图片分类模型训练方法、系统和计算机设备技术方案

本发明专利技术实施例提供了一种基于少量数据的图片分类模型训练方法，所述方法包括：根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；获取多个样本图片，根据所述多个样本图片得到样本图片训练集，所述多个样本图片包括多个目标图片类型的图片；通过所述样本图片训练集对预训练模型进行训练，得到图片分类模型。本发明专利技术实施例通过对少量数据进行模型训练，可实现图像训练速度提高、图像识别速度提高以及图片识别精度提高，还可增多可分辨图像种类较，大大的提高了图片分类效率。

Training method, system and computer equipment of picture classification model

【技术实现步骤摘要】
图片分类模型训练方法、系统和计算机设备
本专利技术实施例涉及数据处理领域，尤其涉及一种基于少量数据的图片分类模型训练方法、系统、计算机设备及计算机可读存储介质。
技术介绍
随着科技水平的提高，新的图像数据信息在被人类近一步了解，导致传统的图像数据集存在失效可能性和新的图像数据集数量有限。一个有效的图像分类系统的存在是具有重要意义。但是目前市面上的图像分类软件存在需要大量数据进行模型训练、图像训练和识别速度较慢、可分辨图像种类较较少以及图片识别精度不高等技术问题。
技术实现思路
有鉴于此，有必要提供一种基于少量数据的图片分类模型训练方法、系统、计算机设备及计算机可读存储介质，以解决当前存在需要大量数据进行模型训练、图像训练和识别速度较慢、可分辨图像种类较较少以及图片识别精度不高等技术问题。为实现上述目的，本专利技术实施例提供了基于少量数据的图片分类模型训练方法，所述方法步骤包括：根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；获取多个样本图片，根据所述多个样本图片得到样本图片训练集，所述多个样本图片包括多个目标图片类型的图片；及通过所述样本图片训练集对预训练模型进行训练，得到图片分类模型。示例性的，所述根据ImageNet模型构建预训练模型的步骤，包括：将各个预样本图片输入到网络模型中，所述各个预样本图片分别预先关联有对应的分类标签；通过网络模型输出各个预样本图片对应的分类标签置信度；<br>基于所述各个预样本图片对应的分类标签置信度和各个预样本图片预先关联的分类标签调整所述网络模型中的各个模型参数，以得到所述ImageNet模型；基于所述ImageNet模型，并根据逐层分析网络层法配置所述ImageNet模型中各个网络层的层结构，以构建所述预训练模型；其中，所述预训练模型为九层图像分类网络，所述九层图像分类网络依次包括：输入层、conv1卷积层、conv2卷积层、conv3卷积层、conv4卷积层、conv5卷积层、fc6全链接层、fc7全链接层和输出层。示例性的，所述根据所述多个样本图片得到样本图片训练集的步骤，包括：获取N个样本图片，对所述N个样本图片进行取样，得到多个样本图片集合；从所述多个样本图片集合中选择其中一个样本图片集合；提取被选择的样本图片集合中的各个样本图片的图像特征，以及根据所述被选择的样本图片集合中的各个样本图片的图像特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个样本图片的图像特征，以得到N个样本图片的图像特征；及根据所述N个样本图片的图像特征，并基于聚类算法得到样本图片训练集，所述样本图片训练集包括多个图片集合，每个图片集合对应一个聚类别类，每个样本图片位于一个或多个图片集合中。示例性的，通过所述样本图片训练集对预训练模型进行训练的步骤包括：通过迁移学习法对所述预训练模型进行训练；其中，所述样本图片训练集用于输入至所述预训练模型中的倒数第二层。为实现上述目的，本专利技术实施例还提供了一种基于少量数据的图片分类模型训练系统，包括：构建模块，用于根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；获取模块，用于获取多个样本图片，根据所述多个样本图片得到样本图片训练集，所述多个样本图片包括多个目标图片类型的图片；训练模块，用于通过所述样本图片训练集对预训练模型进行训练，得到图片分类模型。示例性的，所述构建模块还用于：将各个预样本图片输入到网络模型中，所述各个预样本图片分别预先关联有对应的分类标签；通过网络模型输出各个预样本图片对应的分类标签置信度；基于所述各个预样本图片对应的分类标签置信度和各个预样本图片预先关联的分类标签调整所述网络模型中的各个模型参数，以得到所述ImageNet模型；基于所述ImageNet模型，并根据逐层分析网络层法配置所述ImageNet模型中各个网络层的层结构，以构建所述预训练模型；其中，所述预训练模型为九层图像分类网络，所述九层图像分类网络依次包括：输入层、conv1卷积层、conv2卷积层、conv3卷积层、conv4卷积层、conv5卷积层、fc6全链接层、fc7全链接层和输出层。示例性的，所述获取模块还用于：获取N个样本图片，对所述N个样本图片进行取样，得到多个样本图片集合；从所述多个样本图片集合中选择其中一个样本图片集合；提取被选择的样本图片集合中的各个样本图片的图像特征，以及根据所述被选择的样本图片集合中的各个样本图片的图像特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个样本图片的图像特征，以得到N个样本图片的图像特征；及根据所述N个样本图片的图像特征，并基于聚类算法得到样本图片训练集，所述样本图片训练集包括多个图片集合，每个图片集合对应一个聚类别类，每个样本图片位于一个或多个图片集合中。示例性的，所述训练模块还用于：通过迁移学习法对所述预训练模型进行训练；其中，所述样本图片训练集用于输入至所述预训练模型中的倒数第二层。为实现上述目的，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上述的基于少量数据的图片分类模型训练方法的步骤。为实现上述目的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上述的基于少量数据的图片分类模型训练方法的步骤。本专利技术实施例提供的基于少量数据的图片分类模型训练方法、系统、计算机设备及计算机可读存储介质，为图片提供了有效的分类方法；通过对少量数据进行模型训练，可实现图像训练速度提高、图像识别速度提高以及图片识别精度提高，还可增多可分辨图像种类较，提高了图片分类效率。附图说明图1为本专利技术实施例基于少量数据的图片分类模型训练方法的流程示意图。图2为图1中步骤S100的具体流程示意图。图3为图1中步骤S102的具体流程示意图。图4为本专利技术基于少量数据的图片分类模型训练系统实施例二的程序模块示意图。图5为本专利技术计算机设备实施例三的硬件结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或本文档来自技高网...

