轻量级检测模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种轻量级检测模型的训练方法、装置、电子设备及存储介质，涉及人工智能、深度学习以及图像识别领域，具体应用于眼底影像筛查方面。具体方案为：当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到待训练模型输出的检测结果；根据待训练模型输出的检测结果以及当前样本图像的真实结果，计算当前样本图像对应的辅助损失函数值；根据该辅助损失函数值和预先确定的非辅助损失函数值，对待训练模型进行训练，重复执行上述操作，直到待训练模型满足收敛条件为止。本申请实施例可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度，从而能够有效地提高轻量级检测模型的性能。

【技术实现步骤摘要】
轻量级检测模型的训练方法、装置、电子设备及存储介质
本申请涉及计算机
，进一步涉及人工智能、深度学习以及图像识别领域，尤其是一种轻量级检测模型的训练方法、装置、电子设备及存储介质。
技术介绍
智能眼底筛查系统是指在无专业眼科医师经验依赖的情况下，根据受检者的眼底照片信息自主做出符合专业医生诊断标准的自主诊断系统。由于具有相关专业技能的眼科医师与待筛查大众人口的比例悬殊，所以智能眼底筛查诊断系统在国家防盲治盲的道路上具有广大的市场前景和深远的应用意义。通常来说，将深度学习模型应用于眼底智能诊断系统的方式可归结为以下两类：一种是基于黑盒的深度学习分类模型直接进行决策输出；这种方法以直接根据受检者的眼底照片做出有疾病或者无疾病或者得出疾病等级的决策判断为主。第二种则是白盒模型，根据受检者的眼底照片检测其是否有可疑病灶或体征，进一步得出是否患有相关疾病的诊断决策，在诊断逻辑上更符合专业医师的诊断流程。具体而言，在第二种场景的白盒模型研发过程中，往往会遇到以下几种问题：第一、由于本地终端的算力、内存和存储资源的共同约束下，模型的参数量受到了极大程度的限制；第二、由于智能医疗诊断系统是一个面向社区筛查、面向体检中心应用的系统，所以检测模块在耗时上也同样具有很强的约束；第三、由于眼底疾病的早期筛查往往依赖于微小目标的检测，所以如何在资源受限以及速度要求高的情况下尽量提高细小目标的检出精度，具有十分重要的意义。现有的技术方案均为在算力资源和精度上的博弈权衡，主要问题在于：第一、目标检测性能极大程度依赖于检测模型的复杂程度；第二、在终端硬件算力资源允许的情况下，图像输入尺寸较大也会导致小目标检测性能的提升，但仍不能直接解决问题；第三、模型内多阶段特征图融合是一种相对较为缓和的技术解决方案，但网络内的特征融合同样会带来计算资源的消耗。
技术实现思路
本申请提供了一种轻量级检测模型的训练方法、装置、设备以及存储介质，可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度，从而能够有效地提高轻量级检测模型的性能。第一方面，本申请提供了一种轻量级检测模型的训练方法，所述方法包括：当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到所述待训练模型输出的检测结果；根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算所述当前样本图像对应的辅助损失函数值；根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值，对所述待训练模型进行训练，将下一个样本图像作为所述当前样本图像，重复执行上述操作，直到待训练模型满足所述收敛条件为止。第二方面，本申请提供了一种轻量级检测模型的训练装置，所述装置包括：输入模块、计算模块和训练模块；其中，所述输入模块，用于当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到所述待训练模型输出的检测结果；所述计算模块，用于根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算所述当前样本图像对应的辅助损失函数值；所述训练模块，用于根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值，对所述待训练模型进行训练，将下一个样本图像作为所述当前样本图像，重复执行上述操作，直到待训练模型满足所述收敛条件为止。第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的轻量级检测模型的训练方法。第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的轻量级检测模型的训练方法。根据本申请的技术解决了现有技术中目标检测性能极大程度依赖于检测模型的复杂程度，无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度的技术问题，本申请提供的技术方案，可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度，从而能够有效地提高轻量级检测模型的性能。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例一提供的轻量级检测模型的训练方法的流程示意图；图2是本申请实施例二提供的轻量级检测模型的训练方法的流程示意图；图3是本申请实施例三提供的轻量级检测模型的训练方法的流程示意图；图4是本申请实施例三提供的目标检测框和真实检测框以及最小闭包区域的结构示意图；图5是本申请实施例四提供的轻量级检测模型的训练装置的结构示意图；图6是用来实现本申请实施例的轻量级检测模型的训练方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。实施例一图1是本申请实施例一提供的轻量级检测模型的训练方法的流程示意图，该方法可以由轻量级检测模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，轻量级检测模型的训练方法可以包括以下步骤：S101、当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到待训练模型输出的检测结果。在本申请的具体实施例中，当待训练模型不满足收敛条件时，电子设备可以将当前样本图像输入至待训练模型中，得到待训练模型输出的检测结果。S102、根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果，计算当前样本图像对应的辅助损失函数值。在本申请的具体实施例中，电子设备可以根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果，计算当前样本图像对应的辅助损失函数值。具体地，电子设备可以先根据待训练模型输出的检测结果以及预先确定的真实结果，计算各个检测对象对应的尺度缩放因子和损失函数项；然后根据各个检测对象对应的尺度缩放因子和损失函数项，可以准确地计算出当前样本图像对应的辅助损失函数值，从而可以增强轻量级检测模型针对细小目标的检测精度。S103、根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值，对待训练模型进行训练，将下一个样本图像作为当前样本图像，重复执行上述操作，直到待训练模型满足收敛条件为止。在本申请的本文档来自技高网...

