[發明專利]圖像識別模型訓練方法及系統和圖像識別方法

有效

• 申請號: 202010090927.4
• 申請日: 2020-02-13
• 公開（公告）號: CN111275128B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 朱禹萌;陸進;陳斌;宋晨
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/60;G06V10/56
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 鄧應山

本發明實施例提供一種圖像識別方法，包括：創建基于RGB數據格式的圖像識別的訓練集和驗證集；利用訓練集和驗證集訓練RGB圖像識別模型；搭建待訓練YUV圖像識別模型，所述待訓練YUV圖像識別模型包括輸入層，預測層和輸出層，所述輸入層包括亮度輸入分支和色度輸入分支；利用訓練好的所述RGB圖像識別模型使用蒸餾方法訓練所述待訓練YUV圖像識別模型的亮度輸入分支、色度輸入分支和預測層，得到YUV圖像識別模型，所述YUV圖像識別模型用于識別YUV數據格式的圖像。本發明通過RGB圖像識別模型蒸餾訓練YUV圖像識別模型的輸入層和預測層，提高了YUV圖像識別模型的訓練效率，降低了YUV圖像識別模型的訓練成本。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及圖像識別模型訓練方法及系統和圖像識別方法。

背景技術

在圖像識別領域，實際生產設備中圖像使用的顏色空間根據其設備優勢各有不同，比如視頻傳輸設備為了節省帶寬使用的YUV格式，對應的圖像識別模型為YUV圖像識別模型，或者帶有紅外探頭的RGB+IR格式，對應的圖像識別模型為RGB圖像識別模型，RGB圖像識別模型無法對YUV格式的圖像進行識別，需要重新搭建一個YUV圖像識別模型，再用YUV數據格式的訓練數據對YUV圖像識別模型進行訓練，為提升YUV圖像識別模型的準確度，需要對大量的訓練數據進行人工標注，成本較高。

為了降低深度學習模型應用的門檻，利用知識蒸餾的方法將高計算能力、高精度的模型包含的先驗知識用于教授小模型的深度學習網絡，可以實現對網絡模型的壓縮提速。然而，傳統的知識蒸餾方法只是為了縮小網絡規模和計算需求，但是仍然局限在同樣形式的訓練數據上，例如RGB圖像識別模型只能蒸餾得到結構更小的RGB圖像識別模型，得不到YUV模型，給模型蒸餾帶來了應用上的限制。

發明內容

有鑒于此，本發明實施例提供了一種圖像識別模型訓練方法、系統、計算機設備及計算機可讀存儲介質和圖像識別方法，用于解決構建新的圖像識別模型步驟繁瑣且成本高的問題。

本發明實施例是通過下述技術方案來解決上述技術問題：

一種圖像識別模型訓練方法，包括：

創建基于RGB數據格式的圖像識別的訓練集和驗證集；

利用所述訓練集和所述驗證集訓練RGB圖像識別模型，所述RGB圖像識別模型用于訓練YUV圖像識別模型；

搭建待訓練YUV圖像識別模型，所述待訓練YUV圖像識別模型包括輸入層，預測層和輸出層，所述輸入層包括亮度輸入分支和色度輸入分支；

利用訓練好的所述RGB圖像識別模型使用蒸餾方法訓練所述待訓練YUV圖像識別模型的亮度輸入分支、色度輸入分支和預測層，得到YUV圖像識別模型，所述YUV圖像識別模型用于識別YUV數據格式的圖像。

進一步地，所述利用訓練好的RGB圖像識別模型使用蒸餾方法訓練所述待訓練YUV圖像識別模型的亮度輸入分支、色度輸入分支和預測層，得到YUV圖像識別模型，所述YUV圖像識別模型用于識別YUV數據格式的圖像包括：

根據訓練好的RGB圖像識別模型，獲取所述待訓練YUV圖像識別模型的整體目標損失函數；

通過所述整體目標損失函數對所述待訓練YUV圖像識別模型的輸入層和預測層進行訓練，得到所述YUV圖像識別模型。

進一步地，所述根據訓練好的RGB圖像識別模型，獲取所述待訓練YUV圖像識別模型的整體目標損失函數包括：

獲取所述RGB圖像識別模型的軟目標；

根據所述RGB圖像識別模型的軟目標，獲取所述待訓練YUV圖像識別模型的整體目標損失函數。

進一步地，所述通過所述整體目標損失函數對所述待訓練YUV圖像識別模型的輸入層和預測層進行訓練，得到所述YUV圖像識別模型包括：