一种深度学习算法可视化方法以及图片可视化方法技术

本发明专利技术涉及一种深度算法可视化方法，包括：提供包含单个或多个可视化器和可视化后端的可视化模块，其中所述可视化器用于可视化，所述可视化后端用于存储可视化内容，且每个可视化器均与单个或多个可视化后端通信；确定调用的可视化器和可视化后端，并配置可视化器的参数和可视化后端的参数；根据配置参数初始化可视化器和可视化后端；存储并可视化深度学习算法的配置文件；可视化训练数据；可视化深度学习模型结构图；以及确定当前是深度学习模型的训练阶段或训练后，进行相应的可视化。该可视化方法能够以一种统一的调用方式对深度学习算法运行时的各个环节进行可视化分析，帮助快速分析深度学习模型。本发明专利技术还涉及一种图片可视化方法。可视化方法。可视化方法。

【技术实现步骤摘要】
一种深度学习算法可视化方法以及图片可视化方法


[0001]本专利技术涉及深度学习与可视化
，尤其涉及一种深度学习算法可视化方法以及图片可视化方法。

技术介绍

[0002]深度学习算法的运行包含数据处理、神经网络模型推理、神经网络模型参数更新等过程。每个过程都涉及到复杂的计算，对每个过程产生的计算结果进行可视化分析可以有助于理解和分析每个过程的细节和神经网络模型的特点。
[0003]不同深度学习算法的运行过程会涉及不同的输入输出和多样化的可视化需求。现有的可视化方法主要存在以下缺点，一是使用的可视化工具针对特定深度学习算法进行设计和实现，难以被其他深度学习算法复用；二是现有的可视化工具只能可视化图片、文本等基本的数据，难以直接满足深度学习算法多样化的可视化需求。针对上述问题需要一种新的研究思路和解决方法。

