[發明專利]機器學習模型優化的方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202011032342.3
• 申請日: 2020-09-27
• 公開（公告）號: CN112183321A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 李立賽;傅東生;馬量;盧東占;彭宏飛
• 申請（專利權）人: 深圳奇跡智慧網絡有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06N20/20
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 毛丹

1.一種機器學習模型優化的方法，其特征在于，所述方法包括：

獲取至少兩張第一圖片；

當模型庫中的機器學習模型無法識別所述第一圖片時，根據輸入的標注指令對所述第一圖片進行標注，得到第一標簽；

根據所述第一圖片和所述第一標簽對所述機器學習模型進行訓練，得到目標機器學習模型；

基于所述目標機器學習模型對獲取的第二圖片進行預標注，得到第二標簽；

當所述第二標簽通過標注驗證時，根據所述第二圖片和所述第二標簽對所述目標機器學習模型進行訓練優化。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

當模型庫中的機器學習模型無法識別所述第一圖片時，對所述第一圖片進行去重處理；

在去重處理后的第一圖片中刪除分辨率低于預設分辨閾值的圖片，得到目標圖片；

所述根據輸入的標注指令對所述第一圖片進行標注包括：

根據輸入的標注指令對所述目標圖片進行標注。

3.根據權利要求1或2所述的方法，其特征在于，所述基于所述目標機器學習模型對獲取的第二圖片進行預標注之前，所述方法還包括：

對經過訓練優化后的目標機器學習模型進行模型轉換，得到邊緣端的目標機器學習模型；

對所述目標機器學習模型進行封裝，并將封裝后的目標機器學習模型下發到邊緣端設備。

4.根據權利要求3所述的方法，其特征在于，所述對經過訓練優化后的目標機器學習模型進行模型轉換之前，所述方法還包括：

獲取測試圖片和對應的圖片標簽；

通過訓練優化后的目標機器學習模型對所述測試圖片進行目標識別，得到識別結果；

當所述識別結果與所述圖片標簽一致時，執行所述對經過訓練優化后的目標機器學習模型進行模型轉換的步驟。

5.根據權利要求1或2所述的方法，其特征在于，所述基于所述目標機器學習模型對獲取的第二圖片進行預標注之前，所述方法還包括：

將所述目標機器學習模型下發至所述模型庫；

所述基于所述目標機器學習模型對獲取的第二圖片進行預標注包括：

獲取第二圖片，并根據所述第二圖片從所述模型庫中選取下發的目標機器學習模型；

根據所選取的目標機器學習模型對所述第二圖片進行預標注。

6.根據權利要求1或2所述的方法，其特征在于，所述基于所述目標機器學習模型對獲取的第二圖片進行預標注之前，所述方法還包括：

對經過訓練優化后的目標機器學習模型進行模型轉換，得到服務端的目標機器學習模型；

對所述目標機器學習模型進行封裝，并將封裝后的目標機器學習模型下發到服務端設備。

7.根據權利要求1所述的方法，其特征在于，所述方法還包括：

當模型庫中的機器學習模型能識別所述第一圖片時，對所述第一圖片中的目標進行檢測，得到檢測結果；

根據所述檢測結果對所述目標進行預標注，得到參考標簽；

對所述參考標簽進行驗證；

當驗證通過時，根據所述第一圖片和所述參考標簽對所述機器學習模型進行訓練，得到目標機器學習模型。

8.一種目標檢測識別裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取至少兩張第一圖片；

第一標注模塊，用于當模型庫中的機器學習模型無法識別所述第一圖片時，根據輸入的標注指令對所述第一圖片進行標注，得到第一標簽；

訓練模塊，用于根據所述第一標簽對所述機器學習模型進行訓練，得到目標機器學習模型；

第二標注模塊，用于基于所述目標機器學習模型對獲取的第二圖片進行預標注，得到第二標簽；

優化模塊，用于當所述第二標簽通過標注驗證時，根據所述第二標簽對所述目標機器學習模型進行訓練優化。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法的步驟。

10.一種計算機可存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。