【技术实现步骤摘要】
本专利技术涉及边缘ai领域，具体为一种可灵活配置的增量学习方法和装置。
技术介绍
1、增量学习是指一个学习系统能不断地重新样本中学习新的知识，并能保存大部分以前已经学习到的知识，增量学习非常类似于人类自身的学习模式，因为人在成长过程中，每天学习和接收新的事物，学习是逐步进行的，而且，对已经学习到的知识，人类一般是不会遗忘的。
2、在近几年中，随着物联网和边缘计算的快速发展，越来越多的智能设备被部署在各种应用场景中，比如工业质检、工地安全帽检测、园区行人跟踪、智能城市等，这些边缘设备通过采集和处理数据，实现实时的决策和智能化的应用，然而，由于边缘设备的资源受限，传统的机器学习方法在边缘设备上的应用存在一些挑战。
3、传统的目标检测任务中，都是预先定义好要检测的物体类别并收集好相应数据后，对模型进行训练的，利用预先定义好的数据集训练好模型，并且部署到摄像头、卫星、无人机等终端上。
4、在边缘ai领域，传统的机器学习方法通常是在云侧进行离线训练，然后再把训练好的模型下发到边侧推理设备进行使用，但是，这种传统的方法却存在一些限制，比如由于边缘设备所在的环境和数据会不断变化，静态的ai模型无法有效地适应新的情况。
5、为了解决上述问题，传统的方法就是人工不定期地采集当前环境的新样本，然后在云上训练新的模型，评估出满足当前环境的模型，最后下发到边侧的推理设备，更新模型，但这种方式会占用巨大的人工成本，而且边缘设备的模型的更新周期也会非常长。
6、本专利相比较申请号“cn202110
技术实现思路
1、本专利技术提出一种可灵活配置的增量学习方法和装置，实现了能够自动触发模型训练、模型评估和部署边缘设备的模型，能够让用户按需实时自定义配置来更新触发模型训练的规则、触发模型评估的规则、触发模型更新的规则和触发难例上传的规则等，降低人工成本，提升边缘设备的推理效果，具有良好的实用性，可以为社会和企业创造可观的价值，配置管理单元，可灵活自定义增量学习流程中所需的一些触发规则配置模板，且可以实时创建、更新、获取和删除配置信息，同时，配置加载插件与增量学习训练单元、评估单元和推理单元之间的交互机制，通过调用获取配置api，来实时更新触发器。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种可灵活配置的增量学习装置，包括：
3、配置管理单元：自定义所需配置模板，对配置信息进行对应设定；
4、训练单元：根据触发的指令进行模型训练的对应使用；
5、评估单元：根据触发的指令进行模型评估的对应使用；
6、推理单元；根据触发的指令进行模型推理的对应使用：
7、存储单元：用以使用过程中的数据存储；
8、所述训练单元包括训练配置加载插件模块、模型训练触发模块和模型训练模块，所述模型训练触发模块、模型训练模块和训练配置加载插件模块之间均双向信号连接，所述评估单元包括评估配置加载插件模块、模型评估触发模块和模型评估模块，所述模型评估触发模块、模型评估模块和评估配置加载插件模块之间均双向信号连接，所述推理单元包括推理配置加载插件模块、难例上报触发模块、模型更新触发模块和模型推理模块，所述难例上报触发模块、模型更新触发模块、模型推理模块和推理配置加载插件模块之间双向信号连接；
9、所述配置管理单元的输出端信号连接于训练单元中训练配置加载插件模块的输入端，所述配置管理单元的输出端信号连接于评估单元中评估配置加载插件模块的输入端，所述配置管理单元的输出端信号连接于推理单元中推理配置加载插件模块的输入端。
10、进一步的，所述配置管理单元包括数据传输模块、配置信息管理模块和数据库模块，所述配置信息管理模块、数据库模块和数据传输模块之间均双向信号连接。
11、进一步的，所述存储单元包括模型集模块、训练样本集模块和数据交互模块，所述模型集模块、训练样本集模块和数据交互模块之间均双向信号连接。
12、进一步的，所述存储单元的输出端与训练单元中训练配置加载插件模块的输入端双向信号连接，所述存储单元的输出端与评估单元中评估配置加载插件模块的输入端双向信号连接，所述存储单元的输出端与推理单元中推理配置加载插件模块的输入端双向信号连接
13、一种可灵活配置的增量学习方法，包括以下步骤：
14、步骤一、自定义规则：定义所需的配置模板规则；
15、步骤二、创建规则：启动系统，根据自身需要创建所需的配置模板规则；
16、步骤三、使用：启动训练、评估和推理模块，进行学习使用；
17、步骤四、数据处理：云侧采集到难例，打标，更新训练样本集，并将数据结构保存。
18、进一步的，在步骤一中，所述配置模板包括模型训练触发规则、模型部署触发规则、模型更新触发规则和难例上报触发规则，所述配置模板支持配置信息的新增、查询、更新和删除。
19、进一步的，所述步骤一中，暴露配置管理相关api，包含创建配置、查询配置、更新配置和删除配置等。
