【技术实现步骤摘要】
一种YOLO算法模型训练方法、目标检测方法、芯片及机器人
[0001]本专利技术涉及YOLO模型训练领域,具体涉及一种YOLO算法模型训练方法、目标检测方法、芯片及机器人。
技术介绍
[0002]随着科技的飞速发展,目标检测技术也迅猛兴起,目标检测技术主要是用于正确识别图像中的指定物体,目标检测技术主要是基于神经网络模型,目前应用较广的一种算法模型是YOLO(You Only Look Once),其具备检测速度快和检测精度高的优点,YOLO算法模型中锚框的尺寸和锚框的数量直接决定YOLO算法模型目标检测效果的好坏,现有技术中在每次数据集存在变更时,都需要对变更后的数据集进行重新聚类,得到新的锚框配置信息,再手动填入新的锚框配置信息并将变更后的数据集导入YOLO算法模型中进行训练,步骤繁杂且效率较低。
技术实现思路
[0003]为解决上述问题,本专利技术提供了一种YOLO算法模型训练方法、目标检测方法、芯片及机器人,实现在数据集存在变更时,无需重新聚类后手动填入新的锚框配置信息,将K
‑
means聚类算法优化结合到YOLO算法模型训练中,实现锚框尺寸根据数据集的变更自适应调节,减少人工操作步骤,提高YOLO算法模型训练效率,优化YOLO算法模型的目标检测效果。本专利技术的具体技术方案如下:一种YOLO算法模型训练方法,具体包括以下步骤:步骤1:获取数据集;步骤2:对数据集中的全部数据进行随机尺寸变换处理;步骤3:将随机尺寸变换处理后的数据集导入YOLO算法模型中进行一次训练;步骤4: ...
【技术保护点】
【技术特征摘要】
1.一种YOLO算法模型训练方法,其特征在于,所述YOLO算法模型训练方法包括以下步骤:步骤1:获取数据集;步骤2:对数据集中的全部数据进行随机尺寸变换处理;步骤3:将随机尺寸变换处理后的数据集导入YOLO算法模型中进行一次训练;步骤4:采用K
‑
means锚框优化算法对随机尺寸变换处理后的数据集进行自适应锚框优化处理,以更新用于YOLO算法模型训练的一组最优锚框尺寸;重复上述步骤1至4,直至YOLO算法模型训练次数达到第一预设次数,输出最优YOLO算法模型,完成YOLO算法模型训练流程。2.根据权利要求1所述的YOLO算法模型训练方法,其特征在于,所述对数据集中的全部数据进行随机尺寸变换处理的方法,具体包括:随机从预设尺寸变换范围内选取一个尺寸变换值;将数据集中的全部数据的尺寸由原尺寸变换为原尺寸与尺寸变换值的乘积。3.根据权利要求1所述的YOLO算法模型训练方法,其特征在于,所述将随机尺寸变换处理后的数据集导入YOLO算法模型中进行一次训练,具体是指,对导入的随机尺寸变换后的数据集中全部数据依次遍历的采用指定尺寸的锚框进行目标检测,当全部数据遍历完毕,则完成YOLO算法模型的一次训练。4.根据权利要求3所述的YOLO算法模型训练方法,其特征在于,当所述YOLO算法模型进行第一次训练时,则所述指定尺寸的锚框是指预设的一组预设尺寸的锚框;当所述YOLO算法模型不是进行第一次训练时,则所述指定尺寸的锚框是指上一次YOLO算法模型训练中步骤4中获取的一组最优锚框尺寸的锚框。5.根据权利要求1所述的YOLO算法模型训练方法,其特征在于,所述采用K
‑
means锚框优化算法对经过一次训练后的数据集进行自适应锚框优化处理的方法,具体包括:步骤41:对随机尺寸变换处理后的数据集中全部数据上的标注框尺寸进行标准化处理;步骤42:采用K
‑
means聚类算法对随机尺寸变换处理后的数据集进行聚类,获取一组n种锚框尺寸的锚框;步骤43:基于n种锚框尺寸以及指定锚框召回值计算该一组n种锚框尺寸的适配度,判断该一组n种锚框尺寸的适配度是否大于指定组n种锚框尺寸的适配度,若是,则将该一组n种锚框尺寸更新并作为一组最优锚框尺寸输出;若否,则将指定组n种锚框尺寸作为一组最优锚框尺寸输出;其中,当所述自适应锚框优化处理方法第一次运行时,则所述指定组n种锚框尺寸为预设的一组锚框尺寸;当所述自适应锚框优化处理方法不是第一次运行时,则所述指定组n种锚框尺寸为上一次运行自适应锚框优化处理方法时输出的一组最优锚框尺寸。6.根据权利要求5所述的YOLO算法模型训练方法,其特征在于,所述对随机尺寸变换处理后的数据集中的全部数据上的标注框尺寸进行标准化处理的方法,具体包括:对随机尺寸变换处理后的数据集的全部数据中对应的标注框的标注框尺寸...
【专利技术属性】
技术研发人员:游思遐,黄惠保,周和文,陈锦杰,张子倩,
申请(专利权)人:珠海一微半导体股份有限公司,
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。