模型训练方法、相关设备及存储介质技术

本申请实施例公开了一种模型训练方法、相关设备及存储介质。所述方法包括：获取图像采集装置在预设场所中历史采集的多张待识别图像；根据预设的安防识别模型对各所述待识别图像分别进行识别处理，得到各所述待识别图像分别对应的候选置信度；将目标置信度所对应的待识别图像确定为候选样本图像，所述目标置信度为所述候选置信度中大于第二置信度阈值且小于第一置信度阈值的置信度；获取各所述候选样本图像分别对应的真实样本标签信息，得到多个目标样本图像，所述目标样本图像携带有对应的真实样本标签信息；根据多个目标样本图像对所述安防识别模型进行训练，得到训练后的所述安防识别模型。通过实施本申请实施例的方法可以提高模型的泛化能力。提高模型的泛化能力。提高模型的泛化能力。

【技术实现步骤摘要】
模型训练方法、相关设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种模型训练方法、相关设备及存储介质。

技术介绍

[0002]当前，利用人工智能(Artificial Intelligence，AI)进行安防监控在政策和技术的驱动下，发展势头迅猛，尤其近年来在民用安防领域B端的企业安防和C端的个人安防市场需求逐渐扩大，越来越多场所的监控设备都部署了AI安防模型，例如，对工厂、港口、园区内部的人员违规或设备违规进行自动监控，对特殊场景下火灾类、禁止闯入类、规范类等情况进行监控等。
[0003]安防场景下算法以目标检测与目标分类算法为主，真实监控的场景中的数据各种各样，通常训练样本覆盖场景有限，且对于大部分场景数据都涉密，开发商在前期算法模型开发过程中很难获得全类数据，且很多场景数据通常在内网，很难对外导出。由于模型缺乏训练数据，导致AI安防模型的精确度不高。

技术实现思路

[0004]本申请实施例提供了一种模型训练方法、相关设备及存储介质，可以提高模型的精确度以及在线提升模型的泛化能力。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取图像采集装置在预设场所中历史采集的多张待识别图像；根据预设的安防识别模型对各所述待识别图像分别进行识别处理，得到各所述待识别图像分别对应的候选置信度；将目标置信度所对应的待识别图像确定为候选样本图像，所述目标置信度为所述候选置信度中大于第二置信度阈值且小于第一置信度阈值的置信度，所述第一置信度阈值为所述安防识别模型当前设置的置信度阈值，所述第二置信度阈值小于所述第一置信度阈值；获取各所述候选样本图像分别对应的真实样本标签信息，得到多个目标样本图像，所述目标样本图像携带有对应的所述真实样本标签信息；根据多个所述目标样本图像对所述安防识别模型进行训练，得到训练后的所述安防识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取图像采集装置在预设场所中历史采集的多张待识别图像之前，所述方法还包括：根据所述图像采集装置的当前场景以及预设的抽帧策略确定目标抽帧频率；根据预设的算力分配规则以及所述目标抽帧频率将预设算力资源划分为第一算力资源以及第二算力资源，所述第一算力资源用于对所述待识别图像分别进行识别处理，所述第二算力资源用于对所述安防识别模型进行训练；所述获取图像采集装置在预设场所中历史采集的多张待识别图像，包括：根据所述目标抽帧频率获取所述图像采集装置在所述预设场所中历史采集的多张所述待识别图像。3.根据权利要求1所述的方法，其特征在于，所述根据多个所述目标样本图像对所述安防识别模型进行训练，得到训练后的所述安防识别模型，包括：根据预设的样本分配比例将所述多个目标样本图像分别划分至训练样本集以及验证样本集；根据所述训练样本集对所述安防识别模型进行模型参数训练，得到中间安防识别模型；基于所述中间安防识别模型，根据所述验证样本集对所述第一置信度阈值进行调整处理，得到训练后的所述安防识别模型。4.根据权利要求3所述的方法，其特征在于，所述基于所述中间安防识别模型，根据所述验证样本集对所述第一置信度阈值进行调整处理，包括：基于所述中间安防识别模型，根据所述验证样本集确定多个候选置信度阈值中各所述候选置信度阈值分别对应的召回率以及误报率；根据所述召回率以及所述误报率从多个符合预设...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：北京瑞莱智慧科技有限公司，
类型：发明
国别省市：