一种图片的标注方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及图片处理技术领域，提供一种图片的标注方法、装置、电子设备及存储介质，所述方法包括步骤：根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集；将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。本发明专利技术能够降低人工成本、提高对图片的标注效率。

【技术实现步骤摘要】
一种图片的标注方法、装置、电子设备及存储介质
本专利技术涉及图片处理
，尤其涉及一种图片的标注方法、装置、电子设备及存储介质。
技术介绍
在现有技术中，图像识别技术在对图像中的信息进行识别或者基于多个图片进行模型训练之前，往往要对待识别的信息进行标注处理，且需要大量的人力进行标注，由于通过人力进行标注存在较大的主观性，通常会对结果造成较大的偏差，进而导致标注质量难以保证，对人力记性前期的培训也需要大量的资源。可见，现有技术中，对图片进行标注存在人工标注成本高、效率低的问题。
技术实现思路
本专利技术实施例提供一种图片的标注方法、装置、电子设备及存储介质，能够降低人工成本、提高对图片的标注效率。第一方面，本专利技术实施例提供一种图片的标注方法，包括以下步骤：根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集；将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。第二方面，本专利技术实施例还提供一种图片的标注装置，包括：训练模块，用于将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；创建模块，用于若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。第三方面，本专利技术实施例还提供一种电子设备，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，所述处理器执行所述计算机程序时实现上述实施例提供的图片的标注方法中的步骤。第四方面，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的图片的标注方法中的步骤。本专利技术实施例中，根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集；将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。本专利技术实施例由于通过分类算法将对图片进行分类标注得到不同类型的图片数据集，并对与图片数据集的类型相同的模型进行训练，将训练出来的模型对应的模型阈值与预设的阈值进行比较，并通过新建任务接口，选取新的图片数据集对未达标的模型进行重新训练，这样，通过不断的优化模型，能够提高模型对图片的标注效率，同时降低人工使用成本。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种图片的标注方法的流程图；图2是本专利技术实施例提供的另一种图片的标注方法的流程图；图3是本专利技术实施例提供的另一种图片的标注方法的流程图；图4是本专利技术实施例提供的另一种图片的标注方法的流程图；图5是本专利技术实施例提供的一种图片的标注装置的结构示意图；图6是本专利技术实施例提供的另一种图片的标注装置的结构示意图；图7是本专利技术实施例提供的另一种图片的标注装置的结构示意图；图8是本专利技术实施例提供的另一种图片的标注装置的结构示意图；图9是本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作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。本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。如图1所示，图1是本专利技术实施例提供的一种图片的标注方法的流程图，上述图片的标注方法包括以下步骤：S101、根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集。在本实施例中，图片的标注方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式获取图片等。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(WorldwideInteroperabilityforMicrowaveAccess)连接、Zigbee(低功耗局域网协议，又称紫峰协议)连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。需要说明的是，上述电子设备可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。其中，获取到的图片可以是预先存储在图片数据库中的图片，可以是通过网络主动获取线上的图片，也可以是通过人工输入的图片等。获取到的图片可以是未标注的图片。上述分类算法模型可以用于对单张图片进行多级标签分类标注，例如:图片显示为香蕉，则进行分类标注时，该图片的一级标签为水果，二级标签为香蕉。还可以是对多张图片进行单个标签分类标注，例如：多张图片上分别显示为香蕉、苹果、石榴、橘子，则对应的单个标签为香蕉、苹果、石榴、橘子。上述的标注可以是通过指定的标注人员进行标注，也可以是通过标注系统的主动学习(Activelearning)算法进行标注，其主动学习算法为第三方已经封装好的算法。上述的获取到的图片可以包括多张差异较小，导致人工或者主动学习的标注系统难以分辨的图片，对这类图片可以进行多次标注。还可以包括多张差异大容易识别的图片，且对于差异大、容易识别的图片，标注系统经过主动学习后会自动进行标注。上述的图片数据集中可以包括多个已完成分类标注的图片，即包括不同的类型的图片，例如:水果的做为一个类型进行存储，蔬菜的做为一个类型存储，生活用品的做为一个类型存储。S102、将图片数据集对与本文档来自技高网...

【技术保护点】
1.一种图片的标注方法，其特征在于，包括以下步骤：/n根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集；/n将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；/n若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。/n

【技术特征摘要】
1.一种图片的标注方法，其特征在于，包括以下步骤：
根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集；
将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值；
若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练，直至所述模型的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。


2.如权利要求1所述的图片的标注方法，其特征在于，所述将所述图片数据集对与所述图片数据集相同类型的模型进行训练，得到所述模型的模型阈值的步骤具体包括：
选择新建或选取已创建的与所述图片数据集对应的数据通道；
将所述数据通道中的图片数据集、预先配置的模型及函数添加到与所述数据通道对应的训练框中进行训练，计算出所述数据通道中的图片数据集对应的模型的模型阈值。


3.如权利要求1所述的图片的标注方法，其特征在于，所述若所述模型的模型阈值未达到预先设置的阈值，则创建与所述模型对应的任务接口选取新的图片数据集进行重新训练的步骤具体包括:
判断所述图片数据集对应的模型的模型阈值是否达到预先设置的阈值；
若未达到，则触发数字光处理创建与所述模型对应的任务接口，选取所述新的图片数据集对未达到所述预先设置的阈值的模型创建新的标注任务；
将所述新的标注任务分类标注，直至所述新的标注任务中与未达到所述预先设置的阈值的模型对应的模型阈值达到所述预先设置的阈值时，停止对达到所述预先设置的阈值的模型训练。


4.如权利要求3所述的图片的标注方法，其特征在于，所述判断所述图片数据集对应的模型的模型阈值是否达到预先设置的阈值的步骤具体包括：
判断多个所述图片数据集对应的模型的模型阈值是否达到所述预先设置的阈值；
若检测到多个模型阈值中只有部分达到所述预先设置的阈值，则暂停对达到所述预先设置的阈值的模型继续标注，并将未达到所述预先设置的阈值的模型阈值对应的模型基于所述新的标注任务进行重新训练。


5.如权利要求1所述的图片的标注方法，其特征在于，所述根据分类算法模型对获取到的图片进行分类标注，得到不同类型的图片数据集的步骤包括：<...

【专利技术属性】
技术研发人员：李楠楠，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东;44