【技术实现步骤摘要】
本申请涉及大数据及人工智能学习模型领域，具体而言，涉及一种视觉深度学习模型的优化部署方法、系统和介质。
技术介绍
1、视觉深度学习模型是通过自学习训练模型获取对视觉图像进行智能识别从而得到目标特征信息的智能学习模型，但由于学习训练存在计算量大、耗时长、杂冗信息多的问题，会导致视觉学习效果和效率达不到预期，往往在实际应用中耗费大量运行时间和资源，且无法对视觉学习模型的训练处理效果进行有效评定判断，因此，如何提高视觉学习模型的训练成效和准确率，并对模型的训练成效进行效果检验是目前的空白技术。
2、针对上述问题，目前亟待有效的技术解决方案。
技术实现思路
1、本申请实施例的目的在于提供一种视觉深度学习模型的优化部署方法、系统和介质，可以通过对视觉学习模型进行图像识别处理的筛选优化获得可对初级模型进行深度优化的适配分批训练图像，并对分段优化训练的模型的优化训练成效数据结合历史样本的检测结果数据进行修正获得优化训练效果数据，实现对视觉深度学习模型的优化训练部署以及成效检验。
2、本申请实施例还提供了一种视觉深度学习模型的优化部署方法，包括以下步骤：
3、获取多个预设类别的待识别图像，通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集，并对视觉识别结果集进行效果统计，获得各批次图像识别处理的图像识别效果信息；
4、根据所述各类别图像的视觉识别结果集提取各类别图像的图像描述特征参数以及类别图像识别可信度阈值，并根
5、根据所述各类别图像各批次的图像识别效果信息提取图像识别效果特征数据，根据图像识别效果特征数据结合所述类别图像质检识别系数对各批次图像识别效果进行检验，获得图像识别可信度数据；
6、根据所述图像识别可信度数据与对应所述类别图像识别可信度阈值进行阈值对比筛出符合要求的类型图像识别批次并标记为有效图像识别批次，将所述各类别图像的全部有效图像识别批次的批次图像进行集合获得识别训练图像集，并根据预设分段训练批次对初始视觉学习模型进行批次分段累积训练，获得视觉深度优化学习模型，并获取各预设分段训练批次的阶段训练结果检测数据；
7、根据所述各预设分段训练批次的阶段训练结果检测数据进行聚合处理，获得全段有效优化训练的模型优化成效检验指数和模型优化进程效率波动指数；
8、根据所述初始视觉学习模型的模型类别结合对应全段有效优化训练的过程信息查询获取多个相似历史初始视觉学习模型样本并提取对应样本模型优化成效检验指数和样本模型优化进程效率波动指数，并对所述视觉深度优化学习模型的相关指数进行修正获得模型有效优训效果修正指数，再通过阈值对比判断视觉深度优化学习模型的优化训练成效。
9、可选地，在本申请实施例所述的视觉深度学习模型的优化部署方法中，所述获取多个预设类别的待识别图像，通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集，并对视觉识别结果集进行效果统计，获得各批次图像识别处理的图像识别效果信息，包括：
10、获取多个预设类别的待识别图像，待识别图像根据预设类别信息进行分类；
11、所述预设类别信息包括图像清晰度、图像描述信息、图像像素分布密度以及图像预设复杂度；
12、通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集；
13、对所述视觉识别结果集中的图像视觉识别结果进行效果统计，获得各批次图像识别处理的图像识别效果信息。
14、可选地，在本申请实施例所述的视觉深度学习模型的优化部署方法中，所述根据所述各类别图像的视觉识别结果集提取各类别图像的图像描述特征参数以及类别图像识别可信度阈值，并根据图像描述特征参数处理获得各类别图像对应的类别图像质检识别系数，包括：
15、根据所述各类别图像的视觉识别结果集提取各类别图像的图像描述特征参数以及类别图像识别可信度阈值；
16、所述图像描述特征参数包括图像复杂度因子、图像像素分布因子以及图像清晰度系数；
17、根据所述图像复杂度因子、图像像素分布因子以及图像清晰度系数处理获得所述各类别图像对应的类别图像质检识别系数。
18、可选地，在本申请实施例所述的视觉深度学习模型的优化部署方法中，所述根据所述各类别图像各批次的图像识别效果信息提取图像识别效果特征数据，根据图像识别效果特征数据结合所述类别图像质检识别系数对各批次图像识别效果进行检验，获得图像识别可信度数据，包括：
19、根据所述各类别图像各批次的所述图像识别效果信息提取图像识别效果特征数据；
20、所述图像识别效果特征数据包括批次识别准确率数据、批次识别召回率数据、批次识别效率数据以及批次识别稳定拓展性数据；
21、根据所述批次识别准确率数据、批次识别召回率数据、批次识别效率数据以及批次识别稳定拓展性数据结合所述类别图像质检识别系数通过预设图像识别效果检测模型对各批次图像的模型识别效果进行检验，获得图像识别可信度数据。
22、可选地，在本申请实施例所述的视觉深度学习模型的优化部署方法中，所述根据所述图像识别可信度数据与对应所述类别图像识别可信度阈值进行阈值对比筛出符合要求的类型图像识别批次并标记为有效图像识别批次，将所述各类别图像的全部有效图像识别批次的批次图像进行集合获得识别训练图像集，并根据预设分段训练批次对初始视觉学习模型进行批次分段累积训练，获得视觉深度优化学习模型，并获取各预设分段训练批次的阶段训练结果检测数据，包括：
23、根据所述各类别图像各批次的图像识别可信度数据与对应所述类别图像识别可信度阈值进行阈值对比获得各批次对应的阈值对比结果；
24、根据阈值对比结果筛出符合预设可信度阈值对比要求的类型图像识别批次，并标记为有效图像识别批次；
25、将所述各类别图像的全部所述有效图像识别批次的批次图像进行集合，获得识别训练图像集；
26、根据所述识别训练图像集中图像按照预设分段训练批次对初始视觉学习模型进行批次分段累积训练，获得视觉深度优化学习模型；
27、获取所述视觉深度优化学习模型在批次分段累积训练中各预设分段训练批次的阶段训练结果检测数据，包括阶段有效识别率数据、阶段识别效率数据以及阶段识别稳定度数据。
28、可选地，在本申请实施例所述的视觉深度学习模型的优化部署方法中，所述根据所述各预设分段训练批次的阶段训练结果检测数据进行聚合处理，获得全段有效优化训练的模型优化成效检验指数和模型优化进程效率波动指数，包括：
29、根据所述各预设分段训练批次的阶段训练结果检测数据进行聚合处理，分别获得所述初始视觉学习模型进行全段有效优化训练的模型优化成效检验指数，以及模型优化进程效率波动指数；
30、所述模型优化成本文档来自技高网...
