一种模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种模型训练方法、装置、设备及存储介质。该方法包括：获取训练样本集中预设数量的图像样本；获取第一图像和目标坐标；根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本；通过所述目标图像样本训练第一模型，得到目标模型。通过本发明专利技术的技术方案，能够在提升模型训练效率的同时，提升模型的准确度。提升模型的准确度。提升模型的准确度。

【技术实现步骤摘要】
一种模型训练方法、装置、设备及存储介质


[0001]本专利技术实施例涉及人工智能
，尤其涉及一种模型训练方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的发展，基于视频图像的行人智能标注技术成为一种可能。
[0003]现有技术中，基于训练样本集对第一模型进行训练，由于训练样本集中图像样本数量较多，训练时间长，因此，将多张图像样本随机裁剪拼接成一张新的图像样本，通过拼接后的新的图像样本构成的训练样本集对第一模型进行训练，由于新的图像样本是多张图像样本随机裁剪得到的，因此会出现图像样本中的行人数据缺失的情况，进而导致模型学习不充分，模型的准确度较低。

技术实现思路

[0004]本专利技术实施例提供一种模型训练方法、装置、设备及存储介质，解决了由于新的图像样本是多张图像样本随机裁剪得到的，会出现图像样本中的行人数据缺失的情况，进而导致模型学习不充分，模型的准确度较低的问题。
[0005]根据本专利技术的一方面，提供了一种模型训练方法，包括：
[0006]获取训练样本集中预设数量的图像样本；
[0007]获取第一图像和目标坐标；
[0008]根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本；
[0009]通过所述目标图像样本训练第一模型，得到目标模型。
[0010]根据本专利技术的另一方面，提供了一种模型训练装置，该模型训练装置包括：
[0011]第一获取模块，用于获取训练样本集中预设数量的图像样本；
[0012]第二获取模块，用于获取第一图像和目标坐标；
[0013]第一得到模块，用于根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本；
[0014]第二得到模块，用于通过所述目标图像样本训练第一模型，得到目标模型。
[0015]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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专利技术任一实施例所述的模型训练方法。
[0019]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述
的模型训练方法。
[0020]本专利技术实施例通过获取训练样本集中预设数量的图像样本；获取第一图像和目标坐标；根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本；通过所述目标图像样本训练第一模型，得到目标模型，解决了由于新的图像样本是多张图像样本随机裁剪得到的，会出现图像样本中的行人数据缺失的情况，进而导致模型学习不充分，模型的准确度较低的问题，能够在提升模型训练效率的同时，提升模型的准确度。
[0021]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术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
[0022]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0023]图1是本专利技术实施例一中的一种模型训练方法的流程图；
[0024]图2是本专利技术实施例一中的一种第二图像的示意图；
[0025]图3是本专利技术实施例一中的一种第一模型的示意图；
[0026]图4是本专利技术实施例一中的一种生成特征图的示意图；
[0027]图5是本专利技术实施例二中的一种模型训练装置的结构示意图；
[0028]图6是本专利技术实施例三中的一种电子设备的结构示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0031]可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
[0032]实施例一
[0033]图1是本专利技术实施例一中的一种模型训练方法的流程图，本实施例可适用于行人检测的情况，该方法可以由本专利技术实施例中的模型训练装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
[0034]S110，获取训练样本集中预设数量的图像样本。
[0035]其中，训练样本集可以为待训练模型训练时所需要的样本集，训练样本集中可以包括图像样本。预设数量的图像样本可以根据用户需求进行预设，例如可以是，获取训练样本集中预设的四张图像样本。
[0036]S120，获取第一图像和目标坐标。
[0037]其中，第一图像可以为随机生成的图片，需要说明的是，第一图像的尺寸需要大于应输入待训练模型中的图片尺寸，例如可以是，第一图像为长为h0，宽为w0的灰度3通道图片，待训练模型中的图片长为h
i
，宽为w
i
，h0是h
i
的1.5倍，w0是w
i
的1.5倍。
[0038]其中，目标坐标可以为根据第一图像的尺寸随机产生的坐标，为所有预设数量的图像样本经过处理后的相交点。例如可以是，若预设数量的图像样本为四张图片，第一图像长为h0，宽为w0，在第一图像的(0.2w0～0.8w0，0.2h0～0.8h0)的范围内随机产生一个坐标(x
c
，y
c
)，该坐标为四张图片经过缩放处理后的本文档来自技高网...

【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：获取训练样本集中预设数量的图像样本；获取第一图像和目标坐标；根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本；通过所述目标图像样本训练第一模型，得到目标模型。2.根据权利要求1所述的方法，其特征在于，根据所述目标坐标对所述预设数量的图像样本进行缩放，并根据所述目标坐标将缩放后的图像样本粘贴到第一图像中，得到目标图像样本，包括：根据所述目标坐标和所述图像样本的尺寸确定所述图像样本对应的缩放比；根据所述图像样本对应的缩放比对所述图像样本进行缩放，得到缩放后的图像样本；根据所述目标坐标确定预设数量的缩放后的图像样本的粘贴位置；根据预设数量的缩放后的图像样本的粘贴位置将预设数量的缩放后的图像粘贴到第一图像中，得到第二图像；对所述第二图像进行缩放，得到目标图像样本。3.根据权利要求1所述的方法，其特征在于，通过所述目标图像样本训练第一模型，得到目标模型，包括：根据至少一个目标图像样本生成目标图像样本集；将所述目标图像样本集中的目标图像输入第一模型中，得到预测框；根据所述预测框和所述预设数量的图像样本对应的目标框生成的目标函数训练所述第一模型的参数；返回执行将所述目标图像样本集中的目标图像输入第一模型中，得到预测框的操作，直至得到目标模型。4.根据权利要求3所述的方法，其特征在于，将所述目标图像样本集中的目标图像输入第一模型中，得到预测框，包括：对所述目标图像样本进行下采样，得到第一尺寸的第一特征图；对第一尺寸的第一特征图进行下采样得到第二尺寸的第一特征图；对第二尺寸的第一特征图进行下采样得到第三尺寸的第一特征图；对第三尺寸的第一特征图进行下采样得到第四尺寸的第一特征图；对第四尺寸的第一特征图进行卷积，得到第四尺寸的第二特征图；对第四尺寸的第二特征图进行上采样，得到第三尺寸的第二特征图；根据α1、β1、第三尺寸的第二特征图以及第三尺寸的第一特征图生成第三尺寸的第三特征图；对第三尺寸的第三特征图进行上采样，得到第二尺寸的第二特征图；根据α2、β2、第二尺寸的第二特征图以及第二尺寸的第一特征图生成第二尺寸的第三特征图；对第二尺寸的第三特征图进行上采样，得到第一尺寸的第二特征图；根据α3、β3、第一尺寸的第二特征图以及第一尺寸的第一特征图生成第一尺寸的第三特征图；
对第一尺寸的第三特征图进行卷积，得到第一尺寸的第四特征图；对第一尺寸的第四特征图进行下采样，得到第二尺寸的第四特征图；根据α4、β4、第二尺寸的第四特征图以及第二尺寸的第三特征图生成第二尺寸的第五特征图；对第二尺寸的第五特征图进行下采样，得到第三尺寸的第四特征图；根据α5、β5、第三尺寸的第四特征图以及第三尺寸的第三特征图生成第三尺寸的第五特征图；对第三尺寸的第五特征图进行下采样，得到第四尺寸的第三特征图；根...

【专利技术属性】
技术研发人员：周则儒，孙德兴，刘云根，周鹏威，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：