本申请提供了一种目标检测模型训练方法、装置、电子设备及存储介质。该方法包括：获取训练图像样本集；基于训练图像样本集的特征信息和训练结果对预测模型进行训练；获取新的训练图像样本集，通过训练后的预测模型对新的训练图像样本集进行预测，确定新的训练图像样本集中的高价值训练图像样本集；利用已标注的高价值训练图像样本集对目标检测模型进行训练，并重复上述对预测模型和目标检测模型的训练步骤，直至训练后的目标检测模型满足预设条件，将训练后的目标检测模型作为最终目标检测模型。本申请通过确定“高价值”图像数据并利用标注后的“高价值”图像数据对目标检测模型进行训练，能够提高目标检测模型的性能。能够提高目标检测模型的性能。能够提高目标检测模型的性能。
【技术实现步骤摘要】
目标检测模型训练方法、装置、电子设备及存储介质
[0001]本申请涉及图像处理
，具体涉及一种目标检测模型训练方法、装置、电子设备及存储介质。
技术介绍
[0002]目标检测是计算机视觉领域的经典任务，广泛应用于自动驾驶、视频监控、人脸检测以及人机交互等领域中。在目标检测任务中，为了训练出符合任务需求的目标检测模型，传统的目标检测模型训练方法通常需要提供大量的已标注的图像数据作为训练数据集，以对目标检测模型进行训练。
[0003]然而，收集到的图像数据是海量的，对其进行人工标注会耗费大量时间和人力，同时该海量图像数据中，只有部分图像数据是“高价值”的数据，即是对目标检测模型的训练有较大帮助的数据。因此，如何从海量图像数据中确定“高价值”图像数据，以使仅对该“高价值”图像数据进行标注并利用已标注的“高价值”图像数据对目标检测模型进行模型训练，达到提升目标检测模型的性能的目的，是当前亟需解决的问题。
技术实现思路
[0004]本申请实施例提供了一种目标检测模型训练方法、装置、电子设备及存储介质，能够通过确定“高价值”图像数据，并利用标注后的“高价值”图像数据对目标检测模型进行训练，提高目标检测模型的性能。
[0005]本申请是通过如下技术方案实现的：
[0006]第一方面，本申请实施例提供了一种目标检测模型训练方法，包括：步骤1：获取训练图像样本集，利用已标注的训练图像样本集对目标检测模型进行模型训练，得到训练图像样本集的训练结果；步骤2：根据训练后的目标检测模型对无标注的训练图像样本集进行预测，得到训练图像样本集的特征信息；步骤3：以训练图像样本集的特征信息为模型输入，训练图像样本集的训练结果为模型输出，对预测模型进行模型训练；步骤4：获取新的训练图像样本集，根据训练后的预测模型对新的训练图像样本集进行预测，得到预测结果，根据预测结果确定新的训练图像样本集中的高价值训练图像样本，构成高价值训练图像样本集；其中，新的训练图像样本集为未标注的新的训练图像样本集；步骤5：将已标注的高价值训练图像样本集作为训练图像样本集，将训练后的目标检测模型作为目标检测模型，重新执行步骤1～步骤5，直至步骤5中训练后的目标检测模型满足预设条件，则停止对目标检测模型的模型训练，并将步骤5中训练后的目标检测模型作为最终目标检测模型用于对图像进行目标检测。
[0007]在第一方面的一种可能的实施方式中，训练图像样本集的特征信息包括训练图像样本集中图像样本对应的表征特征和置信度；训练图像样本集的训练结果包括训练图像样本集中图像样本对应的损失变化率；以训练图像样本集的特征信息为模型输入，训练图像样本集的训练结果为模型输出，对预测模型进行模型训练，包括：利用训练图像样本集中图
像样本对应的表征特征和置信度对预测模型进行模型训练，得到训练图像样本集中图像样本对应的预测损失变化率；根据训练图像样本集中图像样本对应的预测损失变化率和训练图像样本集中相应的图像样本对应的损失变化率对预测模型的神经元权重进行调节，得到训练后的预测模型。
[0008]在第一方面的一种可能的实施方式中，预测结果为新的训练图像样本集中图像样本对应的新的预测损失变化率；根据训练后的预测模型对新的训练图像样本集进行预测，得到预测结果，包括：根据训练后的目标检测模型对新的训练图像样本集进行预测，得到新的训练图像样本集中图像样本对应的表征特征和置信度；根据训练后的预测模型对新的训练图像样本集中图像样本对应的表征特征和置信度进行预测，得到新的训练图像样本集中图像样本对应的新的预测损失变化率。
[0009]在第一方面的一种可能的实施方式中，根据预测结果确定新的训练图像样本集中的高价值训练图像样本，构成高价值训练图像样本集，包括：确定新的训练图像样本集中新的预测损失变化率大于预设损失阈值的图像样本为高价值训练图像样本；根据所有高价值训练图像样本构成高价值训练图像样本集。
[0010]在第一方面的一种可能的实施方式中，该方法还包括：在得到训练后的目标检测模型后，计算训练后的目标检测模型的检测精度；相应的，直至步骤5中训练后的目标检测模型满足预设条件，则停止对目标检测模型的模型训练，包括：判断训练后的目标检测模型的检测精度是否大于预设精度阈值，若是，则停止对目标检测模型的模型训练。
[0011]在第一方面的一种可能的实施方式中，利用已标注的训练图像样本集对目标检测模型进行模型训练，还包括：计算每次模型训练的目标检测模型的第一平均损失变化率；判断第一平均损失变化率是否小于第一平均损失阈值，若是，则停止对目标检测模型的模型训练，得到训练后的目标检测模型。
