本申请实施例涉及目标检测技术领域，公开了一种训练多目标检测模型的方法，训练集包括多个具有人脸的图像，各图像标注有真实标签，该真实标签包括至少一个项目的硬标签。然后将训练集分别输入至少一个单目标检测模型，得到各图像对应的各项目的软标签，将图像对应的各软标签作为真实标签进行标注，使得各图像标注的真实标签包括至少一个硬标签和至少一个软标签。最后，将训练集输入卷积神经网络进行训练，迭代调参，得到该多目标检测模型。通过上述训练方式，能够实现用一个多个目标检测模型即可检测多个项目的分类及定位，能够有效减少模型部署成本。另一方面，通过借用部分项目的软标签作为真实标签，能够减少标注成本。能够减少标注成本。能够减少标注成本。
【技术实现步骤摘要】
训练多目标检测模型的方法、检测方法及相关装置
[0001]本申请实施例涉及目标检测
，尤其涉及一种训练多目标检测模型的方法、检测方法及相关装置。
技术介绍
[0002]脸部皮肤检测技术越来地应用在多个领域中。例如，在化妆品研发领域中，需要针对脸部皮肤问题，例如皱纹、黑头或黑眼圈等，设计化妆产品或推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同脸部皮肤情况进行不同程度的美化特效。
[0003]当前较为常见的脸部皮肤检测技术，主要利用训练好的目标检测模型对脸部皮肤进行检测，自动检测脸部某单一皮肤问题，例如，单独检测出皱纹、单独检测出黑头或单独检测出黑眼圈。所以一张待预测的图片，需要分别经过多个模型才能获得多个维度的结果，这导致服务输出结果慢，模型部署占用的内存多，资源开销大，部署费用高体验差等缺点。
技术实现思路
[0004]本申请实施例主要解决的技术问题是提供一种训练多目标检测模型的方法、检测方法及相关装置，能够实现用一个模型检测多个目标的分类及定位，有效减少模型部署成本。
[0005]为解决上述技术问题，第一方面，本申请实施例中提供给了一种训练多目标检测模型的方法，包括：
[0006]获取训练集，所述训练集包括多个具有人脸的图像，所述训练集中的各图像标注有真实标签，所述真实标签包括至少一个项目的硬标签，所述项目为一个人脸中可识别的目标对象；
[0007]将所述训练集分别输入至少一个单目标检测模型，得到所述训练集中各图像对应的各项目的软标签，并将所述图像对应的各软标签作为所述真实标签进行标注；
[0008]将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型。
[0009]在一些实施例中，所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型，包括：
[0010]将所述训练集输入卷积神经网络，得到所述训练集中各图像的预测标签；
[0011]根据所述训练集中各图像的预测标签和真实标签，计算总损失；
[0012]根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。
[0013]在一些实施例中，所述根据所述训练集中各图像的预测标签和真实标签，计算总损失，包括：
[0014]若目标项目对应硬标签，则对所述目标项目对应的硬标签进行softmax处理后，再代入交叉熵损失函数计算所述目标项目的损失；
[0015]若所述目标项目对应软标签，则将所述目标项目对应的软标签直接代入所述交叉
熵损失函数计算所述目标项目的损失，其中，所述目标项目为所述图像对应的任意一个项目；
[0016]根据所述训练集中图像对应的各所述项目的损失，分别计算各所述项目对应的平均损失；
[0017]将各所述项目的平均损失进行加权求和，得到所述总损失。
[0018]在一些实施例中，所述根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型，还包括：
[0019]在训练的第一阶段，将具有较大平均损失的项目对应的权重调小，将具有较小平均损失的项目对应的权重调大，以计算所述总损失；
[0020]在训练的第二阶段，将具有较大平均损失的项目对应的权重调大，将较小平均损失的项目对应的权重调小，以计算所述总损失；其中，所述第一阶段为迭代总次数的前预设百分比部分，所述第二阶段为所述迭代总次数中除所述第一阶段后的剩余部分；
[0021]根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。
[0022]在一些实施例中，在所述第一阶段，各所述项目对应的权重采用以下公式进行计算：
[0023][0024]其中，j为所述项目的标号，M为所述项目的个数，loss
j
为第j个项目的平均损失
[0025]在一些实施例中，在所述第二阶段，各所述项目对应的权重采用以下公式进行计算：
[0026][0027]其中，E为所述迭代总次数，epoch为当前迭代次数，j为所述项目的标号，M为所述项目的个数，loss
j
