检测模型训练方法、智能点数方法和相关设备技术

本申请涉及人工智能技术，提供一种检测模型训练方法。该检测模型训练方法包括：获取每个图像包括至少一个目标物体以及所述目标物体的标注框的训练样本数据；将所述训练样本数据输入至预设的检测模型，输出包括所述图像中的至少一个预测框的预测结果数据；根据预设的匹配规则将所述预测框与所述标注框进行匹配，得到包括所述预测框以及与所述预测框匹配的所述标注框的匹配结果数据；使用预设的损失函数计算所述预测框与匹配的所述标注框之间的误差，再根据所述误差对所述检测模型的参数进行训练，直至根据所述损失函数计算的所述误差小于或等于预设误差阈值，得到训练完成的目标检测模型。检测模型。检测模型。

【技术实现步骤摘要】
检测模型训练方法、智能点数方法和相关设备


[0001]本申请涉及人工智能领域，尤其涉及检测模型训练方法、智能点数方法和相关设备。

技术介绍

[0002]在各行各业中都存在需要进行点数的业务场景，例如金融科技服务平台为传统的养殖业提供农业保险，进而需要对被养殖的动物进行点数，但被养殖的动物存在行动的不确定性，所以点数过程中容易产生漏计数、重复计数等错误结果。
[0003]现有技术的解决方法是为每一被养殖的动物绑定无线电设备用于辅助定位和点数，或在被养殖的动物的活动场所安装一定数量的俯视摄像头再配合深度学习算法实时跟踪被养殖的动物的运动轨迹后用于点数。但现有技术的点数方法使得用户的投入成本和维护成本变得极高。

