一种基于MCU的AI多场景自适应识别方法技术

本发明专利技术涉及一种基于MCU

【技术实现步骤摘要】
一种基于MCU的AI多场景自适应识别方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于MCU的AI多场景自适应识别方法。

技术介绍

[0002]近年来，随着深度神经网络的发展，模型选择包括两个步骤：选择一个模型，然后设定它的参数。自适应模型选择的目的就是自动选择出一个最合适的模型并且能够设定好它的最优参数。自适应模型选择可以根据指定的规则和特定的数据集，通过自动获取和分析数据特征，从而选择适用于该数据集的模型，使其获得更好的效果。
[0003]特别地，当神经网络需要集成到开发板的时候，精度会因为模型量化而达不到理想的效果，越大的模型越不容易部署，同时在开发板中实现的场景可能并不唯一。因此，自适应模型选择技术和启发式量化是很好提升模型鲁棒性和整体性能的方法。
[0004]本专利技术提出了一种基于MCU的AI多场景自适应识别方法，特别地，专利技术改进了一种强有力的量化感知方式，在对感知量化后的模型进行启发式量化，在不断挑选测试最佳量化参数的基础上，进一步对模型进行训练后感知，大大减少了训练中量化过程中产生的精度影响，极大提高了神经网络部署于MCU中的整体能力，进一步提高了模型的性能。

技术实现思路

[0005]本专利技术提出一种基于MCU的AI多场景自适应识别方法，旨在针对多个不同数据集实现自适应图像增强以及网络模型选择，以提升整体性能。
[0006]为实现以上的目的，本专利技术是通过以下技术方案来实现的：
[0007](1)批量图像输入和预处理：输入批量图像进行网络训练。
[0008](2)对不同场景的图像数据采用自适应数据增强方式，创建一个数据增强策略的搜索空间，利用搜索算法选取适合特定数据集的数据增强策略。
[0009](3)获取预设模型框架，所述预设模型包含多个模型，基于各数据集构建与各所述模型相对应的特征，通过AutoML从多个模型框架中选择适合的网络模型进行批量图像训练。
[0010](4)获取训练好的模型文件(如.onnx、.pth文件)，解析网络模型结构中的权重和偏置数据，对模型存储格式进行感知量化，使得模型权重和偏置数据类型由float转为int8。
[0011](5)添加随机波动，并不断重复测试，选取最好的模型参数。
[0012](6)测试执行，重新对感知量化后的模型进行评估测试精度。
[0013]经过测试，本专利技术具有的有益效果是：
[0014]1、使用自适应数据增强和网络模型缩小数据集之间的差异
[0015]2、适用范围广、模型精确度高、鲁棒性强。
附图说明
[0016]图1本专利技术方法执行流程图
[0017]具体实施方式(对本专利技术所提出的方法进行详细阐述)
[0018]下面结合附图对本专利技术的具体实施方案做作进一步说明。
[0019]本专利技术主要提出一种基于MCU的AI多场景自适应识别方法，以提高算法模型的准确度和鲁棒性，图1是本专利技术的具体实施步骤：
[0020]步骤1输入批量待训练的图像，本专利技术对多场景图像数据集都适用，步骤2确定数据集类型；对不同的数据用自适应数据增强方式，创建一个数据增强策略的搜索空间，在搜索空间中，一个策略由5个子策略组成，每个子策略又包含依次被应用的两个图像处理操作，每个操作也都和两个超参数相关：应用操作的概率和操作的幅度。利用搜索算法选取适合特定数据集的数据增强策略。
[0021]步骤3获取预设模型框架，所述预设模型包含多个模型，基于各数据集构建与各所述模型相对应的特征，通过AutoML从多个模型框架中选择适合的网络模型进行批量图像训练。
[0022]步骤4感知量化操作具体是获取训练好的模型文件，制作测试向量文件，量化并转换模型，用部分样本跑模型，可以观察它们在各层产生的输出范围，并且假设这个抽样适合整体样本。
[0023]步骤5先在当前的移位指数上添加随机的波动，倘若因此得到了更好的精度，就把添加波动后的参数当作当前最好的。重复多次直到不再贪婪。在该基础上，训练后再做一次搜索，确定最后的随机波动参数，根据最好的随机波动参数先训练后量化，减少量化训练过程中带来的精度影响。
[0024]步骤6重新对感知量化后的模型进行评估测试精度，检测量化存储格式后对精度的影响，同时能反映部署到MCU上的精度结果。
[0025]通过上述步骤得到的模型是根据重复测试产生的，因此可以在最大程度上保证多场景下模型经过量化感知后在MCU上运行的精度和鲁棒性。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MCU的AI多场景自适应识别方法，其特征在于该方法包括以下步骤：(1)批量图像输入和预处理：输入批量图像进行网络训练；(2)对不同场景的图像数据采用自适应数据增强，创建一个数据增强策略的搜索空间，利用搜索算法选取适合特定数据集的数据增强策略；(3)获取预设模型框架，所述预设模型包含多个模型，基于各数据集构建与各所述模型相对应的特征，通过AutoML从多个模型框架中选择适合的网络模型进行批量图像训练；(4)获取训练好的模型文件(如.onnx、.pth文件)，解析网络模型结构中的权重和偏置数据，对模型存储格式进行感知量化，使得模型权重和偏置数据类型由float转为int8；(5)添加随机波动，并不断重复测试，选取最好的模型参数；(6)测试执行，重新对感知量化后的模型进行评估测试精度。2.根据权利要求1所述的基于MCU的AI多场景自适应识别方法，其特征在于步骤(1)输入的图像可以是多个不同数据集的。3.根据权利要求1所述的基于MCU的AI多场景自适应识别方法，其特征在于，所述步骤(2)具体的是：确定数据集类型，对不同场景的图像数据进行自适应数据增强，该方法创建一个数据增强策略的搜索空间，根据应用操作的概率和操作的幅度，利...

【专利技术属性】
技术研发人员：李建军，叶茵，陈挺，李胜炎，陈威特，
申请(专利权)人：北京中电华大电子设计有限责任公司，
类型：发明
国别省市：