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

本发明专利技术公开一种YOLO算法模型训练方法、目标检测方法、芯片及机器人，该训练方法包括：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

【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：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。
[0004]进一步地，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。
[0005]进一步地，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。
[0006]进一步地，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训练中步骤4中获取的一组最优锚框尺寸的锚框。
[0007]进一步地，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种锚框尺寸为一组预设的锚框尺寸；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。
[0008]进一步地，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按照预设比例进行缩放，使得标注框尺寸缩放为属于预设标注框标准尺寸范围内的尺寸。
[0009]进一步地，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在步骤43之后，还包括：步骤44：采用遗传算法基于指定一组锚框信息进行第二预设次数的迭代优化，获取用于最优锚框信息；其中，所述最优锚框信息包括锚框数量和锚框召回阈值。
[0010]进一步地，当所述自适应锚框处理第一次进行处理时，所述指定一组锚框信息为预设锚框信息；当所述自适应锚框处理不是第一次进行处理时，所述指定一组锚框信息为上一次自适应锚框处理中获取的最优锚框信息；其中，预设锚框信息包括预设锚框数量和预设锚框召回阈值。
[0011]进一步地，所述采用遗传算法基于指定一组锚框信息进行第二预设次数的迭代优化，获取用于最优锚框信息的方法，具体包括：步骤A：分别计算全部组锚框信息的平均精度均值，获取其中平均精度均值最高的5组锚框信息；步骤B：步骤A中获取的5组锚框信息的平均精度均值大小作为权重，进行权重抽样，从5组锚框信息中抽取一组锚框信息作为遗传算法中的父辈，迭代生成下一代子辈的若干组锚框信息，更新全部组锚框信息；步骤C：判断迭代次数是否达到第二预设次数，若迭代次数未达到第二预设次数，则重复执行步骤A至C，若迭代次数达到第一预设次数，则将全部组锚框信息中平均精度均值最大的一组锚框信息作为最优锚框信息输出；其中，每次由父辈的锚框信息迭代生成下一代子辈的若干组锚框信息记录为一次迭代。
[0012]进一步地，所述采用遗传算法基于指定一组锚框信息进行第二预设次数的迭代优化，获取用于最优锚框信息的方法，还包括：判断全部组锚框信息中是否存在一组或一组以上的锚框信息大于平均精度均值阈值，若存在，则将全部组锚框信息中平均精度均值最高的一组锚框信息作为最优锚框信息，结束迭代优化。
[0013]进一步地，当所述锚框信息的全部组数小于5组时，则所述步骤A为获取全部组锚框信息，所述步骤B为以全部组锚框信息的平均精度均值大小作为权重，进行权重抽样，抽取其中一组锚框信息作为遗传算法中的父辈，并生成下一代子辈的若干组锚框信息，更新全部组锚框信息。
[0014]本专利技术还公开一种目标检测方法，所述目标检测方法通过前述的YOLO算法模型训练方法获取的最优YOLO算法模型实现。
[0015]本专利技术还公开一种芯片，芯片内部存储有计算机程序，所述计算机程序被处理器执行时运行前述的目标检测方法。
[0016]本专利技术还公开一种机器人，所述机器人装配有前述的芯片。
[0017]本专利技术相较于现有技术将K
‑
means算法进行改进后得到K
‑
means锚框优化算法,使得K
‑
means算法具备根据数据集自适应调节锚框尺寸的功能，并将改进后的K
‑
means锚框优化算法结合到YOLO算法模型训练过程中，无需在每次数据集出现变更时对数据集进行重新聚类再导入YOLO算法模型中训练，有效减少步骤，同时提高锚框尺寸的适配度本文档来自技高网...

【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：