一种目标检测模型的训练方法及目标检测方法、装置制造方法及图纸

本公开提供了一种目标检测模型的训练方法及目标检测方法、装置，涉及人工智能中的图像识别、深度学习等技术领域。具体实现方案为：获取样本训练图像以及样本训练图像的标签信息；利用样本训练图像及样本训练图像的标签信息，对轻量化目标检测模型进行训练，得到预训练轻量化目标检测模型；在预训练轻量化目标检测模型中加入量化模块，得到初始量化目标检测模型；再利用样本训练图像及样本训练图像的标签信息，对初始量化目标检测模型进行训练，得到训练好的轻量化目标检测模型，提高了模型的训练速度。训练速度。训练速度。

【技术实现步骤摘要】
一种目标检测模型的训练方法及目标检测方法、装置


[0001]本公开涉及人工智能
，尤其涉及图像识别、深度学习等
，具体涉及一种目标检测模型的训练方法及目标检测方法、装置。

技术介绍

[0002]通信塔也称信号发射塔或信号塔，是通信运营商、广播电视等部门架设信号发射天线或微波传输设备的基础设备，不同类别的通信塔运营和维护方式不同，使得通信塔类别的识别较为重要。

技术实现思路

[0003]本公开提供了一种目标检测模型的训练方法及目标检测方法、装置。
[0004]根据本公开的第一方面，提供了一种目标检测模型的训练方法，包括：
[0005]获取样本训练图像以及所述样本训练图像的标签信息；
[0006]将所述样本训练图像输入轻量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第一预测结果；
[0007]根据所述样本训练图像的第一预测结果以及所述样本训练图像的标签信息计算第一损失，并根据第一损失对所述轻量化目标检测模型的训练参数进行调整，得到预训练轻量化目标检测模型；
[0008]在所述预训练轻量化目标检测模型中加入量化模块，得到初始量化目标检测模型；
[0009]将所述样本训练图像输入所述初始量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第二预测结果；
[0010]根据所述样本训练图像的第二预测结果以及所述样本训练图像的标签信息计算第二损失，并根据第二损失对所述初始量化目标检测模型的训练参数进行调整，得到训练好的轻量化目标检测模型。
[0011]根据本公开的第二方面，提供了一种目标检测方法，包括：
[0012]获取待检测图像；
[0013]将所述待检测图像输入训练好的轻量化目标检测模型中进行信号塔的检测，得到所述待检测图像的检测结果；其中，所述训练好的轻量化目标检测模型为：采用第一方面所述的方法训练得到的，所述训练好的轻量化目标检测模型用于对所述待检测图像中的信号塔进行检测，所述检测结果包括：类别检测结果和位置检测结果。
[0014]根据本公开的第三方面，提供了一种目标检测模型的训练装置，包括：
[0015]样本获取模块，用于获取样本训练图像以及所述样本训练图像的标签信息；
[0016]第一预测模块，用于将所述样本训练图像输入轻量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第一预测结果；
[0017]第一训练模块，用于根据所述样本训练图像的第一预测结果以及所述样本训练图
像的标签信息计算第一损失，并根据第一损失对所述轻量化目标检测模型的训练参数进行调整，得到预训练轻量化目标检测模型；
[0018]模型量化模块，用于在所述预训练轻量化目标检测模型中加入量化模块，得到初始量化目标检测模型；
[0019]第二预测模块，用于将所述样本训练图像输入所述初始量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第二预测结果；
[0020]第二训练模块，用于根据所述样本训练图像的第二预测结果以及所述样本训练图像的标签信息计算第二损失，并根据第二损失对所述初始量化目标检测模型的训练参数进行调整，得到训练好的轻量化目标检测模型。
[0021]根据本公开的第四方面，提供了一种目标检测装置，包括：
[0022]图像获取模块，用于获取待检测图像；
[0023]图像检测模块，用于将所述待检测图像输入训练好的轻量化目标检测模型中进行信号塔的检测，得到所述待检测图像的检测结果；其中，所述训练好的轻量化目标检测模型为：采用第一方面所述的方法训练得到的，所述训练好的轻量化目标检测模型用于对所述待检测图像中的信号塔进行检测，所述检测结果包括：类别检测结果和位置检测结果。
[0024]根据本公开的另一方面，提供了一种电子设备，包括：
[0025]至少一个处理器；以及
[0026]与所述至少一个处理器通信连接的存储器；其中，
[0027]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一所述的方法。
[0028]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一所述的方法。
[0029]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一所述的方法。
[0030]本公开实施例，提高了模型的训练速度。
[0031]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0032]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0033]图1是根据本公开的目标检测模型的训练方法的示意图；
[0034]图2是根据本公开的目标预测实施方式的示意图；
[0035]图3是根据本公开的目标检测方法的示意图；
[0036]图4a是根据本公开的目标检测原图展示示意图；
[0037]图4b是根据本公开的目标检测结果图展示示意图；
[0038]图5是根据本公开的另一目标检测结果图展示示意图；
[0039]图6是根据本公开的目标检测模型的训练装置的示意图；
[0040]图7是根据本公开的目标检测装置的示意图；