【技术保护点】
1.一种轻量级检测模型的训练方法，其特征在于，所述方法包括：/n当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到所述待训练模型输出的检测结果；/n根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算所述当前样本图像对应的辅助损失函数值；/n根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值，对所述待训练模型进行训练，将下一个样本图像作为所述当前样本图像，重复执行上述操作，直到待训练模型满足所述收敛条件为止。/n

【技术特征摘要】
1.一种轻量级检测模型的训练方法，其特征在于，所述方法包括：
当待训练模型不满足收敛条件时，将当前样本图像输入至待训练模型中，得到所述待训练模型输出的检测结果；
根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算所述当前样本图像对应的辅助损失函数值；
根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值，对所述待训练模型进行训练，将下一个样本图像作为所述当前样本图像，重复执行上述操作，直到待训练模型满足所述收敛条件为止。


2.根据权利要求1所述的方法，其特征在于，所述根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算所述当前样本图像对应的辅助损失函数值，包括：
根据所述待训练模型输出的检测结果以及预先确定的真实结果，计算各个检测对象对应的尺度缩放因子和损失函数项；
根据各个检测对象对应的尺度缩放因子和损失函数项，计算所述当前样本图像对应的辅助损失函数值。


3.根据权利要求2所述的方法，其特征在于，所述根据所述待训练模型输出的检测结果以及预先确定的真实结果，计算各个检测对象对应的尺度缩放因子，包括：
在所述检测结果中提取出各个检测对象的目标检测框的高度和宽度，并在所述真实结果中提取出各个检测对象的真实检测框的高度和宽度；
根据各个目标检测框的高度和宽度计算各个目标检测框的面积，并根据各个真实检测框的高度和宽度计算各个真实检测框的面积；
根据各个目标检测框的面积和与其对应的真实检测框的面积，计算各个检测对象对应的尺度缩放因子。


4.根据权利要求3所述的方法，其特征在于，所述根据各个目标检测框的面积和各个真实检测框的面积，计算各个检测对象对应的尺度缩放因子，包括：
在全部的检测对象中提取出一个检测对象作为当前检测对象，按照以下公式计算所述当前检测对象对应的尺度缩放因子：其中，A表示所述当前检测对象的目标检测框；|A|表示所述目标检测框的面积；B表示当前检测对象的真实检测框；|B|表示所述真实检测框的面积；重复执行上述操作，直到计算出各个检测对象对应的尺度缩放因子。


5.根据权利要求2所述的方法，其特征在于，所述根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果，计算各个检测对象对应的损失函数项，包括：
在所述检测结果中提取出各个检测对象的目标检测框的高度、宽度以及中心点的位置，并在所述真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置；
根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置，确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置；
根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置，计算各个检测对象对应的损失函数项。


6.根据权利要求5所述的方法，其特征在于，所述根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置，计算各个检测对象对应的损失函数项，包括：
在全部的检测对象中提取出一个检测对象作为当前检测对象，按照以下公式计算所述当前检测对象对应的损失函数项：其中，A表示所述当前检测对象对应的目标检测框；B表示所述当前检测对象的真实检测框；C表示所述目标检测框和所述真实检测框的最小闭包区域；|A∩B|表示所述目标检测框与所述真实检测框的交集的面积；|A∪B|表示所述目标检测框与所述真实检测框的并集的面积；|C\(A∪B)|在所述目标检测框和所述真实检测框的最小闭包区域中除去所述目标检测框与所述真实检测框的并集的面积；|C|表示所述目标检测框和所述真实检测框的最小闭包区域的面积；重复执行上述操作，直到计算出各个检测对象对应的损失函数项。

【专利技术属性】
技术研发人员：武秉泓，杨叶辉，杨大陆，王磊，许言午，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11