System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 模型训练优化方法、装置、电子设备及可读存储介质制造方法及图纸_技高网

模型训练优化方法、装置、电子设备及可读存储介质制造方法及图纸

技术编号:40469061 阅读:8 留言:0更新日期:2024-02-22 23:24
本申请公开了一种模型训练优化方法、装置、电子设备及可读存储介质,应用于人工智能技术领域,包括:获取多个训练样本和待训练目标检测模型,其中,一个训练样本由一个输入图像数据和所述输入图像数据对应的目标框选数据组成;基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重;基于多个所述训练样本各自对应的样本权重,构建所述待训练目标检测模型的模型损失函数。本申请解决了训练得到的模型的预测准确性较低的技术问题。

【技术实现步骤摘要】

本申请涉及人工智能,尤其涉及一种模型训练优化方法、装置、电子设备及可读存储介质


技术介绍

1、随着科技的高速发展,人工智能技术也越来越成熟,目前,针对于图像识别的待训练目标检测模型,通常以固定的样本权重构建损失函数,以构建得到的损失函数对待训练目标检测模型进行训练优化。但是,不同的训练样本对于损失计算的影响程度可能不同,当对于每个训练样本均采用固定的样本权重时,无法表达出不同训练样本对于模型损失计算的作用,从而导致训练得到的模型的预测准确性较低。


技术实现思路

1、本申请的主要目的在于提供一种模型训练优化方法、装置、电子设备及可读存储介质,旨在解决现有技术中训练得到的模型的预测准确性较低的技术问题。

2、为实现上述目的,本申请提供一种模型训练优化方法,所述模型训练优化方法包括:

3、获取多个训练样本和待训练目标检测模型,其中,一个训练样本由一个输入图像数据和所述输入图像数据对应的目标框选数据组成;

4、基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重;

5、基于多个所述训练样本各自对应的样本权重,构建所述待训练目标检测模型的模型损失函数。

6、为实现上述目的,本申请还提供一种模型训练优化方法装置,所述模型训练优化方法装置包括:

7、获取模块,用于获取多个训练样本和待训练目标检测模型,其中,一个训练样本由一个输入图像数据和所述输入图像数据对应的目标框选数据组成;

8、计算模块,用于基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重;

9、构建模块,用于基于多个所述训练样本各自对应的样本权重,构建所述待训练目标检测模型的模型损失函数。

10、本申请还提供一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述模型训练优化方法的程序,所述模型训练优化方法的程序被处理器执行时可实现如上述的模型训练优化方法的步骤。

11、本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现模型训练优化方法的程序,所述模型训练优化方法的程序被处理器执行时实现如上述的模型训练优化方法的步骤。

12、本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的模型训练优化方法的步骤。

13、本申请提供了一种模型训练优化方法、装置、电子设备及可读存储介质,通过获取多个训练样本和待训练目标检测模型,其中,一个训练样本由一个输入图像数据和所述输入图像数据对应的目标框选数据组成;基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重;基于多个所述训练样本各自对应的样本权重,构建所述待训练目标检测模型的模型损失函数,将每个训练样本对于模型损失计算的作用量化为,基于每个训练样本对应的预测框选数据与目标框选数据之间的关系计算得到的样本权重,使得每个训练样本充分为模型损失函数的构建发挥作用,所以,使得构建得到的模型损失函数可以体现每个训练样本的作用,进而使得由模型损失函数训练得到的模型的预测准确性更高。

本文档来自技高网...

【技术保护点】

1.一种模型训练优化方法,其特征在于,所述模型训练优化方法包括:

2.如权利要求1所述模型训练优化方法,其特征在于,所述基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重的步骤包括:

3.如权利要求2所述模型训练优化方法,其特征在于,所述通过所述待训练目标检测模型,确定所述目标样本对应的至少一个特征向量的步骤包括:

4.如权利要求2所述模型训练优化方法,其特征在于,所述向量权重包括位置损失函数对应的第一权重和分类损失函数对应的第二权重,

5.如权利要求4所述模型训练优化方法,其特征在于,所述基于所述目标向量对应的预测框选数据与所述目标框选数据之间的关系,计算所述目标向量对应的框选差异值的步骤包括:

6.如权利要求1所述模型训练优化方法,其特征在于,所述基于多个所述训练样本各自对应的样本权重,构建所述待训练目标检测模型的模型损失函数的步骤包括:

7.如权利要求6所述模型训练优化方法,其特征在于,所述初始损失包括位置损失函数对应的初始第一损失和分类损失函数对应的初始第二损失,所述样本权重包括训练样本对应的特征向量的第一权重和第二权重,

8.一种模型训练优化方法装置,其特征在于,所述模型训练优化方法装置包括:

9.一种电子设备,其特征在于,所述电子设备包括:

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上存储有实现模型训练优化方法的程序,所述实现模型训练优化方法的程序被处理器执行以实现如权利要求1至7中任一项所述的模型训练优化方法的步骤。

...

【技术特征摘要】

1.一种模型训练优化方法,其特征在于,所述模型训练优化方法包括:

2.如权利要求1所述模型训练优化方法,其特征在于,所述基于多个所述训练样本各自对应的预测框选数据分别与所述目标框选数据之间的关系,计算多个所述训练样本各自对应的样本权重的步骤包括:

3.如权利要求2所述模型训练优化方法,其特征在于,所述通过所述待训练目标检测模型,确定所述目标样本对应的至少一个特征向量的步骤包括:

4.如权利要求2所述模型训练优化方法,其特征在于,所述向量权重包括位置损失函数对应的第一权重和分类损失函数对应的第二权重,

5.如权利要求4所述模型训练优化方法,其特征在于,所述基于所述目标向量对应的预测框选数据与所述目标框选数据之间的关系,计算所述目标向量对应的框选差异值的步骤包括:

【专利技术属性】
技术研发人员:王晓晖李昌毅李彬张杏婵韦佳旭梁婷余聪聪
申请(专利权)人:深圳小湃科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1