[發明專利]模型訓練方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202010036817.X
• 申請日: 2020-01-14
• 公開（公告）號: CN111210024B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 張欣;劉順桂;熊超
• 申請（專利權）人: 深圳供電局有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 楊歡

本申請涉及一種模型訓練方法、裝置、計算機設備和存儲介質。所述方法包括：獲取預訓練好的初始機器學習模型和樣本圖像；通過初始機器學習模型對樣本圖像進行處理，得到預測結果；將滿足低置信度條件的預測結果對應的樣本圖像作為第一目標圖像，并對第一目標圖像進行標注處理得到對應的第一標注信息；將滿足高置信度條件的預測結果對應的樣本圖像作為第二目標圖像，并根據第二目標圖像的預測結果確定與第二目標圖像對應的第二標注信息；將第一目標圖像和第二目標圖像作為樣本輸入，并將相應的第一標注信息和第二標注信息作為訓練標簽，對初始機器學習模型進行再訓練。采用本方法能夠提升模型訓練效率。

技術領域

本申請涉及計算機技術領域，特別是涉及一種模型訓練方法、裝置、計算機設備和存儲介質。

背景技術

隨著計算機技術的發展，出現了機器學習(ML，Machine?Learning)，它被引入機器學習使其更接近于人工智能(AI，Artificial?Intelligence)。機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑。機器學習模型可用于對電力系統中的設備進行故障檢測。而精度高的機器學習模型需要大數據量作為模型訓練的支撐。

在傳統的方法中，機器學習模型的訓練需要大量的訓練數據，將大量的訓練數據進行人為標注后作為對機器學習模型的輸入，對機器學習模型進行訓練，得到一個具備高精度的模型。進而通過模型可對電力系統中的設備進行故障檢測。然而，目前的模型訓練方法，對訓練數據的數據量要求過高，且過度依賴人力，導致了模型訓練效率低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提升模型訓練效率的模型訓練方法、裝置、計算機設備和存儲介質。

一種模型訓練方法，所述方法包括：

獲取預訓練好的初始機器學習模型和樣本圖像；

通過所述初始機器學習模型對所述樣本圖像進行處理，得到預測結果；

將滿足低置信度條件的預測結果對應的樣本圖像作為第一目標圖像，并對所述第一目標圖像進行標注處理得到對應的第一標注信息；

將滿足高置信度條件的預測結果對應的樣本圖像作為第二目標圖像，并根據第二目標圖像的預測結果確定與所述第二目標圖像對應的第二標注信息；

將所述第一目標圖像和所述第二目標圖像作為樣本輸入，并將相應的所述第一標注信息和所述第二標注信息作為訓練標簽，對所述初始機器學習模型進行再訓練。

一種模型訓練裝置，所述裝置包括：

獲取模塊，用于獲取預訓練好的初始機器學習模型和樣本圖像；

處理模塊，用于通過所述初始機器學習模型對所述樣本圖像進行處理，得到預測結果；

處理模塊還用于將滿足低置信度條件的預測結果對應的樣本圖像作為第一目標圖像，并對所述第一目標圖像進行標注處理得到對應的第一標注信息；

確定模塊，用于將滿足高置信度條件的預測結果對應的樣本圖像作為第二目標圖像，并根據第二目標圖像的預測結果確定與所述第二目標圖像對應的第二標注信息；

訓練模塊，用于將所述第一目標圖像和所述第二目標圖像作為樣本輸入，并將相應的所述第一標注信息和所述第二標注信息作為訓練標簽，對所述初始機器學習模型進行再訓練。

一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現以下步驟：

獲取預訓練好的初始機器學習模型和樣本圖像；