目标检测方法及装置、设备、存储介质制造方法及图纸

技术编号：41706517 阅读：2 留言：0更新日期：2024-06-19 12:37

本申请实施例公开了一种目标检测方法及装置、设备、存储介质，包括：获取待检测图像；将待检测图像输入至检测模型，得到对待检测图像中的目标对象的瑕疵检测结果；检测模型是已训练的教师模型根据目标损失函数对学生模型进行知识蒸馏得到的，目标损失函数包括第一损失函数、第二损失函数和第三损失函数；第一损失函数是通过分离模块对经由主干网络处理后的特征图进行分离得到的前景信息和背景信息进行损失计算得到的，所二损失函数是通过损失计算模块分别对教师模型和学生模型的前景信息进行损失计算得到的，第三损失函数是学生模型的损失函数。能够提高对检测模型的训练效率，从而提高检测模型的检测速度和实用性。

全部详细技术资料下载

【技术实现步骤摘要】

本申请实施例涉及信息处理技术，涉及但不限于一种目标检测方法及装置、设备、存储介质。

技术介绍

1、在工业领域中，计算机视觉发挥着重要的作用。随着深度学习的不断深入发展，近年来，大模型在泛化性和精度等相关指标方面明显优于轻量级。但是在实际应用中，尤其是在工业领域，在考虑模型精度的同时，对模型的实时性要求也是比较高。因此，工业领域更倾向于使用轻量级模型进行部署应用。

2、降低模型参数量即模型轻量化的方法包括剪枝蒸馏。其中剪枝蒸馏是将训练好的复杂模型作为教师模型，将教师模型学习出来的知识作为先验知识，让简单网络作为学生模型去模仿教师模型提取出的知识，而不是直接去学习真实标签，因为教师模型提取出的知识包括预测结果中数据结构间的相似性以及更精确的特征，可以让学生模型更好的学习真实标签所不具有的信息。

3、其中，在通过教师模型训练得到学生模型时，如何提高对学生模型的训练效率，从而提高训练后的学生模型在实际应用中的检测速度和实用性，是一个亟待解决的问题。

技术实现思路

1、有鉴于此，本申请实施例提供的目标检测方法及装置、设备、存储介质，能够提高对检测模型的训练效率，从而提高检测模型的检测速度和实用性。本申请实施例提供的目标检测方法及装置、设备、存储介质是这样实现的：

2、第一方面，本申请实施例提供一种目标检测方法，包括：

3、获取待检测图像；

4、将所述待检测图像输入至检测模型，得到对所述待检测图像中的目标对象的瑕疵检测结果；

<p>5、其中，所述检测模型是已训练的教师模型根据目标损失函数对学生模型进行知识蒸馏得到的，所述已训练的教师模型和所述学生模型的目标结构相同，所述目标结构包括顺次连接的主干网络和头部网络，所述主干网络处包括分离模块，所述头部网络处包括损失计算模块，所述目标损失函数包括第一损失函数、第二损失函数和第三损失函数；所述第一损失函数是通过所述分离模块对经由所述主干网络处理的特征图进行分离后的前景信息和背景信息进行损失计算得到的，所述第二损失函数是通过所述损失计算模块分别对所述教师模型和所述学生模型的前景信息进行损失计算得到的，所述第三损失函数是所述学生模型的损失函数。

6、第二方面，本申请实施例提供一种目标检测装置，包括：

7、获取模块，用于获取待检测图像；

8、检测模块，用于将所述待检测图像输入至检测模型，得到对所述待检测图像中的目标对象的瑕疵检测结果；

9、其中，所述检测模型是已训练的教师模型根据目标损失函数对学生模型进行知识蒸馏得到的，所述已训练的教师模型和所述学生模型的目标结构相同，所述目标结构包括顺次连接的主干网络和头部网络，所述主干网络处包括分离模块，所述头部网络处包括损失计算模块，所述目标损失函数包括第一损失函数、第二损失函数和第三损失函数；所述第一损失函数是通过所述分离模块对经由所述主干网络处理的特征图进行分离后的前景信息和背景信息进行损失计算得到的，所述第二损失函数是通过所述损失计算模块分别对所述教师模型和所述学生模型的前景信息进行损失计算得到的，所述第三损失函数是所述学生模型的损失函数。

10、第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例所述的方法。

11、第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。

12、本申请实施例所提供的目标检测方法、装置、计算机设备和计算机可读存储介质，在获取到待检测图像后，可将该待检测图像输入至检测模型中，从而得到对待检测图像中的目标对象的瑕疵检测结果。该检测模型是通过已训练的教师模型根据目标损失函数对学生模型进行知识蒸馏得到的，教师模型和学生模型的结构相同，其均包括顺次连接的主干网络和头部网络，且主干网络处包括分离模块，头部网络处包括损失计算模块，在构建目标损失函数时，是通过分离模块对经由主干网络处理的特征图进行分离后的前景信息和背景信息进行损失计算得到的第一损失函数、根据损失计算模块分别对教师模型和学生模型的前景信息进行损失计算得到的第二损失函数以及学生模型自身在训练过程中的第三损失函数得到的。

13、这样，通过在模型的不同位置，执行前景信息和背景信息的分离方式进行蒸馏监督训练，使得学生模型能够更加有效的从教师模型中学习到泛化性，从而以更小的参数量，更少的推理时间应用于实际项目中，进而提高对检测模型的训练效率，提高检测模型的检测速度和实用性，解决
技术介绍
中所提出的技术问题。

本文档来自技高网...

【技术保护点】

1.一种目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述将所述待检测图像输入至检测模型之前，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述通过所述已训练的教师模型的主干网络处的分离模块和所述学生模型的主干网络处的分离模块，分别对所述训练图像进行分离处理，得到所述训练图像在所述已训练的教师模型处的第一目标前景信息和第一目标背景信息，以及所述训练图像在所述学生模型处的第二目标前景信息和第二目标背景信息，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述训练图像在所述已训练的教师模型处的第一目标前景信息和第一目标背景信息，以及所述训练图像在所述学生模型处的第二目标前景信息和第二目标背景信息，确定目标损失函数，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一目标前景信息、所述第一目标背景信息、所述第二目标前景信息和所述第二目标背景信息，确定所述第一损失函数，包括：

6.根据权利要求4所述的方法，其特征在于，所述根据所述第三前景信息和所述第四

7.根据权利要求4所述的方法，其特征在于，在所述已训练的教师模型根据所述目标损失函数对学生模型进行知识蒸馏的过程中，所述第一权重、所述第二权重和所述第三权重是变化的。

8.根据权利要求7所述的方法，其特征在于，在所述知识蒸馏的训练次数小于第一次数阈值的情况下，所述第一权重大于所述第二权重，所述第二权重大于所述第三权重；在所述知识蒸馏的训练次数大于或等于所述第一次数阈值且小于第二次数阈值的情况下，所述第二权重大于所述第一权重，所述第一权重大于所述第三权重；在所述知识蒸馏的训练次数大于或等于所述第二次数阈值的情况下，所述第三权重大于所述第二权重，所述第二权重大于所述第一权重。

9.一种目标检测装置，其特征在于，包括：

10.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。

...

【技术特征摘要】

1.一种目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述将所述待检测图像输入至检测模型之前，所述方法还包括：

6.根据权利要求4所述的方法，其特征在于，所述根据所述第三前景信息和所述第四前景信息，确定所述第二损失函数，包括：

7.根据权利要求4所述的方...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：上海先导慧能技术有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人