为第j个项目的平均损失。
[0028]在一些实施例中，在所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型的步骤之前，还包括：
[0029]截取所述训练集中各图像的人脸区域，以去除所述训练集中各图像的背景。
[0030]为解决上述技术问题，第二方面，本申请实施例中提供给了一种检测多目标的方法，包括：
[0031]获取待检测人脸图像；
[0032]将所述待检测人脸图像输入多目标检测模型，输出各项目的检测结果，其中，所述多目标检测模型是采用如上第一方面所述的方法训练得到的。
[0033]为解决上述技术问题，第三方面，本申请实施例中提供给了一种电子设备，包括存储器以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述一个或多个处理器在执行所述一个或多个计算机程序时，使得所述电子设备实现如上第一方面所述的方法。
[0034]为解决上述技术问题，第四方面，本申请实施例中提供给了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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上第一方面所述的方法。
[0035]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的训练多目标检测模型的方法，训练集包括多个具有人脸的图像，各图像标注有真实标签，该真实标签包括至少一个项目的硬标签，项目为一个人脸中可识别的目标对象，例如，该真实标签包括黑头的细分类别和位置，黑头的细分类别和位置用硬标签的形式标注。然后将训练集分别输入至少一个单目标检测模型，基于一个单目标检测模型可以检测人脸中可识别的目标对象(即单个项目)，从而，可以得到训练集中各图像对应的各项目的软标签，将图像对应的各软标签作为真实标签进行标注，使得训练集中的各图像标注的真实标签包括至少一个硬标签和至少一个软标签。最后，将训练集输入卷积神经网络进行训练，迭代调参，得到该多目标检测模型。通过上述训练方式，能够实现用一个多个目标检测模型即可检测多个项目的分类及定位，相比于部署多个单目标检测模型，部署一个多个目标检测模型能够有效减少模型部署成本。另一方面，通过借用部分项目的软标签作为真实标签，不仅能够帮助多目标检测模型学习到软标签的概率信息，有利于提高多目标检测模型的准确性，还能够减少标注成本。
附图说明
[0036]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0037]图1为本申请一些实施例提供的一种训练多目标检测模型的方法的运行环境示意图；
[0038]图2为本申请一些实施例提供本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种训练多目标检测模型的方法，其特征在于，包括：获取训练集，所述训练集包括多个具有人脸的图像，所述训练集中的各图像标注有真实标签，所述真实标签包括至少一个项目的硬标签，所述项目为一个人脸中可识别的目标对象；将所述训练集分别输入至少一个单目标检测模型，得到所述训练集中各图像对应的各项目的软标签，并将所述图像对应的各软标签作为所述真实标签进行标注；将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型，包括：将所述训练集输入卷积神经网络，得到所述训练集中各图像的预测标签；根据所述训练集中各图像的预测标签和真实标签，计算总损失；根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集中各图像的预测标签和真实标签，计算总损失，包括：若目标项目对应硬标签，则对所述目标项目对应的硬标签进行softmax处理后，再代入交叉熵损失函数计算所述目标项目的损失；若所述目标项目对应软标签，则将所述目标项目对应的软标签直接代入所述交叉熵损失函数计算所述目标项目的损失，其中，所述目标项目为所述图像对应的任意一个项目；根据所述训练集中图像对应的各所述项目的损失，分别计算各所述项目对应的平均损失；将各所述项目的平均损失进行加权求和，得到所述总损失。4.根据权利3所述的方法，其特征在于，所述根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型，还包括：在训练的第一阶段，将具有较大平均损失的项目对应的权重调小，将具有较小平均损失的项目对应的权重调大，以计算所述总损失；在训练的第二阶段，将具有较大平均损失的项目对应的权重调大，将较小平均损失的项目对应的权重调小，以计算所述总损...
【专利技术属性】
技术研发人员：曾梦萍，周桂文，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。