[發明專利]基于邊緣計算的對象識別方法、裝置、設備及介質

在審

• 申請號: 202111137863.X
• 申請日: 2021-09-27
• 公開（公告）號: CN113688796A
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 鐘宇翔
• 申請（專利權）人: 中國平安財產保險股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

本發明涉及人工智能技術領域，提供了一種基于邊緣計算的對象識別方法、裝置、設備及介質。所述方法包括：獲取待處理的原始模型，基于原始模型中每個層所有卷積核的權重對原始模型執行剪枝操作，得到剪枝后的模型，基于第一訓練樣本集對剪枝后的模型進行訓練，得到剪枝結束的模型，基于第二訓練樣本集對剪枝結束的模型執行混合精度訓練，將訓練后的模型轉換成半精度浮點數的二進制模型文件得到目標壓縮模型，以供客戶端加載目標壓縮模型對待識別對象進行識別。本發明可以提高模型識別的時效性，減小服務器宕機的風險。本發明還涉及區塊鏈技術領域，上述目標壓縮模型可以存儲于一區塊鏈的節點中。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于邊緣計算的對象識別方法、裝置、設備及存儲介質。

背景技術

目前，大型的圖像識別模型往往部署于服務器端，用戶使用時，首先需要通過App將待識別圖片上傳至影像庫，然后再從影像庫傳至服務端調用模型接口，最終得到識別結果并返回給用戶和數據庫。該流程需要三次網絡傳輸，用戶從上傳圖片到得到結果的等待時間為網絡傳輸耗時與算法計算耗時的累加，一旦用戶處于網絡信號不好的區域，那么等待時間將無限延長。且由于算法統一部署在中心服務器上，如果有大量用戶同時調用模型接口，服務器將承受超高并發的壓力，容易造成宕機風險。

發明內容

鑒于以上內容，本發明提供一種基于邊緣計算的對象識別方法、裝置、設備及存儲介質，其目的在于解決現有技術中使用部署在服務器的模型需要進行多次數據傳輸及容易造成服務器宕機的技術問題。

為實現上述目的，本發明提供一種基于邊緣計算的對象識別方法，該方法包括：

獲取待處理的原始模型，基于所述原始模型中每個層所有卷積核的權重對所述原始模型執行剪枝操作，得到剪枝后的模型；

基于第一訓練樣本集對所述剪枝后的模型進行訓練，得到剪枝結束的模型；

基于第二訓練樣本集對所述剪枝結束的模型執行混合精度訓練，將執行混合精度訓練后的模型轉換成半精度浮點數的二進制模型文件，得到目標壓縮模型，以供客戶端加載所述目標壓縮模型對待識別對象進行識別。

優選的，所述基于所述原始模型中每個層所有卷積核的權重對所述原始模型執行剪枝操作，包括：

計算所述原始模型的每個層中所有卷積核的權重的絕對值之和，保留絕對值之和大于預設閾值的卷積核，丟棄絕對值小于或等于所述預設閾值的卷積核。

優選的，所述基于所述原始模型中每個層所有卷積核的權重對所述原始模型執行剪枝操作，包括：

計算所述原始模型的每個層中所有卷積核的權重的絕對值之和，并對各層中各卷積核的絕對值之和由大到小進行排序，保留排序結果中靠前的預設數量的卷積核。

優選的，所述原始模型包括兩個層，所述基于第一訓練樣本集對所述剪枝后的模型進行訓練，得到剪枝結束的模型，包括：

當完成所述原始模型的第一層剪枝操作時，將完成第一層剪枝操作后的模型的學習率調整至預設區間，利用所述第一訓練樣本集中第一預設數量的訓練樣本對調整學習率后的模型進行訓練，得到訓練后的第一剪枝模型；

對所述第一剪枝模型執行第二層剪枝操作，利用所述第一預設數量的訓練樣本對執行第二層剪枝操作后的模型進行訓練，得到訓練后的第二剪枝模型；

利用所述第一訓練樣本集中第二預設數量的訓練樣本對所述第二剪枝模型進行訓練，得到所述剪枝結束的模型。

優選的，所述調整學習率后的模型的訓練過程，包括：

將所述第一訓練樣本集中每個樣本輸入調整學習率后的模型，得到所述樣本集中每個樣本對應的預測結果；

基于所述樣本集中每個樣本的標注信息讀取所述第一訓練樣本集中每個樣本預先標注的真實結果。