[發明專利]模型訓練方法及裝置

有效

• 申請號: 202110008553.1
• 申請日: 2021-01-05
• 公開（公告）號: CN112329896B
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 李丁珂;郭世澤;陳春煦;王安妮;張勝森;鄭增強
• 申請（專利權）人: 武漢精測電子集團股份有限公司;武漢精立電子技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20
• 代理公司: 武漢智權專利代理事務所(特殊普通合伙) 42225
• 代理人: 張凱

本發明提供一種模型訓練方法及裝置。該方法包括：配置超參數集合，超參數包括自動模型訓練中所需的所有參數，并基于超參數集合對預設模型進行配置，得到預訓練模型；持續接收基于用戶對樣本圖片集中的樣本圖片進行標注得到的經過標注的樣本圖片；將經過標注的樣本圖片放入其缺陷類型對應的圖片組，監控每個圖片組包含的經過標注的樣本圖片的數量；基于目標圖片組以及預訓練模型開啟訓練，直至達到終止條件時，停止訓練，目標圖片組包含的經過標注的樣本圖片的數量大于或等于第一閾值。通過本發明，在模型訓練過程中，對于用戶而言，其僅需要完成標注工作即可，剩余的訓練過程可自動進行。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種模型訓練方法及裝置。

背景技術

深度學習技術在工業檢測領域應用廣泛，是智能工廠，工業4.0等領域不可或缺的一部分。

深度學習技術是一種基于神經網絡模型的機器學習技術，在利用深度學習技術進行模型訓練的過程中，要進行大量的算法選擇、比較、訓練和參數調優，需要有經驗的工程師和研究人員耗費大量時間去完成，如何實現模型的自動訓練已經成為當前亟待解決的問題。

發明內容

為解決上述技術問題，本發明提供一種模型訓練方法及裝置。

第一方面，本發明提供一種模型訓練方法，所述模型訓練方法包括：

配置超參數集合，所述超參數包括自動模型訓練中所需的所有參數，并基于所述超參數集合對預設模型進行配置，得到預訓練模型；

持續接收基于用戶對樣本圖片集中的樣本圖片進行標注得到的經過標注的樣本圖片，所述標注包括對每張樣本圖片進行缺陷位置和缺陷類型的標注；

將經過標注的樣本圖片放入其缺陷類型對應的圖片組，監控每個圖片組包含的經過標注的樣本圖片的數量；

基于目標圖片組以及預訓練模型開啟訓練，直至達到終止條件時，停止訓練，所述目標圖片組包含的經過標注的樣本圖片的數量大于或等于第一閾值。

可選的，所述將經過標注的樣本圖片放入其缺陷類型對應的圖片組的步驟包括：

當任一類型的經過標注的樣本圖片的數量大于或等于第二閾值時，將所述任一類型的經過標注的樣本圖片放入其缺陷類型對應的圖片組。

可選的，所述基于目標圖片組以及預訓練模型開啟訓練的步驟包括：

通過目標圖片組對預訓練模型進行第一輪訓練；

檢測目標圖片組的組別數量是否有新增；

當目標圖片組的組別數量有新增時，執行所述通過目標圖片組對預訓練模型進行第一輪訓練的步驟；

當目標圖片組的組別數量未新增時，通過目標圖片組對上一輪訓練得到的模型進行訓練，執行所述檢測目標圖片組的組別數量是否有新增的步驟。

可選的，所述基于目標圖片組以及預訓練模型開啟訓練的步驟包括：

通過目標圖片組對預訓練模型進行第一輪訓練；

第一輪訓練結束后，通過目標圖片組對上一輪訓練得到的模型進行訓練，直至達到終止條件。

可選的，在所述通過目標圖片組對預訓練模型進行第一輪訓練的步驟之后，還包括：

保存首次得到的模型；

當得到新的模型時，檢測為了得到所述新的模型所使用的目標圖片組的組別數量是否大于為了得到已保存的模型所使用的目標圖片組的組別數量；

若為了得到所述新的模型所使用的目標圖片組的組別數量大于為了得到已保存的模型所使用的目標圖片組的組別數量，則刪除已保存的模型，并保存新的模型；