[發(fā)明專(zhuān)利]一種物體檢測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110160557.1
• 申請(qǐng)日: 2021-02-05
• 公開(kāi)（公告）號(hào): CN112966565A
• 公開(kāi)（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 趙雨佳;程駿;龐建新
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市優(yōu)必選科技股份有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳中一聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44414
• 代理人: 劉永康

本申請(qǐng)適用于人工智能技術(shù)領(lǐng)域，提供了一種物體檢測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)，其中，方法包括：對(duì)預(yù)設(shè)的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型；對(duì)所述預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行模型剪枝，得到目標(biāo)網(wǎng)絡(luò)模型；在獲取到目標(biāo)圖像時(shí)，通過(guò)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)物體檢測(cè)，獲得檢測(cè)結(jié)果。本申請(qǐng)實(shí)施例對(duì)優(yōu)化網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練后再進(jìn)行剪枝可提高物體檢測(cè)的準(zhǔn)確率和減少運(yùn)算時(shí)間，從而提高了目標(biāo)檢測(cè)效率。

技術(shù)領(lǐng)域

本申請(qǐng)屬于人工智能技術(shù)領(lǐng)域，尤其涉及一種物體檢測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著人工智能技術(shù)的快速發(fā)展，各種人工智能產(chǎn)品順應(yīng)而生，具有移動(dòng)功能的智能產(chǎn)品，在行駛過(guò)程中對(duì)路況進(jìn)行自主判斷，需要檢測(cè)物體實(shí)現(xiàn)避障等功能。

對(duì)在移動(dòng)中的智能產(chǎn)品由于移動(dòng)速度問(wèn)題，會(huì)使得對(duì)目標(biāo)檢測(cè)算法的性能、準(zhǔn)確率的要求非常高，但目前移動(dòng)功能的智能產(chǎn)品多采用激光、超聲雷達(dá)、紅外等傳感器或傳統(tǒng)算法檢測(cè)障礙物的效率較低。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供了一種物體檢測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)，旨在解決現(xiàn)具有移動(dòng)功能的智能產(chǎn)品對(duì)目標(biāo)檢測(cè)的效率低的問(wèn)題。

第一方面，本申請(qǐng)實(shí)施例提供了一種物體檢測(cè)方法，包括：

對(duì)預(yù)設(shè)的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型；

對(duì)所述預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行模型剪枝，得到目標(biāo)網(wǎng)絡(luò)模型；

在獲取到目標(biāo)圖像時(shí)，通過(guò)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)物體檢測(cè)，獲得檢測(cè)結(jié)果。

在一個(gè)實(shí)施例中，在獲得檢測(cè)結(jié)果之后，還包括：當(dāng)所述檢測(cè)結(jié)果包括目標(biāo)物體時(shí)，獲得所述目標(biāo)物體的類(lèi)型和位置；

根據(jù)所述目標(biāo)物體的類(lèi)型和位置，執(zhí)行所述目標(biāo)物體類(lèi)型和位置對(duì)應(yīng)的操作。

在一個(gè)實(shí)施例中，所述在獲取到目標(biāo)圖像時(shí)，通過(guò)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)物體檢測(cè)，獲得檢測(cè)結(jié)果之前，包括：

通過(guò)TensorRT框架模型，對(duì)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到TensorRT引擎模型。

在一個(gè)實(shí)施例中，所述通過(guò)TensorRT框架模型，對(duì)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到TensorRT引擎模型，包括：

將所述目標(biāo)網(wǎng)絡(luò)模型轉(zhuǎn)換為預(yù)設(shè)格式的目標(biāo)網(wǎng)絡(luò)模型；

將所述預(yù)設(shè)格式的目標(biāo)網(wǎng)絡(luò)模型加載至TensorRT框架模型中，得到已加載預(yù)設(shè)格式的目標(biāo)網(wǎng)絡(luò)模型的TensorRT引擎模型。

在一個(gè)實(shí)施例中，通過(guò)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)物體檢測(cè)，獲得檢測(cè)結(jié)果，包括：

通過(guò)所述TensorRT引擎模型進(jìn)行目標(biāo)物體檢測(cè)，獲得所述檢測(cè)結(jié)果。

在一個(gè)實(shí)施例中，所述對(duì)所述預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行模型剪枝，得到目標(biāo)網(wǎng)絡(luò)模型，包括：

根據(jù)預(yù)設(shè)壓縮算法對(duì)所述預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)剪枝和網(wǎng)絡(luò)權(quán)重剪枝，得到目標(biāo)網(wǎng)絡(luò)模型。

在一個(gè)實(shí)施例中，所述優(yōu)化網(wǎng)絡(luò)模型基于YOLOv5模型構(gòu)建且以MobileNetV3的small模型為骨干網(wǎng)絡(luò)。

第二方面，本申請(qǐng)實(shí)施例提供了一種物體檢測(cè)裝置，包括：

訓(xùn)練模塊，用于對(duì)預(yù)設(shè)的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型；

剪枝模塊，用于對(duì)所述預(yù)訓(xùn)練的優(yōu)化網(wǎng)絡(luò)模型進(jìn)行模型剪枝，得到目標(biāo)網(wǎng)絡(luò)模型；

檢測(cè)模塊，用于在獲取到目標(biāo)圖像時(shí)，通過(guò)所述目標(biāo)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)物體檢測(cè)，獲得檢測(cè)結(jié)果。