技术实现思路

[0004]本专利技术的任务是提供一种深度学习算法可视化方法以及图片可视化方法，该可视化方法利用一种统一的可视化器模块进行可视化，能够以一种统一的调用方式对深度学习算法运行时的各个环节进行可视化分析，帮助快速分析深度学习模型，同时该可视化模块支持多种可视化后端，支持将可视化分析结果存储到相应的可视化后端中。
[0005]在本专利技术的第一方面，针对现有技术中存在的问题，本专利技术提供了一种深度算法可视化方法，包括：
[0006]提供包含单个或多个可视化器和可视化后端的可视化模块，其中所述可视化器用于可视化，所述可视化后端用于存储可视化内容，且每个可视化器均与单个或多个可视化后端通信；
[0007]确定调用的可视化器和可视化后端，并配置可视化器的参数和可视化后端的参数；
[0008]根据配置参数初始化可视化器和可视化后端；
[0009]存储并可视化深度学习算法的配置文件；
[0010]由相应的可视化器可视化训练数据，确定训练数据中的图片和标签是否正确，并存储在可视化后端；
[0011]由相应的可视化器可视化深度学习模型结构图，并存储在由相应的可视化后端；以及
[0012]确定当前状态是深度学习模型的训练阶段还是训练后，若是训练阶段，则进行模型参数训练和损失计算，然后由相应的可视化器可视化损失、学习率、训练中的特征图，并存储在相应的可视化后端，若是训练后，则由相应的可视化器可视化深度学习模型的预测推理结果以及深度学习模型的性能指标，并存储在相应的可视化后端。
[0013]在本专利技术的一个实施例中，根据任务确定单个或多个所述可视化器，其中所述可视化器包含绘制接口、后端接口和OpenMMLab数据格式可视化接口。
[0014]在本专利技术的一个实施例中，所述可视化器通过所述后端接口与单个或多个所述可视化后端通信，从而调用单个或多个所述可视化后端，将可视化的内容存储到所述可视化后端。
[0015]在本专利技术的一个实施例中，所述OpenMMLab数据格式可视化接口用于对OpenMMLab格式的数据样本进行绘制和存储。
[0016]在本专利技术的一个实施例中，所述绘制接口被配置为绘制检测框、掩码、文本、点、线以及特征图。
[0017]在本专利技术的一个实施例中，所述可视化深度学习模型的预测推理结果包括利用可视化器的绘制接口来绘制检测框、掩码、文本、点和线中的一项或多项。
[0018]在本专利技术的一个实施例中，当所述深度学习模型的预测推理结果的数据格式为OpenMMLab数据格式时，由所述OpenMMLab数据格式可视化接口来绘制检测框、绘制掩码、绘制文本、绘制点和绘制线中的一项或多项，绘制结果由相应的可视化器显示或者存储在所述OpenMMLab数据格式可视化接口。
[0019]在本专利技术的第二方面，本专利技术提供一种图片可视化方法，包括：
[0020]提供包含单个或多个可视化器和可视化后端的可视化模块，其中所述可视化器用于可视化，所述可视化后端用于存储可视化内容，且每个可视化器均与单个或多个可视化后端通信；
[0021]确定调用的可视化器和可视化后端，并配置可视化器的参数和可视化后端的参数；
[0022]根据配置参数初始化可视化器和可视化后端；
[0023]准备待可视化的原始图片和相关的图片数据；
[0024]调用可视化器提供的绘制接口对待绘制的原始图片进行绘制；以及
[0025]通过可视化器将绘制后的结果存储到相应可视化后端。
[0026]在本专利技术的一个实施例中，所述可视化器包含绘制接口、后端接口和OpenMMLab数据格式可视化接口；
[0027]所述可视化器通过所述后端接口与单个或多个所述可视化后端通信，从而调用单个或多个所述可视化后端，将可视化的内容存储到所述可视化后端；
[0028]所述OpenMMLab数据格式可视化接口用于对OpenMMLab格式的数据样本进行绘制和存储。
[0029]在本专利技术的一个实施例中，利用所述可视化器的绘制接口来绘制检测框、掩码、文本、点、线和特征图中的一项或多项。
[0030]本专利技术至少具有下列有益效果：本专利技术公开的一种深度学习算法可视化方法以及图片可视化方法，该可视化方法利用一种统一的可视化器模块进行可视化，能够以一种统一的调用方式对深度学习算法运行时的各个环节进行可视化分析，帮助快速分析深度学习模型，同时该可视化模块支持多种可视化后端，支持将可视化分析结果存储到相应的可视化后端中；利用该可视化模块进行深度学习算法的可视化，帮助快速分析深度学习模型，统一了各种深度学习算法可视化功能的使用方式，支持可视化分析和可视化后端存储的任意
组合与拓展，提升了可视化器的灵活性，使得用户可以方便地对深度学习的各个过程进行分析；该深度学习算法的可视化器支持可视化图片、文本、深度学习模型结构图、检测框、分割掩码等各种结构化和非结构化数据；支持多种可视化后端且具备可拓展性，支持将可视化内容存储到多个后端中并展示；支持web端可视化和存储显示功能；支持对可视化器和可视化后端进行扩展。
附图说明
[0031]为了进一步阐明本专利技术的各实施例的以上和其它优点和特征，将参考附图来呈现本专利技术的各实施例的更具体的描述。可以理解，这些附图只描绘本专利技术的典型实施例，因此将不被认为是对其范围的限制。
[0032]图1示出了根据本专利技术一个实施例的可视化模块中的可视化器与可视化后端的连接关系示意图；
[0033]图2示出了根据本专利技术一个实施例的利用可视化模块进行深度学习算法可视化的流程；以及
[0034]图3示出了根据本专利技术一个实施例的使用可视化模块可视化图片数据的过程。
具体实施方式
[0035]应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。
[0036]在本专利技术中，各实施例仅仅旨在说明本专利技术的方案，而不应被理解为限制性的。
[0037]在本专利技术中，除非特别指出，量词“一个”、“一”并未排除多个元素的场景。
[0038]在此还应当指出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度算法可视化方法，其特征在于，包括：提供包含单个或多个可视化器和可视化后端的可视化模块，其中所述可视化器用于可视化，所述可视化后端用于存储可视化内容，且每个可视化器均与单个或多个可视化后端通信；确定调用的可视化器和可视化后端，并配置可视化器的参数和可视化后端的参数；根据配置参数初始化可视化器和可视化后端；存储并可视化深度学习算法的配置文件；由相应的可视化器可视化训练数据，确定训练数据中的图片和标签是否正确，并存储在可视化后端；由相应的可视化器可视化深度学习模型结构图，并存储在由相应的可视化后端；以及确定当前状态是深度学习模型的训练阶段还是训练后，若是训练阶段，则进行模型参数训练和损失计算，然后由相应的可视化器可视化损失、学习率、训练中的特征图，并存储在相应的可视化后端，若是训练后，则由相应的可视化器可视化深度学习模型的预测推理结果以及深度学习模型的性能指标，并存储在相应的可视化后端。2.根据权利要求1所述的深度算法可视化方法，其特征在于，根据任务确定单个或多个所述可视化器，其中所述可视化器包含绘制接口、后端接口和OpenMMLab数据格式可视化接口。3.根据权利要求2所述的深度学习算法化视化方法，其特征在于，所述可视化器通过所述后端接口与单个或多个所述可视化后端通信，从而调用单个或多个所述可视化后端，将可视化的内容存储到所述可视化后端。4.根据权利要求2所述的深度学习算法视化方法，其特征在于，所述OpenMMLab数据格式可视化接口用于对OpenMMLab格式的数据样本进行绘制和存储。5.根据权利要求2所述的深度学习算法视化方法，其特征在于，所述绘制接口被配置为绘制检测框、掩码、文本、点、线以及特征图。6.根据权利要求2...

【专利技术属性】
技术研发人员：黄海安，刘奎坤，张文蔚，杨逸飞，陈恺，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：