【技术保护点】
1.一种视觉深度学习模型的优化部署方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视觉深度学习模型的优化部署方法，所述获取多个预设类别的待识别图像，通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集，并对视觉识别结果集进行效果统计，获得各批次图像识别处理的图像识别效果信息，包括：
3.根据权利要求2所述的视觉深度学习模型的优化部署方法，所述根据所述各类别图像的视觉识别结果集提取各类别图像的图像描述特征参数以及类别图像识别可信度阈值，并根据图像描述特征参数处理获得各类别图像对应的类别图像质检识别系数，包括：
4.根据权利要求3所述的视觉深度学习模型的优化部署方法，所述根据所述各类别图像各批次的图像识别效果信息提取图像识别效果特征数据，根据图像识别效果特征数据结合所述类别图像质检识别系数对各批次图像识别效果进行检验，获得图像识别可信度数据，包括：
5.根据权利要求4所述的视觉深度学习模型的优化部署方法，所述根据所述图像识别可信度数据与对应所述类别图像识别可信度阈值进行阈值对比筛出符合要求的类
6.根据权利要求5所述的视觉深度学习模型的优化部署方法，所述根据所述各预设分段训练批次的阶段训练结果检测数据进行聚合处理，获得全段有效优化训练的模型优化成效检验指数和模型优化进程效率波动指数，包括：
7.根据权利要求6所述的视觉深度学习模型的优化部署方法，所述根据所述初始视觉学习模型的模型类别结合对应全段有效优化训练的过程信息查询获取多个相似历史初始视觉学习模型样本并提取对应样本模型优化成效检验指数和样本模型优化进程效率波动指数，并对所述视觉深度优化学习模型的相关指数进行修正获得模型有效优训效果修正指数，再通过阈值对比判断视觉深度优化学习模型的优化训练成效，包括：
8.一种视觉深度学习模型的优化部署系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括视觉深度学习模型的优化部署方法的程序，所述视觉深度学习模型的优化部署方法的程序被所述处理器执行时实现以下步骤：
9.根据权利要求8所述的视觉深度学习模型的优化部署系统，所述获取多个预设类别的待识别图像，通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集，并对视觉识别结果集进行效果统计，获得各批次图像识别处理的图像识别效果信息，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括视觉深度学习模型的优化部署方法程序，所述视觉深度学习模型的优化部署方法程序被处理器执行时，实现如权利要求1至7中任一项所述的视觉深度学习模型的优化部署方法的步骤。
...【技术特征摘要】
1.一种视觉深度学习模型的优化部署方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视觉深度学习模型的优化部署方法，所述获取多个预设类别的待识别图像，通过预设视觉学习模型对各类别图像进行多批次图像识别处理，获得各类别图像的视觉识别结果集，并对视觉识别结果集进行效果统计，获得各批次图像识别处理的图像识别效果信息，包括：
3.根据权利要求2所述的视觉深度学习模型的优化部署方法，所述根据所述各类别图像的视觉识别结果集提取各类别图像的图像描述特征参数以及类别图像识别可信度阈值，并根据图像描述特征参数处理获得各类别图像对应的类别图像质检识别系数，包括：
4.根据权利要求3所述的视觉深度学习模型的优化部署方法，所述根据所述各类别图像各批次的图像识别效果信息提取图像识别效果特征数据，根据图像识别效果特征数据结合所述类别图像质检识别系数对各批次图像识别效果进行检验，获得图像识别可信度数据，包括：
5.根据权利要求4所述的视觉深度学习模型的优化部署方法，所述根据所述图像识别可信度数据与对应所述类别图像识别可信度阈值进行阈值对比筛出符合要求的类型图像识别批次并标记为有效图像识别批次，将所述各类别图像的全部有效图像识别批次的批次图像进行集合获得识别训练图像集，并根据预设分段训练批次对初始视觉学习模型进行批次分段累积训练，获得视觉深度优化学习模型，并获取各预设分段训练批次的阶段训练结果检测数据，包括：
6.根据权利要求5所述的视觉...
【专利技术属性】
技术研发人员：罗震，
申请(专利权)人：厦门翼方健数信息科技有限公司，
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。