一种模型处理方法、装置、存储介质及设备制造方法及图纸

本申请实施例提供一种模型处理方法、装置、存储介质及设备，该方法中，将用于检测生产过程中的违规问题的目标模型下发到边缘设备上，并获取该边缘设备基于该目标模型检测到的告警事件数据以及后台对这些告警事件数据的审核结果，以此更新目标模型的训练数据集并重新训练目标模型。这样，通过生产数据回流实现模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。有利于提升模型的泛化能力。有利于提升模型的泛化能力。

【技术实现步骤摘要】
一种模型处理方法、装置、存储介质及设备


[0001]本申请涉及人工智能
，具体而言，涉及一种模型处理方法、装置、存储介质及设备。

技术介绍

[0002]目前，随着计算机技术的不断发展，人工智能模型在安防、工业、交通等各种场景已得到广泛应用。搭载有人工智能模型的边缘设备可以实时收集数据，以帮助改进流程，从而实现任务自动化，提高产品质量等。
[0003]在边缘设备的交付服务中，由于边缘设备面对的场景对模型的泛化能力有较高要求，这就需要有大量的样本数据来对模型进行训练。相关技术中，一般是采集客户的现场数据之后交由数据团队进行标注，以此作为模型的训练测试集。然而，这一方式的工作量大，对模型的泛化能力的提升十分有限。

技术实现思路

[0004]本申请实施例的目的在于提供一种模型处理方法、装置、存储介质及设备，旨在解决相关技术中难以为边缘设备的人工智能模型的提升提供数据支持的问题。
[0005]第一方面，本申请实施例提供的一种模型处理方法，包括：将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；
[0006]获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；
[0007]基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。
[0008]在上述实现过程中，将用于检测生产过程中的违规问题的目标模型下发到边缘设备上，并获取该边缘设备基于该目标模型检测到的告警事件数据以及后台对这些告警事件数据的审核结果，以此更新目标模型的训练数据集并重新训练目标模型。这样，通过生产数据回流实现模型的自动优化，为模型性能的提升提供数据支持，有利于提升模型的泛化能力。
[0009]进一步地，在一些实施例中，所述目标模型基于以下方式获得：
[0010]获取训练好的初始模型，对所述初始模型进行模型转换处理，得到能够在所述边缘设备上运行的中间模型；
[0011]对所述中间模型进行测试，再将测试成功的中间模型、节点文件和预设脚本组装成目标模型。
[0012]在上述实现过程中，对初始模型进行模型转换处理、测试、组装，使得目标模型更好地适配对应的边缘设备。
[0013]进一步地，在一些实施例中，所述模型转换处理、测试以及组装的步骤是基于Model Zoo执行的。
[0014]在上述实现过程中，利用Model Zoo提供的功能实现从初始模型到目标模型的转化。
[0015]进一步地，在一些实施例中，所述目标模型是Graph数据结构的模型。
[0016]在上述实现过程中，将模型组装成Graph数据结构，使得边缘设备可以便捷地将该目标模型和其他模型进行组合，便于协同工作。
[0017]进一步地，在一些实施例中，所述将目标模型下发到边缘设备上，包括：
[0018]将目标模型上传到云平台的算法仓库中，由所述云平台将所述目标模型下发到边缘设备上。
[0019]在上述实现过程中，通过云平台来对目标模型进行下发，减少将目标模型错误地下发到其他设备上的情况发生。
[0020]进一步地，在一些实施例中，所述方法还包括：
[0021]将重新训练好的目标模型确定为新版本的目标模型；
[0022]通过所述云平台对不同版本的目标模型的模型效果进行比对。
[0023]在上述实现过程中，通过对不同版本的目标模型的模型效果的比对，更为贴切满足边缘设备针对模型的实际需求。
[0024]进一步地，在一些实施例中，所述通过所述云平台对不同版本的目标模型的模型效果进行比对，包括：
[0025]通过所述云平台对所述边缘设备上报的告警事件数据进行实时统计分析；
[0026]根据所述审核结果修正分析结果；
[0027]基于待比对的目标模型对应的分析结果，确定所述目标模型的模型效果的比对结果。
[0028]在上述实现过程中，提供一种比对模型效果的解决方案。
[0029]第二方面，本申请实施例提供的一种模型处理装置，包括：下发模块，用于将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；
[0030]获取模块，用于获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；
[0031]更新模块，用于基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。
[0032]第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中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如第一方面任一项所述的方法的步骤。
[0033]第四方面，本申请实施例提供的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指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
[0034]第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
[0035]本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
[0036]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合
所附附图，作详细说明如下。
附图说明
[0037]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0038]图1为本申请实施例提供的电池的加热控制方法的流程图；
[0039]图2为本申请实施例提供的电动汽车的整车控制器实现电池加热控制的工作流程；
[0040]图3为本申请实施例提供的一种电池的加热控制装置的框图；
[0041]图4为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
[0042]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描述。
[0043]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0044]如
技术介绍
记载，相关技术中存在着难以为边缘设备的人工智能模型的提升提供数据支持的问题。基于此，本申请实施例提供一种模型处理方案，以解决上述问题。
[0045]接下来对本申请实施例进行介绍：
[0046]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型处理方法，其特征在于，包括：将目标模型下发到边缘设备上，所述目标模型用于检测生产过程中的违规问题；获取所述边缘设备基于所述目标模型检测到的告警事件数据，并将所述告警事件数据传递至后台进行审核；基于各告警事件数据以及对应的审核结果，更新所述目标模型的训练数据集，并基于更新后的训练数据集重新训练所述目标模型。2.根据权利要求1所述的方法，其特征在于，所述目标模型基于以下方式获得：获取训练好的初始模型，对所述初始模型进行模型转换处理，得到能够在所述边缘设备上运行的中间模型；对所述中间模型进行测试，再将测试成功的中间模型、节点文件和预设脚本组装成目标模型。3.根据权利要求2所述的方法，其特征在于，所述模型转换处理、测试以及组装的步骤是基于Model Zoo执行的。4.根据权利要求1所述的方法，其特征在于，所述目标模型是Graph数据结构的模型。5.根据权利要求1所述的方法，其特征在于，所述将目标模型下发到边缘设备上，包括：将目标模型上传到云平台的算法仓库中，由所述云平台将所述目标模型下发到边缘设备上。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：将重新训练好的目标模型确定为新版本的...

【专利技术属性】
技术研发人员：刘亚萍，刘光雷，丁昂，周江涛，
申请(专利权)人：青岛创新奇智科技集团股份有限公司，
类型：发明
国别省市：