【技术保护点】
1.一种基于少量数据的图片分类模型训练方法，其特征在于，所述方法包括：/n根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；/n获取多个样本图片，根据所述多个样本图片得到样本图片训练集，所述多个样本图片包括多个目标图片类型的图片；及/n通过所述样本图片训练集对预训练模型进行训练，得到图片分类模型。/n

【技术特征摘要】
1.一种基于少量数据的图片分类模型训练方法，其特征在于，所述方法包括：
根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；
获取多个样本图片，根据所述多个样本图片得到样本图片训练集，所述多个样本图片包括多个目标图片类型的图片；及
通过所述样本图片训练集对预训练模型进行训练，得到图片分类模型。


2.如权利要求1所述的基于少量数据的图片分类模型训练方法，其特征在于，所述根据ImageNet模型构建预训练模型的步骤，包括：
将各个预样本图片输入到网络模型中，所述各个预样本图片分别预先关联有对应的分类标签；
通过网络模型输出各个预样本图片对应的分类标签置信度；
基于所述各个预样本图片对应的分类标签置信度和各个预样本图片预先关联的分类标签调整所述网络模型中的各个模型参数，以得到所述ImageNet模型；
基于所述ImageNet模型，并根据逐层分析网络层法配置所述ImageNet模型中各个网络层的层结构，以构建所述预训练模型；
其中，所述预训练模型为九层图像分类网络，所述九层图像分类网络依次包括：输入层、conv1卷积层、conv2卷积层、conv3卷积层、conv4卷积层、conv5卷积层、fc6全链接层、fc7全链接层和输出层。


3.如权利要求2所述的基于少量数据的图片分类模型训练方法，其特征在于，所述根据所述多个样本图片得到样本图片训练集的步骤，包括：
获取N个样本图片，对所述N个样本图片进行取样，得到多个样本图片集合；
从所述多个样本图片集合中选择其中一个样本图片集合；
提取被选择的样本图片集合中的各个样本图片的图像特征，以及根据所述被选择的样本图片集合中的各个样本图片的图像特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个样本图片的图像特征，以得到N个样本图片的图像特征；及
根据所述N个样本图片的图像特征，并基于聚类算法得到样本图片训练集，所述样本图片训练集包括多个图片集合，每个图片集合对应一个聚类别类，每个样本图片位于一个或多个图片集合中。


4.如权利要求1所述的基于少量数据的图片分类模型训练方法，其特征在于，通过所述样本图片训练集对预训练模型进行训练的步骤包括：
通过迁移学习法对所述预训练模型进行训练；其中，所述样本图片训练集用于输入至所述预训练模型中的倒数第二层。


5.一种基于少量数据的图片分类模型训练系统，其特征在于，包括：
构建模块，用于根据ImageNet模型构建预训练模型，所述ImageNet模型为根据预设的预样本图片训练之后的网络模型；
...

【专利技术属性】
技术研发人员：沈吉祥，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44