本申请公开了一种图像识别方法、装置、电子设备及存储介质，通过获取预先训练的初始图像识别模型；对初始图像识别模型进行剪枝处理；对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型；以使终端设备基于目标图像识别模型对待识别图像进行图像识别，从而对预先训练的初始图像识别模型进行剪枝与量化处理，可以在确保模型精度的同时，极大降低模型运行所需运算力且有效减小模型所占空间，实现模型的轻量化，以使模型可以应用于低算力的终端设备，进一步扩大模型的应用场景。景。景。
【技术实现步骤摘要】
图像识别方法、装置、电子设备及存储介质
[0001]本申请涉及图像处理
，更具体地，涉及一种图像识别方法、装置、电子设备及存储介质。
技术介绍
[0002]相关技术中，车载移动芯片可以部署有神经网络模型，车辆通过部署的神经网络模型对获取的图像进行识别，以获取目标信息(如车位、车道线、红绿灯等)，通过目标信息辅助车辆进行自动驾驶。
[0003]然而，车载移动芯片部署的神经网络模型通常是预先在具有高运算力的设备(如云端工作站集群等)训练得到，再移值到车载移动芯片。在车载移动芯片运行神经网络模型，对车载移动芯片有着高算力的要求。
[0004]而目前全球芯片短缺，具有高运算力的高端芯片价格昂贵，而且供应困难，严重阻碍车辆智能化的发展。
技术实现思路
[0005]鉴于上述问题，本专利技术提出了一种图像识别方法、装置、电子设备以及存储介质，以改善上述问题。
[0006]第一方面，本申请实施例提供了一种图像识别方法，该方法包括：获取预先训练的初始图像识别模型；对初始图像识别模型进行剪枝处理；对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型。
[0007]第二方面，本申请实施例还提供了一种图像识别装置，其特征在于，包括：模型获取模块、剪枝模块、量化模块。其中，模型获取模块用于获取预先训练的初始图像识别模型；剪枝模块用于对初始图像识别模型进行剪枝处理；量化模块用于对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型。
[0008]第三方面，本申请实施例还提供了一种电子设备，包括一个或多个处理器、存储器以及一个或多个应用程序。其中，一个或多个程序被存储在存储器中并被配置为由处理器执行以实现上述的图像识别方法。
[0009]第四方面，本申请实施例还提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，其中，在程序代码被处理器运行时执行上述的方法。
[0010]本专利技术提供的技术方案，通过获取预先训练的初始图像识别模型；对初始图像识别模型进行剪枝处理；对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型；以使终端设备基于目标图像识别模型对待识别图像进行图像识别，从而对预先训练的初始图像识别模型进行剪枝与量化处理，可以在确保模型精度的同时，极大降低模型运行所需运算力且有效减小模型所占空间，实现模型的轻量化，以使模型可以应用于低算力的终端设备，进一步扩大模型的应用场景。
附图说明
[0011]为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例及附图，都属于本专利技术保护的范围。
[0012]图1示出了本申请一实施例提出的一种图像识别系统的场景示意图。
[0013]图2示出了本申请一实施例提出的一种图像识别方法的流程示意图。
[0014]图3示出了本申请一实施例中步骤S220的流程示意图。
[0015]图4示出了本申请一实施例中剪枝处理过程的示意图。
[0016]图5示出了本申请另一实施例中剪枝处理过程的示意图。
[0017]图6示出了本申请一实施例提出的一种图像识别装置的结构框图。
[0018]图7示出了本申请一实施例提出的一种电子设备的结构框图。
[0019]图8示出了本申请一实施例提出的一种计算机可读取存储介质的结构框图。
具体实施方式
[0020]为了使本
的人员更好地理解本申请方案，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。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
[0021]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
[0022]目前，智能交通技术发展日益迅速，基于多层神经网络的深度学习技术，可以解决大量智能交通的问题。
[0023]相关技术中，车载移动芯片可以部署有神经网络模型，车辆通过部署的神经网络模型对获取的图像进行识别，以获取目标信息(如车位、车道线、红绿灯等)，通过目标信息辅助车辆进行自动驾驶。
[0024]然而，复杂又深层的神经网络模型，有着高密度的运算力要求，神经网络模型通常是预先在具有高运算力的设备(如云端工作站集群等)训练得到，然后使用单一的移植技术，把神经网络模型移植到车载移动芯片上。如此，对车载移动芯片的运算力的要求较高，也即需要车辆配置具有高运算力的高端芯片。
[0025]而目前全球芯片短缺，具有高运算力的高端芯片价格昂贵，而且供应困难，严重阻碍车辆智能化的发展。
[0026]为了改善上述问题，专利技术人提出了本申请提供的图像识别方法、装置、电子设备以及存储介质，通过获取预先训练的初始图像识别模型；对初始图像识别模型进行剪枝处理；对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型；以使终端设备基于目标图像识别模型对待识别图像进行图像识别，从而对预先训练的初始图像识别模型进
行剪枝与量化处理，可以在确保模型精度的同时，极大降低模型运行所需运算力且有效减小模型所占空间，实现模型的轻量化，以使模型可以应用于低算力的终端设备，进一步扩大模型的应用场景。
[0027]图1示出了可以应用本申请实施例的技术方案的图像识别系统的场景示意图。如图1所示，该图像识别系统100包括服务器110和终端设备120。服务器110与终端设备120可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
[0028]服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端120可以是设置有车载终端的车辆、智能手机、平板电脑、笔记本电脑、台式电脑、自助终端、智能电视、智能音箱等，在此不进行具体限定。
[0029]在本申请的实施例中，服务器110获取预先训练的初始图像识别模型，对初始图像识别模型进行剪枝处理，对剪枝处理后的初始图像识别模型进行量化处理得到目标图像识别模型。
[0030]在一些实施方式中，目标图像识别模型可以进一步部署在终端设备120，以使终端设备120基于目标图像识别模型对待识别图像进行图像识别。
[0031]在另一些实施方式中，目标图像识别模型也可以部署于服务器110，终端设备120可以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：获取预先训练的初始图像识别模型；对所述初始图像识别模型进行剪枝处理；对剪枝处理后的所述初始图像识别模型进行量化处理得到目标图像识别模型。2.根据权利要求1所述的图像识别方法，其特征在于，所述初始图像识别模型包括多个连接通道；所述对所述初始图像识别模型进行剪枝处理，包括：确定剪枝比例；根据所述剪枝比例以及所述多个连接通道的权重，在所述多个连接通道中确定目标连接通道；将所述初始图像识别模型中的所述目标连接通道进行剪枝处理。3.根据权利要求2所述的方法，其特征在于，所述将所述初始图像识别模型中的所述目标连接通道进行剪枝处理，包括：将所述初始图像识别模型中的所述目标连接通道删除。4.根据权利要求2所述的图像识别方法，其特征在于，所述将所述初始图像识别模型中的所述目标连接通道进行剪枝处理，包括：将所述初始图像识别模型中的所述目标连接通道的权重置零。5.根据权利要求1
‑
4任一项所述的图像识别方法，其特征在于，所述剪枝处理后的初始图像识别模型的连接通道包括权重不为零的待调整连接通道；所述对剪枝处理后的所述初始图像识别模型进行量化处理得到目标图像识别模型；包括：获取图像训练样本集；基于所述剪枝处理后的初始图像识别模型与所述图像训练样本集，得到样本图像识别结果；根据样本图像识别结果调整所述剪枝处理后的初始图像识别模型中所述...
【专利技术属性】
技术研发人员：周俊豪，
申请(专利权)人：广州小鹏自动驾驶科技有限公司，
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。