【技术实现步骤摘要】
本专利技术涉及机器学习，更具体地涉及一种模型推理结果的输出方法、一种模型推理结果的输出装置、电子设备及存储介质。
技术介绍
1、机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。自20世纪80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣，特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。人工神经网络是机器学习领域重要的分支。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
2、神经网络模型需要训练，训练时需要对数据集进行标注和推理，基于标注信息和推理结果之间的误差对神经网络模型进行迭代优化。现有的机器学习(ai)平台缺乏针对推理结果的统计，用户无法精确获知每种类别下的推理对象的数量情况，也无法定位推理对象具体存在的已标注图像。
技术实现思路
1、考虑到上述问题而提出了本专利技术。本专利技术提供了一种模型推理结果的输出方法、一种模型推理结果的输出装置、电子设备及存储介质。
2、根据本专利技术一方面，提供了一种，包括模型推理结果的输出方法，方法包括如下步骤：创建步骤：根据目标模型的已标注图像的已标注类别，创建矩阵数据结构，其中，矩阵数据结构的信息基于已标注类别的信息确定，矩阵数据结构的每个矩阵
3、示例性地，推理步骤包括：对于每个已标注图像，在完成针对该已标注图像的推理后，根据该已标注图像的推理结果，更新矩阵数据结构中各矩阵单元格内的目标数据以及更新对应的预设图像存储路径中的已标注图像；直至已标注图像集中的所有已标注图像均推理完成。
4、示例性地，第i类别和第j类别取值分别还取值于不同于已标注类别的其他类别。
5、示例性地，结果显示步骤包括：在矩阵单元格内的推理对象数量大于0时，将该矩阵单元格内的推理对象数量以可点击显示样式进行显示；响应于针对该矩阵单元格内的推理对象数量的点击指令，更新与显示界面上的显示列表控件关联的图像集为该矩阵单元格对应的预设图像存储路径下的已标注图像集合。
6、示例性地，方法还包括：突出显示步骤：在显示列表控件显示的列表中选择任一已标注图像作为目标图像，在显示界面的主显示区域中显示目标图像，并在目标图像上显示标注对象和推理对象，且在标注对象和推理对象不一致时，突出显示该推理对象。
7、示例性地，方法还包括：报告导出步骤：响应于用户输入的导出推理报告的请求，输出超文本标记语言样式的推理报告，并在推理报告中显示已标注图像集中的已标注图像，其中，所显示的已标注图像上带有标注对象和/或推理对象。
8、示例性地，报告导出步骤包括：响应于用户输入的导出推理报告的请求，获取已标注图像集中的已标注图像，并将已标注图像转换成位图格式；采用弹窗非显示页面方式调用列表框控件，并通过列表框控件加载每个带有标注对象和/或推理对象的已标注图像，在加载完成后依次对每个已标注图像进行截图并将截图获得的图像截图保存至预设路径下；通过引用预设路径下的图像截图，以在推理报告上显示带有标注对象和/或推理对象的已标注图像。
9、示例性地，报告导出步骤还包括：响应于用户输入的导出推理报告的请求，根据目标模型的模型类型从预先创建的超文本标记语言模板中选择与模型类型对应的超文本标记语言模板；在所选择的超文本标记语言模板中填充与目标模型相关的特定模型信息和预设路径下的图像截图。
10、根据本专利技术另一方面，提供一种模型推理结果的输出装置，装置包括：创建模块，用于根据目标模型的已标注图像的已标注类别，创建矩阵数据结构，其中，矩阵数据结构的信息基于已标注类别的信息确定，矩阵数据结构的每个矩阵单元格内的目标数据为符合标注类别为第i类别且推理类别为第j类别的推理对象数量，第i类别和第j类别取值于已标注类别的集合；且每个矩阵单元格定义有用于存储与该矩阵单元格对应的推理对象所在的已标注图像的预设图像存储路径；推理模块，用于对已标注图像集中的已标注图像进行推理，根据推理结果更新矩阵数据结构中各矩阵单元格内的目标数据和预设图像存储路径中的已标注图像；结果显示模块，用于显示更新后的矩阵数据结构。
11、根据本专利技术另一方面，提供一种电子设备，包括处理器和存储器，存储器中存储有计算机程序指令，计算机程序指令被处理器运行时用于执行上述的模型推理结果的输出方法。
12、根据本专利技术另一方面，提供一种存储介质，存储有计算机程序/指令，计算机程序/指令在运行时用于执行上述的模型推理结果的输出方法。
13、根据本专利技术实施例的模型推理结果的输出方法及装置、电子设备及存储介质，创建预设格式的矩阵数据结构，其中的矩阵单元格可以记录符合当前矩阵单元格的存储条件的推理对象的数量，存储条件为符合标注类别为第i类别且且推理类别为第j类别的推理对象。此外，矩阵单元格还定义有用于存储与该矩阵单元格对应的推理对象所在的已标注图像的预设图像存储路径。这样，通过矩阵数据结构，用户可以精确获知每种标注类别和推理类别的组合所对应的推理对象的数量情况，且能够根据需要定位各矩阵单元格下对应的推理对象具体存在的已标注图像，从而有助于对模型推理结果的分析，以便更好地优化模型训练。
本文档来自技高网...【技术保护点】
1.一种模型推理结果的输出方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述推理步骤包括：
3.如权利要求1所述的方法，其特征在于，所述第i类别和所述第j类别取值分别还取值于不同于所述已标注类别的其他类别。
4.如权利要求1所述的方法，其特征在于，所述结果显示步骤包括：
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
6.如权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
7.如权利要求6所述的方法，其特征在于，所述报告导出步骤包括：
8.如权利要求7所述的方法，其特征在于，所述报告导出步骤还包括：
9.一种模型推理结果的输出装置，其特征在于，所述装置包括：
10.一种电子设备，包括处理器和存储器，其特征在于，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行如权利要求1-8任一项所述的模型推理结果的输出方法。
11.一种存储介质，存储有计算机程序/指令，其特征在于，所述计算机
...【技术特征摘要】
1.一种模型推理结果的输出方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述推理步骤包括：
3.如权利要求1所述的方法，其特征在于，所述第i类别和所述第j类别取值分别还取值于不同于所述已标注类别的其他类别。
4.如权利要求1所述的方法，其特征在于，所述结果显示步骤包括：
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
6.如权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
7.如权利要求6所述的方法，其...
【专利技术属性】
技术研发人员：李哲，
申请(专利权)人：苏州镁伽科技有限公司，
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。