20、进一步的，所述步骤三中，训练触发器定时监控训练样本集，若满足模型训练触发规则，则触发模型训练，拿取新的样本来做模型训练，训练结果保存到模型集。
21、进一步的，所述步骤三中，模型评估触发器定时监控模型集，若检测到新模型，则触发模型评估，评估结果保存到模型集。
22、进一步的，所述步骤三中，模型更新触发器定时监控模型集，若新模型的评估结果满足模型更新触发规则，则启动模型更新，更新推理模型。
23、本专利技术提供了一种可灵活配置的增量学习方法和装置。具备以下有益效果：
24、(1)该可灵活配置的增量学习方法和装置，实现了能够自动触发模型训练、模型评估和部署边缘设备的模型。
25、(2)该可灵活配置的增量学习方法和装置，能够让用户按需实时自定义配置来更新触发模型训练的规则、触发模型评估的规则、触发模型更新的规则和触发难例上传的规则等。
26、(3)该可灵活配置的增量学习方法和装置，降低人工成本，提升边缘设备的推理效果，具有良好的实用性，可以为社会和企业创造可观的价值。
27、(4)该可灵活配置的增量学习方法和装置，配置管理单元，可灵活自定义增量学习流程中所需的一些触发规则配置模板，且可以实时创建、更新、获取和删除配置信息，同时，配置加载插件与增量学习训练单元、评估单元和推理单元之间的交互机制，通过调用获取配置api，来实时更新触发器。
本文档来自技高网...【技术保护点】
1.一种可灵活配置的增量学习装置，其特征在于，包括：
2.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述配置管理单元(1)包括数据传输模块、配置信息管理模块和数据库模块，所述配置信息管理模块、数据库模块和数据传输模块之间均双向信号连接。
3.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述存储单元(5)包括模型集模块、训练样本集模块和数据交互模块，所述模型集模块、训练样本集模块和数据交互模块之间均双向信号连接。
4.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述存储单元(5)的输出端与训练单元(2)中训练配置加载插件模块的输入端双向信号连接，所述存储单元(5)的输出端与评估单元(3)中评估配置加载插件模块的输入端双向信号连接，所述存储单元(5)的输出端与推理单元(4)中推理配置加载插件模块的输入端双向信号连接。
5.一种可灵活配置的增量学习方法，其特征在于，包括以下步骤：
6.根据权利要求4所述的一种可灵活配置的增量学习方法，其特征在于，在步骤S1中，所述配置模板
7.根据权利要求4所述的一种可灵活配置的增量学习方法，其特征在于，所述步骤S1中，暴露配置管理相关API，包含创建配置、查询配置、更新配置和删除配置等。
8.根据权利要求4所述的一种可灵活配置的增量学习方法，其特征在于，所述步骤S3中，训练触发器定时监控训练样本集，若满足模型训练触发规则，则触发模型训练，拿取新的样本来做模型训练，训练结果保存到模型集。
9.根据权利要求4所述的一种可灵活配置的增量学习方法，其特征在于，所述步骤S3中，模型评估触发器定时监控模型集，若检测到新模型，则触发模型评估，评估结果保存到模型集。
10.根据权利要求4所述的一种可灵活配置的增量学习方法，其特征在于，所述步骤S3中，模型更新触发器定时监控模型集，若新模型的评估结果满足模型更新触发规则，则启动模型更新，更新推理模型。
...【技术特征摘要】
1.一种可灵活配置的增量学习装置，其特征在于，包括：
2.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述配置管理单元(1)包括数据传输模块、配置信息管理模块和数据库模块，所述配置信息管理模块、数据库模块和数据传输模块之间均双向信号连接。
3.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述存储单元(5)包括模型集模块、训练样本集模块和数据交互模块，所述模型集模块、训练样本集模块和数据交互模块之间均双向信号连接。
4.根据权利要求1所述的一种可灵活配置的增量学习装置，其特征在于：所述存储单元(5)的输出端与训练单元(2)中训练配置加载插件模块的输入端双向信号连接，所述存储单元(5)的输出端与评估单元(3)中评估配置加载插件模块的输入端双向信号连接，所述存储单元(5)的输出端与推理单元(4)中推理配置加载插件模块的输入端双向信号连接。
5.一种可灵活配置的增量学习方法，其特征在于，包括以下步骤：
6.根据权利要求4所述的一种可灵活配置...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。