[發明專利]多數據集目標檢測訓練方法、系統、存儲介質及電子設備

在審

• 申請號: 202210163241.2
• 申請日: 2022-02-22
• 公開（公告）號: CN114743063A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 堯麗君;王語斌
• 申請（專利權）人: 同盾科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/72;G06V10/82;G06V10/94;G06V40/10;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京知果之信知識產權代理有限公司 11541
• 代理人: 高科

本發明公開了一種多數據集目標檢測訓練方法、系統、存儲介質及電子設備，其中方法包括：將新增類別數據集和對應的第一標注文件均分別輸入到第一檢測模型和第二檢測模型，進行檢測模型訓練；利用訓練完成后的第一檢測模型和第二檢測模型對歷史數據集中的新增類別進行數據清洗，得到數據清洗后的歷史數據集和對應的第二標注文件；將所述新增類別數據集和數據清洗后的歷史數據集合并，并將合并后的數據集和對應的第三標注文件輸入到第三檢測模型，進行模型訓練，訓練完成后部署。本發明減少了人力標注成本、模型維護成本和機器部署成本，解決了現有技術應對歷史數據中新增檢測類別未標注時產生的成本較高的問題。

技術領域

本發明涉及目標檢測技術領域，具體涉及一種多數據集目標檢測訓練方法、系統、存儲介質及電子設備。

背景技術

隨著人工智能技術的發展，計算機視覺技術在人們日常生活中的應用越來越廣泛，目標檢測作為計算機視覺中最重要的任務之一，影響舉足輕重。通用的目標檢測默認限定所檢測的類別的具體數量，然而在實際需求中，無法確定類別是否新增。當檢測類別新增時，歷史數據未對新增待檢測類別進行標注，如果直接合并新增類別數據集進行模型訓練，歷史數據集中因存在大量未標注新增類別，會導致模型對歷史類別檢測效果較差。

針對上述問題，現有解決方案主要包括以下兩種：1.針對多個數據集訓練不同目標檢測器進行部署，但是這會增加維護多個模型的成本，并且會造成機器資源浪費；2.直接將歷史數據中新增的類別標注，為所有已有數據標記新增待檢測類，但是這種方法需要花費大量的時間和人力。

因此，現有的兩種方法在解決歷史數據中因新增檢測類別未標注導致模型對歷史類別檢測效果較差的問題時，會增加額外的模型維護成本、機器部署成本或人力標注成本，導致成本較高。

發明內容

本發明的主要目的在于提供一種多數據集目標檢測訓練方法及系統，利用兩個檢測模型清洗歷史數據集中的新增類別，并將多個數據集合并到第三檢測模型進行訓練，以解決現有技術應對歷史數據中新增檢測類別未標注時產生的成本較高的問題。

為了實現上述目的，本發明的第一方面提供了一種多數據集目標檢測訓練方法，包括：

將新增類別數據集和對應的第一標注文件均分別輸入到第一檢測模型和第二檢測模型，進行檢測模型訓練；

利用訓練完成后的第一檢測模型和第二檢測模型對歷史數據集中的新增類別進行數據清洗，得到數據清洗后的歷史數據集和對應的第二標注文件；

將所述新增類別數據集和數據清洗后的歷史數據集合并，并將合并后的數據集和對應的第三標注文件輸入到第三檢測模型，進行模型訓練，訓練完成后部署。

可選地，所述將新增類別數據集和對應的第一標注文件均分別輸入到第一檢測模型和第二檢測模型，進行檢測模型訓練，包括：

將所述新增類別數據集和對應的第一標注文件，按照圖像的第一輸入分辨率輸入到第一檢測模型；

將所述新增類別數據集和對應的第一標注文件，按照圖像的第二輸入分辨率輸入到第二檢測模型；

分別輸入到所述第一檢測模型和所述第二檢測模型后，進行新增類別的檢測模型訓練。

可選地，所述采用半監督方式，利用訓練完成后的第一檢測模型和第二檢測模型對歷史數據集中的新增類別進行數據清洗，包括：

采用半監督方式，利用訓練完成后的第一檢測模型和第二檢測模型對歷史數據集中的新增類別進行偽標注，輸出目標檢測框；

針對第一檢測模型和第二檢測模型都檢測出的目標，根據所述目標檢測框計算IOU和置信度分數，分別判斷所述IOU和所述置信度分數與預設閾值的大小關系。

進一步地，所述分別判斷所述IOU和所述置信度分數與預設閾值的大小關系包括：