[0041]图8是用来实现本公开实施例的目标检测模型的训练方法或目标检测方法的电子
设备的框图。
具体实施方式
[0042]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0043]随着科技的发展，各种即时通信已成为人类日常生活中不可分割的一部分，即时通信这类便捷服务的实现离不开各种信号塔。信号塔是通信运营商、广播电视等部门架设信号发射天线或微波传输设备的基础设备，对信号塔及时正确的维护是保障无线通信系统正常运行的必要手段。不同类别的信号塔运营和维护方式不同，使得信号塔类别的识别较为重要。
[0044]在实际应用中，信号塔的外观会根据其所处的地貌以及环境等特点设计成不同的形态，不同类别的信号塔维护方式以及运营策略等也会存在差异。现有技术中，主要通过人工巡检的方式，根据人工经验判断信号塔的类别。在此过程中，人工判断需要耗费较大的人力物力，检测效率低下，且，人工判断中包含人的主观意识，影响判断结果的准确性，进而影响信号塔的维护和运营策略。
[0045]为了解决上述问题，本公开实施例提供了一种目标检测模型的训练方法及目标检测方法、装置。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，包括：获取样本训练图像以及所述样本训练图像的标签信息；将所述样本训练图像输入轻量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第一预测结果；根据所述样本训练图像的第一预测结果以及所述样本训练图像的标签信息计算第一损失，并根据第一损失对所述轻量化目标检测模型的训练参数进行调整，得到预训练轻量化目标检测模型；在所述预训练轻量化目标检测模型中加入量化模块，得到初始量化目标检测模型；将所述样本训练图像输入所述初始量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第二预测结果；根据所述样本训练图像的第二预测结果以及所述样本训练图像的标签信息计算第二损失，并根据第二损失对所述初始量化目标检测模型的训练参数进行调整，得到训练好的轻量化目标检测模型。2.根据权利要求1所述的方法，其中，所述获取样本训练图像以及所述样本训练图像的标签信息，包括：获取多个样本图像；对各所述样本图像中的信号塔进行标注，得到各所述样本图像对应的标注图像，所述标注图像中包含标签信息，所述标签信息包括类别标签和位置标签，所述类别标签用于表征所述样本图像中信号塔的类别，所述位置标签用于表征所述样本图像中信号塔的位置；对各所述标注图像进行清洗处理和扩充处理，得到样本数据集；所述样本数据集中包含：样本训练图像以及所述样本训练图像的标签信息。3.根据权利要求2所述的方法，其中，所述类别标签包括：景观塔类别、单管塔类别、雷达塔类别以及通信信号塔类别。4.根据权利要求1
‑
3任一所述的方法，其中，所述轻量化目标检测模型为PP
‑
PicoDet目标检测模型，所述将所述样本训练图像输入轻量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第一预测结果，包括：将所述样本训练图像输入PP
‑
PicoDet目标检测模型的主干网络中进行特征提取，得到第一特征图；将所述第一特征图输入所述PP
‑
PicoDet目标检测模型包含的块丢弃DropBlock层、卷积层、上采样层以及跨阶段局部网络模块的颈部网络中，分别进行特征的随机丢弃、提取、上采样以及再提取操作，得到第二特征图；将所述第二特征图输入所述PP
‑
PicoDet目标检测模型的分类和回归网络中进行信号塔的预测，得到所述样本训练图像的第一预测结果。5.根据权利要求4所述的方法，其中，所述在所述预训练轻量化目标检测模型中加入量化模块，得到初始量化目标检测模型，包括：在所述预训练轻量化目标检测模型的激活值和待量化操作之间加入准参数化剪裁激活PACT量化模块，得到初始量化目标检测模型。6.根据权利要求4所述的方法，其中，所述第一损失包括变焦损失VFL、有效的交并比EIOU损失以及分布焦点损失DFL，所述VFL用于计算样本训练图像边界框的分类损失，所述
EIOU损失用于计算样本训练图像边界框的第一回归损失，所述DFL用于计算样本训练图像边界框的第二回归损失。7.一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入训练好的轻量化目标检测模型中进行信号塔的检测，得到所述待检测图像的检测结果；其中，所述训练好的轻量化目标检测模型为：采用如权利要求1
‑
6任一所述的方法训练得到的，所述训练好的轻量化目标检测模型用于对所述待检测图像中的信号塔进行检测，所述检测结果包括：类别检测结果和位置检测结果。8.根据权利要求7所述的方法，其中，所述类别检测结果包括：景观塔类别、单管塔类别、雷达塔类别以及通信信号塔类别。9.根据权利要求7所述的方法，其中，所述将所述待检测图像输入训练好的轻量化目标检测模型中进行信号塔的检测，得到所述待检测图像的检测结果，包括：将所述待检测图像输入所述训练好的轻量化目标检测模型的主干网络中进行特征提取，得到第三特征图；将所述第三特征图输入所述训练好的轻量化目标检测模型包含的块丢弃DropBlock层、卷积层、上采样层以及跨阶段局部网络模块的颈部网络中，分别进行特征的随机丢弃、提取、上采样以及再提取操作，得到第四特征图；将所述第四特征图输入所述训练好的轻量化目标检测模型的分类和回归网络中进行信号塔的检测，得到所述待检测图像的检测结果。10.一种目标检测模型的训练装置，包括：样本获取模块，用于获取样本训练图像以及所述样本训练图像的标签信息；第一预测模块，用于将所述样本训练图像输入轻量化目标检测模型中进行信号塔的预测，得到所述样本训练图像的第一预测结果；第一训练模块，用于根据所述样本训练图像的第一...

【专利技术属性】
技术研发人员：安梦涛，于广华，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：