二加速执行模型。3.根据权利要求2所述的实例分割方法，其特征在于，所述根据预设的推理优化器，分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一ONNX模型、以及所述第二子网络对应的第二ONNX模型，包括：获取所述第一子网络的第一模型参数、所述第二子网络的第二模型参数；将所述第一模型参数加载至所述推理优化器的第一基准模型，得到所述第一子网络对应的第一ONNX模型；将所述第二模型参数加载至所述推理优化器的第二基准模型，得到所述第二子网络对应的第二ONNX模型。4.根据权利要求3所述的实例分割方法，其特征在于，所述第二ONNX模型、以及所述第二加速执行模型均已设置为动态输入输出。5.根据权利要求1所述的实例分割方法，其特征在于，所述调用所述第一加速执行模型对所述目标图像进行特征提取处理，得到所述目标图像的第一特征数据，包括：初始化所述第一加速执行模型；将所述目标图像输入至所述第一加速执行模型，以调用所述第一加速执行模型对所述目标图像进行特征提取处理，得到所述目标图像的第一特征数据。6.根据权利要求1所述的实例分割方法，其特征在于，所述根据所述第一特征数据进行预测处理，得到所述目标图像的第二特征数据，包括：根据所述第一特征数据进行实例分割预测处理，得到所述目标图像的初步分...

【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：