[發明專利]模型生成方法、目標檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202010188303.6
• 申請日: 2020-03-17
• 公開（公告）號: CN113408561A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 安耀祖;許新玉;孔旗
• 申請（專利權）人: 北京京東乾石科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發明實施例公開了一種模型生成方法、目標檢測方法、裝置、設備及存儲介質。該方法包括：獲取初步訓練完成的中間檢測模型中批歸一化層的縮放系數，其中，中間檢測模型是基于多個訓練樣本對原始檢測模型進行訓練后得到的，訓練樣本包括樣本圖像和樣本圖像中已知目標的樣本標注結果；根據各縮放系數的數值大小，從各縮放系數中篩選出待剪枝系數；從中間檢測模型的各通道中，篩選出與待剪枝系數對應的待剪枝通道，并對待剪枝通道進行通道剪枝，生成目標檢測模型。本發明實施例的技術方案，將通道剪枝與中間檢測模型相結合，可以根據中間檢測模型中的縮放系數，對中間檢測模型進行通道剪枝，由此實現了通過壓縮模型來提升模型的檢測速度的效果。

技術領域

本發明實施例涉及計算機應用技術領域，尤其涉及一種模型生成方法、目標檢測方法、裝置、設備及存儲介質。

背景技術

目標檢測(Object Detection)技術是很多計算機視覺任務的基礎，其可用于判斷待檢測圖像中是否存在感興趣的待檢測目標，并對待檢測目標進行精準定位。而且，目標檢測技術可與目標跟蹤、目標重識別等技術相結合，應用于人工智能系統、車輛自動駕駛系統、智能機器人、智能物流等領域。

在實現本發明的過程中，發明人發現現有技術中存在以下技術問題：現有的目標檢測技術多是基于深度學習模型實現的，而深度學習模型因尺寸較大容易出現檢測速度較慢的問題，這在計算資源受限的設備中尤其明顯，這使得目標檢測技術很難在實際項目上直接落地應用。

例如，在智能物流領域中，無人配送車的大量應用可以降低配送成本且提高配送效率，而基于視覺的目標檢測技術是無人配送車感知周圍環境所需的一種非常重要的技術手段。但是，出于量產和成本方面的考慮，無人配送車上的車載處理器多是基于計算資源相對有限的Xvaier平臺組成的。由此，應用于這一車載處理器上的目標檢測模型的檢測速度相對較慢，這將直接影響無人配送車的環境感知能力，進而影響無人配送車的配送效率。因此，如何提升目標檢測模型的檢測速度，這對智能物流領域的發展至關重要。

發明內容

本發明實施例提供了一種模型生成方法、目標檢測方法、裝置、設備及存儲介質，以實現通過壓縮模型來提升模型的檢測速度的效果。

第一方面，本發明實施例提供了一種模型生成方法，可以包括：

獲取初步訓練完成的中間檢測模型中批歸一化層的縮放系數，其中，中間檢測模型是基于多個訓練樣本對原始檢測模型進行訓練后得到的，訓練樣本包括樣本圖像和樣本圖像中已知目標的樣本標注結果；

根據各縮放系數的數值大小，從各縮放系數中篩選出待剪枝系數；

從中間檢測模型的各通道中，篩選出與待剪枝系數對應的待剪枝通道，并對待剪枝通道進行通道剪枝，生成目標檢測模型。

可選的，根據各縮放系數的數值大小，從各縮放系數中篩選出待剪枝系數，可以包括：

根據各縮放系數的數值大小和預設剪枝率，得出縮放系數的剪枝閾值，并根據剪枝閾值從各縮放系數中篩選出待剪枝系數。

可選的，上述模型生成方法，還可以包括：

從中間檢測模型的各卷積層中篩選出可剪枝卷積層，其中，可剪枝卷積層包括除1*1卷積層和/或分類回歸分支中的卷積層之外的卷積層；

從各縮放系數中篩選出與可剪枝卷積層對應的目標縮放系數；

根據各縮放系數的數值大小，從各縮放系數中篩選出待剪枝系數，可以包括：根據各目標縮放系數的數值大小，從各目標縮放系數中篩選出待剪枝系數。

可選的，從中間檢測模型的各通道中，篩選出與待剪枝系數對應的待剪枝通道，可以包括：