模型训练方法及相关装置制造方法及图纸

本申请实施例提供了一种模型训练方法及相关装置，包括：使用目标检测模型对第一训练图像进行处理，得到第一图像特征集合；使用第一教师检测模型对第一训练图像进行处理，得到第二图像特征集合，第一教师检测模型的参数量大于目标检测模型的参数量或第一教师检测模型的网络结构复杂度高于目标检测模型的网络结构复杂度；使用第二教师检测模型对第二训练图像进行处理，得到第三图像特征集合，第二训练图像的分辨率高于第一训练图像的分辨率；根据第一图像特征集合、第二图像特征集合和第三图像特征集合确定目标损失函数；根据目标损失函数对目标检测模型的网络参数进行调整。有利于在降低检测模型部署难度的同时保证检测模型的推理速度和检测精度。

【技术实现步骤摘要】

本申请属于数据处理领域，具体涉及一种模型训练方法及相关装置。

技术介绍

1、目前，随着计算机技术的发展，越来越多的用户使用检测模型来进行目标物体的检测，用户对检测模型的检测精度和推理速度的要求也越来越高，如何训练出易于部署且推理速度和检测精度较高的检测模型成为亟需解决的问题。

技术实现思路

1、本申请实施例提供了一种模型训练方法及相关装置，以期有利于在降低检测模型部署难度的同时保证检测模型的推理速度和检测精度。

2、第一方面，本申请实施例提供了一种模型训练方法，包括：

3、使用目标检测模型对第一训练图像进行处理，得到第一图像特征集合，所述目标检测模型用于进行对象检测；

4、使用第一教师检测模型对所述第一训练图像进行处理，得到第二图像特征集合，所述第一教师检测模型的参数量大于所述目标检测模型的参数量或所述第一教师检测模型的网络结构复杂度高于所述目标检测模型的网络结构复杂度；

5、使用第二教师检测模型对第二训练图像进行处理，得到第三图像特征集合，所述第二训练图像的分本文档来自技高网...

【技术保护点】

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像特征集合、所述第二图像特征集合和所述第三图像特征集合确定目标损失函数，包括：

3.根据权利要求2所述的方法，其特征在于，所述第一图像特征集合包括：对所述第一训练图像进行N级采样得到的N个第一特征图像，将第N级采样得到的第N个第一特征图像输入第一预测头得到的用于表征对象检测结果的M个第一目标特征图像；所述第二图像特征集合包括：对所述第一训练图像进行N级采样得到的N个第二特征图像，将第N级采样得到的第N个第二特征图像输入第二预测头得到的用于表征对象检测结果的M个第二...

【技术特征摘要】

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像特征集合、所述第二图像特征集合和所述第三图像特征集合确定目标损失函数，包括：

3.根据权利要求2所述的方法，其特征在于，所述第一图像特征集合包括：对所述第一训练图像进行n级采样得到的n个第一特征图像，将第n级采样得到的第n个第一特征图像输入第一预测头得到的用于表征对象检测结果的m个第一目标特征图像；所述第二图像特征集合包括：对所述第一训练图像进行n级采样得到的n个第二特征图像，将第n级采样得到的第n个第二特征图像输入第二预测头得到的用于表征对象检测结果的m个第二目标特征图像，m和n为正整数；

4.根据权利要求2所述的方法，其特征在于，所述第一图像特征集合包括：对所述第一训练图像进行n级采样得到的n个第一特征图像，将第n级采样得到的第n个第一特征图像输入第一预测头得到的用于表征对象检测结果的m个第一目标特征图像；所述第三图像特征集合包括：对所述第二训练图像进行n级采样得到的n个第三特征图像，将第n级采样得到的第n个第三特征图像输入第三预测头得到的用于表征对象检测结果的m个第三目标特征图像，m和n为正整数；

5.根据权利要求4所述的方法，其特征在于，所述第三训练图像的图像尺寸为所述第一训练图像的图像尺寸的l倍，对所述第三训练图像进行第k级采样的卷积步长为对所述第一训练图像进行第k级采样的卷积步长的l倍，l为正整数，k为不大于n的正整数。

6.根据权利要求3所述的方法...

【专利技术属性】
技术研发人员：刘松，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：