[發明專利]圖像識別模型的訓練方法、裝置及設備

在審

• 申請號: 202110367654.8
• 申請日: 2021-04-06
• 公開（公告）號: CN112766427A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 張培堯;劉樹春;張飛云;高巍;邵蔚元
• 申請（專利權）人: 浙江口碑網絡技術有限公司;口碑（上海）信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F40/289
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 周嗣勇

本說明書實施例提供一種圖像識別模型的訓練方法、裝置及設備；其中，該方法利用初始數據集確定出訓練數據集后，循環執行以下步驟直到圖像識別模型滿足模型性能條件：利用訓練數據集對圖像識別模型進行訓練；所述訓練數據集包括多張訓練圖像，每張所述訓練圖像對應有圖像類別；利用訓練后的圖像識別模型對多張驗證圖像進行分類識別，并將識別結果與所述驗證圖像的實際圖像類別進行對比；基于對比結果確定出相似的至少兩個圖像類別后，將文本相似度滿足相似度條件的圖像類別合并為一個圖像類別，將合并后的數據集確定為新的訓練數據集。

技術領域

本說明書實施例涉及圖像分類識別技術領域，尤其涉及圖像識別模型的訓練方法、裝置及設備。

背景技術

在計算機視覺領域，圖像分類識別可以說是最基礎、最常見的一個問題。圖像分類識別方案大多采用機器學習模型的方式實現，因此，如何訓練得到一個準確率較好的模型，成為亟待解決的技術問題。

發明內容

為克服相關技術中存在的問題，本說明書實施例提供了圖像識別模型的訓練方法、裝置及設備。

根據本說明書實施例的第一方面，提供一種圖像識別模型的訓練方法，所述方法包括：

利用初始數據集確定出訓練數據集后，循環執行以下步驟直到圖像識別模型滿足模型性能條件：

利用訓練數據集對圖像識別模型進行訓練；所述訓練數據集包括多張訓練圖像，每張所述訓練菜品圖像對應有圖像類別；

利用訓練后的圖像識別模型對多張驗證圖像進行分類識別，并將識別結果與所述驗證圖像的實際圖像類別進行對比；

基于對比結果確定出相似的至少兩個圖像類別后，將文本相似度滿足相似度條件的圖像類別合并為一個圖像類別，將合并后的數據集確定為新的訓練數據集。

根據本說明書實施例的第二方面，提供一種圖像識別模型的訓練裝置，所述裝置包括：

數據集處理模塊，用于：利用初始數據集確定出訓練數據集；

訓練模塊，用于：循環執行以下處理直到圖像識別模型滿足模型性能條件：

利用訓練數據集對圖像識別模型進行訓練；所述訓練數據集包括多張訓練圖像，每張所述訓練菜品圖像對應有圖像類別；

利用訓練后的圖像識別模型對多張驗證圖像進行分類識別，并將識別結果與所述驗證圖像的實際圖像類別進行對比；

基于對比結果確定出相似的至少兩個圖像類別后，將文本相似度滿足相似度條件的圖像類別合并為一個圖像類別，將合并后的數據集確定為新的訓練數據集。

根據本說明書實施例的第三方面，提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，所述處理器執行所述程序時實現前述圖像識別模型的訓練方法。

本說明書的實施例提供的技術方案可以包括以下有益效果：

本說明書實施例中，由于訓練數據集質量較差，例如圖像類別較多，圖像類別未規范化等問題，訓練數據集訓練得到的模型，在利用驗證數據集評估其性能時，會出現模型的識別準確率尚未達到較好標準的現象，而此種現象的產生正是由于訓練數據集質量較低造成的，因此本實施例在模型尚未達到較好標準時，利用模型對驗證數據集的識別結果對訓練數據集進行優化，之后利用優化的訓練數據集再次對模型進行訓練，通過數據的迭代優化來迭代訓練模型，從而逐漸提高模型的準確度。

應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本說明書。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本說明書的實施例，并與說明書一起用于解釋本說明書的原理。

圖1是本說明書根據一示例性實施例示出的一種圖像識別模型的訓練方法的流程圖。

圖2A是本說明書根據一示例性實施例示出的一種數據預處理的示意圖。