二维码图片检测模型训练方法、系统及计算机存储介质技术方案

本发明专利技术公开了二维码图片检测模型训练方法、系统及计算机存储介质。其中，该方法包括：获取目标二维码图片集；对所述目标二维码图片集进行类别标注；将标注后的所述二维码图片集划分为训练集、测试集和验证集；在轻量化网络(mobilenetV3)上移除挤压激活(Squeeze

【技术实现步骤摘要】
二维码图片检测模型训练方法、系统及计算机存储介质


[0001]本专利技术涉及计算机视觉
，具体而言，涉及二维码图片检测模型训练方法、系统及计算机存储介质。

技术介绍

[0002]随着大数据时代的到来以及GPU等各种更加强大的计算设备的发展，深度学习如虎添翼，可以充分利用各种海量数据(标注数据、弱标注数据或者仅仅数据本身)，完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。短短几年时间里，深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，渐渐形成了一种从训练数据出发，经过一个端到端(end
‑
to
‑
end)的模型，然后直接输出得到最终结果的一种新模式。这不仅让一切变得更加简单，而且由于深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，因而可以大大提高任务的准确度。
[0003]此外，在当下这个移动终端逐渐代替PC终端,而智能化要求又不断提高的大环境下,简单的"语义级"的图片分类已经不足以满足用户的需求，因而更加细化的细粒度图像分类以及用于减少运行成本的网络压缩技术就成为了该领域中的重要研究方向。分类神经网络的轻量化问题已经到了迫在眉睫的地步，如何让计算机可以帮助我们识别经过修改的图片和视频成为了所有计算机视觉领域研究者们需要共同面对的问题。
[0004]现在网络平台上出现很多的二维码图片，为了防止二维码图片进入社交网络，虚假宣传推销，仅通过简单的“语义级”的图片分类检测模型进行二维码图片检测其准确率较低、模型计算复杂度较大、预测推理速度慢。
[0005]针对现有技术中仅通过简单的“语义级”的图片分类检测模型进行二维码图片检测其准确率较低、模型计算复杂度较大、预测推理速度慢的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本专利技术实施例中提供二维码图片检测模型训练方法、系统及计算机存储介质，以解决现有技术中仅通过简单的“语义级”的图片分类检测模型进行二维码图片检测其准确率较低、模型计算复杂度较大、预测推理速度慢的问题。
[0007]为达到上述目的，一方面，本专利技术提供了二维码图片检测模型训练方法，该方法包括：步骤S101，获取目标二维码图片集；对所述目标二维码图片集进行类别标注；步骤S102，将标注后的所述二维码图片集划分为训练集、测试集和验证集；步骤S103，在轻量化网络(mobilenetV3)上移除挤压激活(Squeeze
‑
and
‑
Excitation)模块，得到更新后的mobilenetV3网络；步骤S104，将所述训练集输入到所述更新后的mobilenetV3网络中进行训练，并顺次通过所述验证集进行验证、所述测试集进行测试得到二维码图片检测模型；步骤S105，将所述二维码图片检测模型部署到硬件平台或硬件设备上。
[0008]可选的，所述步骤S105包括：将所述二维码图片检测模型进行PACT量化，得到量化
后的二维码图片检测模型；将所述量化后的二维码图片检测模型部署到硬件平台或硬件设备上。
[0009]可选的，所述将所述训练集输入到所述更新后的mobilenetV3网络中进行训练包括：将所述训练集输入到所述更新后的mobilenetV3网络中并根据网络中的余弦退火学习率进行多轮训练；其中，所述余弦退火是通过余弦函数降低预设的初始学习率；所述余弦退火学习率的计算公式为：
[0010][0011]其中，initial
lr
为预设的初始学习率即预设的最大学习率，eta
min
为预设的最小学习率，cur
epoch
为当前所述训练集训练到多少轮，T
max
为所述训练集训练的总轮数，new
lr
为新得到的学习率即当前所述训练集训练到多少轮对应的学习率。
[0012]可选的，在所述根据网络中的余弦退火学习率进行多轮训练之前包括：通过预热学习率对所述训练集进行多轮训练；其中，所述预热学习率是将小学习率线性增加到所述预设的初始学习率。
[0013]可选的，在所述步骤S102之后包括：对划分后的所述训练集进行数据增强；所述数据增强包括：随机水平翻转增强、自动搜索(AutoAugment)数据增强和随机擦除(REDA)数据增强。