技术实现思路

[0004]本申请实施例提供一种检测模型训练方法、智能点数方法和相关设备，以解决现有辅助点数技术用户实施成本高的问题。
[0005]本申请的第一方面，提供一种检测模型训练方法，包括：获取训练样本数据，所述训练样本数据中每个图像包括至少一个目标物体以及所述目标物体的标注框；将所述训练样本数据输入至预设的检测模型，输出预测结果数据，所述预测结果数据包括所述图像中的至少一个预测框；根据预设的匹配规则将所述预测框与所述标注框进行匹配，得到匹配结果，所述匹配结果包括所述预测框以及与所述预测框匹配的所述标注框；使用预设的损失函数计算所述预测框与匹配的所述标注框之间的误差，根据所述误差对所述检测模型的参数进行训练，直至根据所述损失函数计算的所述误差小于或等于预设误差阈值，得到训练完成的所述检测模型。
[0006]本申请的第二方面，提供一种智能点数方法，应用于人工智能端，包括：所述人工智能端接收服务端发送的目标物体的第一图像列表；将所述第一图像列表输入至预先训练的检测模型，输出所述第一图像列表的目标物体检测结果，所述目标物体检测结果包括所述目标物体的预测框数据；利用预设目标追踪算法，根据所述预测框数据获取所述目标物体的追踪数据；利用预设轨迹计算算法，根据所述追踪数据获取所述目标物体的点数结果；其中，所述检测模型是根据上述检测模型训练方法训练得到的。
[0007]本申请的第三方面，提供一种智能点数方法，应用于客户端，包括：所述客户端对获取的目标物体的第一目标视频流进行抽帧，得到所述目标物体的实时图像；
将所述实时图像输入至预设客户端目标检测模型，输出包含所述目标物体的预测框的第二目标视频流数据和经过压缩的第三目标视频流数据；展示所述第二目标视频流数据，并发送所述第三目标视频流数据至服务端。
[0008]本申请的第四方面，提供一种智能点数方法，应用于服务端，包括：所述服务端接收客户端发送的包含目标物体的被压缩视频流数据;上传所述被压缩视频流数据至预设流媒体服务器，并从所述流媒体服务器下载被处理过的所述被压缩视频流数据作为待抽帧视频数据；对所述待抽帧视频数据进行抽帧处理，并将抽取的帧数据转换为包含所述目标物体的图像列表；发送所述图像列表至人工智能端。
[0009]本申请的第五方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中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所述第三方面的方法。
[0010]本申请的第六方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中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第一方面，和/或第二方面，和/或第四方面的方法。
[0011]本申请的第七方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面，和/或第二方面，和/或第三方面，和/或第四方面的方法的步骤。
[0012]上述检测模型训练方法、智能点数方法和相关设备，在所述检测模型训练时，不仅提升了对检测模型的训练效率，而且通过匹配规则提升了对目标物体的检测准确率。在所述智能点数方法运行时，不仅提升了点数方法的运行效率，而且利用目标追踪算法和轨迹计算算法提高了对目标物体进行点数的准确率。
附图说明
[0013]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0014]图1是本申请检测模型训练方法一实施例的应用环境示意图。
[0015]图2是本申请智能点数方法一实施例的应用环境示意图。
[0016]图3是本申请检测模型训练方法一实施例的流程图。
[0017]图4是本申请智能点数方法第一实施例的流程图。
[0018]图5是本申请智能点数方法第二实施例的流程图。
[0019]图6是本申请智能点数方法第三实施例的流程图。
[0020]图7是本申请计算机设备一实施例的结构示意图。
[0021]图8是本申请另一计算机设备一实施例的结构示意图。
[0022]图9是本申请中目标物体发生重叠遮挡的示意图。
[0023]图10是本申请中目标物体的运动轨迹示意图。
具体实施方式
[0024]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0025]本申请提供的检测模型训练方法，可应用在如图1的应用环境中，其中，计算机设备可以但不限于各种个人计算机、笔记本电脑，计算机设备还可以是服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。可以理解的是图1中的计算机设备的数量仅仅是示意性的，可以根据实际需求进行任意数量的扩展。
[0026]在一实施例中，如图3所示，提供一种检测模型训练方法，以该方法应用在图1中的计算机设备为例进行说明，具体包括如下步骤S101至S104：S101、获取训练样本数据，所述训练样本数据中每个图像包括至少一个目标物体以及所述目标物体的标注框。
[0027]其中，所述训练样本数据在用于所述检测模型训练之前经过初步的数据处理。例如，去除所述训练样本数据中不包含目标物体的图像，以及将所述训练样本数据中每个图像包括的所述目标物体在所述每个图像上进行标注，得到包含所述标注框的所述训练样本数据。所述数据处理过程不仅去除了所述训练样本数据中的无价值数据，而且进一步降低了后续所述检测模型的训练过程的数据处理量，进而提高了所述检测模型的训练效率。
[0028]S102、将所述训练样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型训练方法，其特征在于，包括：获取训练样本数据，所述训练样本数据中每个图像包括至少一个目标物体以及所述目标物体的标注框；将所述训练样本数据输入至预设的检测模型，输出预测结果数据，所述预测结果数据包括所述图像中的至少一个预测框；根据预设的匹配规则将所述预测框与所述标注框进行匹配，得到匹配结果，所述匹配结果包括所述预测框以及与所述预测框匹配的所述标注框；使用预设的损失函数计算所述预测框与匹配的所述标注框之间的误差，根据所述误差对所述检测模型的参数进行训练，直至根据所述损失函数计算的所述误差小于或等于预设误差阈值，得到训练完成的所述检测模型。2.根据权利要求1所述的检测模型训练方法，其特征在于，所述匹配规则包括如下公式：其中，表示第个预测框，表示第个标注框，表示获取第个预测框与第个标注框的重叠度，表示预设第一重叠度阈值，表示将个标注框与第个预测框的重叠度值按照从大到小排序后选取排序位于前位且重叠度值大于的预测框作为第个预测框的匹配结果，为标注框的数量。3.根据权利要求1所述的检测模型训练方法，其特征在于，所述预设的损失函数包含预测框损失，所述预测框损失的计算公式如下：其中，表示第个预测框中第个物体的坐标信息，表示目标物体的实际坐标信息。4.根据权利要求1所述的检测模型训练方法，其特征在于，所述检测模型输出的预测结果数据还包括所述预测框的结构数据，所述结构数据的表达式如下：其中，和表示预测所述目标物体的预测框的中心点坐标，和分别表示预测所述目标物体的预测框的宽和高，表示预测所述目标物体的预测框的置信度，表示所述预测所述目标物体的预测框的标识。5.一种智能点数方法，应用于人工智能端，其特征在于，包括：所述人工智能端接收服务端发送的目标物体的第一图像列表；将所述第一图像列表输入至预先训练的检测模型，输出所述第一图像列表的目标物体检测结果，所述目标物体检测结果包括所述目标物体的预测框数据；
利用预设目标追踪算法，根据所述预测框数据获取所述目标物体的追踪数据；利用预设轨迹计算算法，根据所述追踪数据获取所述目标物体的点数结果；其中，所述检测模型是根据权利要求1至4任一项所述的检测模型训练方法训练获取的。6.根据权利要求5所述的智能点数方法，其特征在于，所述输出所述第一图像列表的目标物体检测结果之后还包括：将所述目标物体检测结果中的预测框按照所述值从大到小生成第一顺序队列，并去除所述第一顺序队列中所述值小于预设阈值的所述预测框；将所述第一顺序队列中第一个所述预测框作为基准框；分别判断所述第一顺序队列中第二个至最后一个所述预测框的是否与所述基准框的相同；若不同，则判断所述预测框与所述基准框的重叠度是否大于预设第二重叠度阈值；若否，则将所述预测框从所述第一顺序队列中移除；其中，表示预测所述目标物体的预测框的置信度，表示所述预测所述目标物体的预测框的标识。7.根据权利要求5所述的智能点数方法，其特征在于，所述发送所述追踪数据至预设轨迹计算算法，得到所述目标物体的点数结果包括：从所述追踪数据中获取所述目标物体的跟踪轨迹列表，所述跟踪轨迹列表中的跟踪轨迹包括多个目标物体图像帧，每个所述目标...

【专利技术属性】
技术研发人员：陶恺，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：