[0012]在第一方面的一种可能的实施方式中，以训练图像样本集的特征信息为模型输入，训练图像样本集的训练结果为模型输出，对预测模型进行模型训练，还包括：计算每次模型训练的预测模型的第二平均损失变化率；判断第二平均损失变化率是否小于第二平均损失阈值，若是，则停止对预测模型的模型训练，得到训练后的预测模型。
[0013]第二方面，本申请实施例提供了一种目标检测模型训练装置，包括：
[0014]获取模块，用于获取训练图像样本集，利用已标注的训练图像样本集对目标检测模型进行模型训练，得到训练图像样本集的训练结果。
[0015]第一预测模块，用于根据训练后的目标检测模型对无标注的训练图像样本集进行预测，得到训练图像样本集的特征信息。
[0016]第一训练模块，用于以训练图像样本集的特征信息为模型输入，训练图像样本集的训练结果为模型输出，对预测模型进行模型训练。
[0017]第二预测模块，用于获取新的训练图像样本集，根据训练后的预测模型对新的训练图像样本集进行预测，得到预测结果，根据预测结果确定新的训练图像样本集中的高价值训练图像样本，构成高价值训练图像样本集；其中，新的训练图像样本集为未标注的新的训练图像样本集。
[0018]第二训练模块，用于将已标注的高价值训练图像样本集作为训练图像样本集，将训练后的目标检测模型作为目标检测模型。
[0019]控制模块，用于将第二训练模块中得到的训练图像样本集发送给获取模块，以及控制获取模块、第一预测模块、第一训练模块、第二预测模块和第二训练模块重新执行，直至第二训练模块中训练后的目标检测模型满足预设条件，则停止对目标检测模型的模型训练，并将第二训练模块中训练后的目标检测模型作为最终目标检测模型用于对图像进行目标检测。
[0020]第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面任一项的目标检测模型训练方法的步骤。
[0021]第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项的目标检测模型训练方法的步骤。
[0022]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子控制单元上运行时，使得本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，包括：步骤1：获取训练图像样本集，利用已标注的所述训练图像样本集对目标检测模型进行模型训练，得到所述训练图像样本集的训练结果；步骤2：根据训练后的目标检测模型对无标注的所述训练图像样本集进行预测，得到所述训练图像样本集的特征信息；步骤3：以所述训练图像样本集的特征信息为模型输入，所述训练图像样本集的训练结果为模型输出，对预测模型进行模型训练；步骤4：获取新的训练图像样本集，根据训练后的预测模型对所述新的训练图像样本集进行预测，得到预测结果，根据所述预测结果确定所述新的训练图像样本集中的高价值训练图像样本，构成高价值训练图像样本集；其中，所述新的训练图像样本集为未标注的新的训练图像样本集；步骤5：将已标注的所述高价值训练图像样本集作为训练图像样本集，将训练后的目标检测模型作为目标检测模型，重新执行步骤1～步骤5，直至步骤5中训练后的目标检测模型满足预设条件，则停止对所述目标检测模型的模型训练，并将步骤5中训练后的目标检测模型作为最终目标检测模型用于对图像进行目标检测。2.根据权利要求1所述的目标检测模型训练方法，其特征在于，所述训练图像样本集的特征信息包括所述训练图像样本集中图像样本对应的表征特征和置信度；所述训练图像样本集的训练结果包括所述训练图像样本集中图像样本对应的损失变化率；所述以所述训练图像样本集的特征信息为模型输入，所述训练图像样本集的训练结果为模型输出，对预测模型进行模型训练，包括：利用所述训练图像样本集中图像样本对应的表征特征和置信度对预测模型进行模型训练，得到所述训练图像样本集中图像样本对应的预测损失变化率；根据所述训练图像样本集中图像样本对应的预测损失变化率和所述训练图像样本集中相应的图像样本对应的损失变化率对预测模型的神经元权重进行调节，得到训练后的预测模型。3.根据权利要求1所述的目标检测模型训练方法，其特征在于，所述预测结果为所述新的训练图像样本集中图像样本对应的新的预测损失变化率；所述根据训练后的预测模型对所述新的训练图像样本集进行预测，得到预测结果，包括：根据所述训练后的目标检测模型对所述新的训练图像样本集进行预测，得到所述新的训练图像样本集中图像样本对应的表征特征和置信度；根据训练后的预测模型对所述新的训练图像样本集中图像样本对应的表征特征和置信度进行预测，得到所述新的训练图像样本集中图像样本对应的新的预测损失变化率。4.根据权利要求1所述的目标检测模型训练方法，其特征在于，所述根据所述预测结果确定所述新的训练图像样本集中的高价值训练图像样本，构成高价值训练图像样本集，包括：确定所述新的训练图像样本集中新的预测损失变化率大于预设损失阈值的图像样本为高价值训练图像样本；根据所有所述高价值训练图像样本构成高价值训练图像样本集。
5.根据权利要求1
‑
4任一项所述的目标检测模型训练方法，其特征在于，所...
【专利技术属性】
技术研发人员：艾锐，丛瑞达，朱宏旭，顾维灏，
申请(专利权)人：毫末智行科技有限公司，
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。