[0014]另一方面，本专利技术提供了二维码图片检测模型训练系统，该系统包括：获取单元，用于获取目标二维码图片集；对所述目标二维码图片集进行类别标注；划分单元，用于将标注后的所述二维码图片集划分为训练集、测试集和验证集；移除单元，用于在轻量化网络(mobilenetV3)上移除挤压激活(Squeeze
‑
and
‑
Excitation)模块，得到更新后的mobilenetV3网络；训练单元，用于将所述训练集输入到所述更新后的mobilenetV3网络中进行训练，并顺次通过所述验证集进行验证、所述测试集进行测试得到二维码图片检测模型；部署单元，用于将所述二维码图片检测模型部署到硬件平台或硬件设备上。
[0015]可选的，所述部署单元包括：量化子单元，用于将所述二维码图片检测模型进行PACT量化，得到量化后的二维码图片检测模型；部署子单元，用于将所述量化后的二维码图片检测模型部署到硬件平台或硬件设备上。
[0016]可选的，所述训练单元包括：将所述训练集输入到所述更新后的mobilenetV3网络中并根据网络中的余弦退火学习率进行多轮训练；其中，所述余弦退火是通过余弦函数降低预设的初始学习率；所述余弦退火学习率的计算公式为：
[0017][0018]其中，initial
lr
为预设的初始学习率即预设的最大学习率，eta
min
为预设的最小学习率，cur
epoch
为当前所述训练集训练到多少轮，T
max
为所述训练集训练的总轮数，new
lr
为新得到的学习率即当前所述训练集训练到多少轮对应的学习率。
[0019]可选的，在所述根据网络中的余弦退火学习率进行多轮训练之前包括：通过预热学习率对所述训练集进行多轮训练；其中，所述预热学习率是将小学习率线性增加到所述
预设的初始学习率。
[0020]另一方面，本专利技术提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的二维码图片检测模型训练方法。
[0021]本专利技术的有益效果：
[0022]本专利技术提供了二维码图片检测模型训练方法、系统及计算机存储介质，其中，该方法对轻量化网络(mobilenetV3)进行改进，在轻量化网络(mobilenetV3)上移除挤压激活(Squeeze
‑
and
‑
Excitation)模块，得到更新后的mobilenetV3网络；将所述训练集输入到所述更新后的mobilenetV3网络中进行训练得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.二维码图片检测模型训练方法，其特征在于，包括：步骤S101，获取目标二维码图片集；对所述目标二维码图片集进行类别标注；步骤S102，将标注后的所述二维码图片集划分为训练集、测试集和验证集；步骤S103，在轻量化网络(mobilenetV3)上移除挤压激活(Squeeze
‑
and
‑
Excitation)模块，得到更新后的mobilenetV3网络；步骤S104，将所述训练集输入到所述更新后的mobilenetV3网络中进行训练，并顺次通过所述验证集进行验证、所述测试集进行测试得到二维码图片检测模型；步骤S105，将所述二维码图片检测模型部署到硬件平台或硬件设备上。2.根据权利要求1所述的方法，其特征在于，所述步骤S105包括：将所述二维码图片检测模型进行PACT量化，得到量化后的二维码图片检测模型；将所述量化后的二维码图片检测模型部署到硬件平台或硬件设备上。3.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入到所述更新后的mobilenetV3网络中进行训练包括：将所述训练集输入到所述更新后的mobilenetV3网络中并根据网络中的余弦退火学习率进行多轮训练；其中，所述余弦退火是通过余弦函数降低预设的初始学习率；所述余弦退火学习率的计算公式为：其中，initial
lr
为预设的初始学习率即预设的最大学习率，eta
min
为预设的最小学习率，cur
epoch
为当前所述训练集训练到多少轮，T
max
为所述训练集训练的总轮数，new
lr
为新得到的学习率即当前所述训练集训练到多少轮对应的学习率。4.根据权利要求3所述的方法，其特征在于，在所述根据网络中的余弦退火学习率进行多轮训练之前包括：通过预热学习率对所述训练集进行多轮训练；其中，所述预热学习率是将小学习率线性增加到所述预设的初始学习率。5.根据权利要求1所述的方法，其特征在于，在所述步骤S102之后包括：对划分后的所述训练集进行数据增强；所述数据增强包括：随机水平翻转增强、自动搜索(AutoAugment)数据...

【专利技术属性】
技术研发人员：周昌世，
申请(专利权)人：成都人人互娱科技有限公司，
类型：发明
国别省市：