[發(fā)明專利]一種基于改進yolov5的端到端半監(jiān)督目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202210053449.9
• 申請日: 2022-01-18
• 公開（公告）號: CN114399683A
• 公開（公告）日: 2022-04-26
• 發(fā)明（設(shè)計）人: 楊帆;況易田;胡建國
• 申請（專利權(quán)）人: 南京甄視智能科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京德崇智捷知識產(chǎn)權(quán)代理有限公司 11467
• 代理人: 曹婷

本發(fā)明公開了一種基于改進yolov5的端到端半監(jiān)督目標(biāo)檢測方法，涉及目標(biāo)檢測技術(shù)領(lǐng)域，解決了現(xiàn)有目標(biāo)檢測較為復(fù)雜且偽標(biāo)簽限制模型精度提升的技術(shù)問題，其技術(shù)方案要點是對yolov5的數(shù)據(jù)加載部分進行修改，以支持在訓(xùn)練過程中同時加載標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)；將使用ema算法更新的模型作為教師模型，使用動態(tài)閾值的方式，生成偽標(biāo)簽；對yolov5的損失進行了修改，分為監(jiān)督損失和無監(jiān)督損失，并使用難例挖掘策略對無監(jiān)督損失部分進行優(yōu)化。整個流程更加簡單，偽標(biāo)簽在訓(xùn)練過程中能越來越精確，幫助檢測器達到更好的性能，具有更快的推理速度，可以達到實時性要求。

技術(shù)領(lǐng)域

本申請涉及目標(biāo)檢測技術(shù)領(lǐng)域，尤其涉及一種基于改進yolov5的端到端半監(jiān)督目標(biāo)檢測方法。

背景技術(shù)

當(dāng)前主流的半監(jiān)督目標(biāo)檢測方法大多是多階段的，多階段指的是首先使用有標(biāo)注數(shù)據(jù)訓(xùn)練一個初始的全監(jiān)督模型，然后再通過該模型處理未標(biāo)注數(shù)據(jù)，得到高置信度的結(jié)果作為未標(biāo)注數(shù)據(jù)的偽標(biāo)簽，最后將有標(biāo)注數(shù)據(jù)和帶有偽標(biāo)簽的未標(biāo)注數(shù)據(jù)輸入給模型進行訓(xùn)練。整個過程比較復(fù)雜，并且偽標(biāo)簽是采用離線生成的方式，即在訓(xùn)練過程中不會更新。這樣的模式存在的一個問題是，當(dāng)訓(xùn)練的模型精度逐步提升，超過原本的模型，繼續(xù)使用原來模型生成的偽標(biāo)簽會限制模型精度進一步提升；并且目前大多數(shù)半監(jiān)督目標(biāo)檢測方法是基于Faster-RCNN的，它是一個two-stage目標(biāo)檢測方法，存在著檢測速度比較慢的問題，不能滿足實時性要求。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N基于改進yolov5的端到端半監(jiān)督目標(biāo)檢測方法，其技術(shù)目的是使目標(biāo)檢測的流程更簡單，且偽標(biāo)簽在訓(xùn)練過程中能越來越精確，使得檢測器達到更好的性能。

本申請的上述技術(shù)目的是通過以下技術(shù)方案得以實現(xiàn)的：

一種基于改進yolov5的端到端半監(jiān)督目標(biāo)檢測方法，包括：

S1：創(chuàng)建數(shù)據(jù)集，并對yolov5網(wǎng)絡(luò)的學(xué)生模型和教師模型進行初始化；其中，所述數(shù)據(jù)集包括標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)，將所述標(biāo)注數(shù)據(jù)劃分為訓(xùn)練集和測試集；

S2：yolov5網(wǎng)絡(luò)對標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)分別進行加載，然后對訓(xùn)練集中的標(biāo)注數(shù)據(jù)進行強數(shù)據(jù)增強，得到第一增強標(biāo)注數(shù)據(jù)；對所述未標(biāo)注數(shù)據(jù)分別進行強數(shù)據(jù)增強和弱數(shù)據(jù)增強，分別得到第一增強未標(biāo)注數(shù)據(jù)和第二增強未標(biāo)注數(shù)據(jù)；

S3：將第一增強標(biāo)注數(shù)據(jù)和第一增強未標(biāo)注數(shù)據(jù)輸入到所述學(xué)生模型進行訓(xùn)練，得到第一增強標(biāo)注數(shù)據(jù)和第一增強未標(biāo)注數(shù)據(jù)在學(xué)生模型上的輸出；

S4：將第二增強未標(biāo)注數(shù)據(jù)輸入到教師模型進行推理，根據(jù)閾值T生成所述第二增強未標(biāo)注數(shù)據(jù)的偽標(biāo)簽，并轉(zhuǎn)化為第一增強未標(biāo)注數(shù)據(jù)的偽標(biāo)簽；

S5：對帶標(biāo)簽的所述第一增強標(biāo)注數(shù)據(jù)和帶偽標(biāo)簽的所述第一增強未標(biāo)注數(shù)據(jù)分別計算損失，分別得到監(jiān)督損失和無監(jiān)督損失，計算所述監(jiān)督損失和所述無監(jiān)督損失的加權(quán)和，得到總損失；

S6：通過總損失對所述學(xué)生模型進行更新，得到更新后的學(xué)生模型；

S7：更新后的學(xué)生模型再通過ema算法對所述教師模型進行更新，得到更新后的教師模型；

S8：通過所述測試集對更新后的學(xué)生模型和教師模型進行測試，獲取測試結(jié)果；

S9：重復(fù)步驟S3至步驟S8，選取測試結(jié)果最好的模型作為目標(biāo)模型；

S10：通過所述目標(biāo)模型對目標(biāo)進行檢測。

本申請的有益效果在于：本申請對yolov5的數(shù)據(jù)加載部分進行了修改，以支持在訓(xùn)練過程中同時加載標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)；將使用ema算法更新的模型作為教師模型，使用動態(tài)閾值的方式，生成偽標(biāo)簽；對yolov5的損失進行了修改，分為監(jiān)督損失和無監(jiān)督損失，并使用難例挖掘策略對無監(jiān)督損失部分進行優(yōu)化。