本申请实施例公开了一种模型训练方法、装置、存储介质及计算机程序产品，方法包括：利用多个检测模型分别对目标图像进行目标检测，得到与多个检测模型一一对应的多个检测结果；融合多个检测结果，得到融合检测结果；利用目标图像和融合检测结果训练第一检测模型；其中，融合检测结果为目标图像的伪标签，第一检测模型为用于实现目标检测的轻量化模型。
【技术实现步骤摘要】
本申请实施例涉及人工智能，尤其涉及一种模型训练方法、装置、存储介质及计算机程序产品。
技术介绍
1、随着深度学习技术的迅速发展和大规模类别的标注数据的推动，计算机视觉任务取得了显著的进步。特别是目标检测技术作为一项基础任务，具有广泛的适用范围和需求，受到了广泛的关注。基于深度学习的各种目标检测神经网络模型已广泛应用于各行各业，诸如，能够识别人脸的人脸检测模型、能够检测出图像中不同类别目标的目标检测模型、能够识别出车辆的车辆检测模型等具有各种检测功能的神经网络模型已应用于诸如安防领域、交通领域等。
2、目前，可以采用数据训练用于实现目标检测的模型，然而，在进行数据标注时，一种方式是模型迭代数据标注时人工参与，浪费大量人力资源，模型训练效率低，另一种方式是利用已训练好的初始模型进行自监督学习，该种方式不仅效率较低，且过分依赖初始模型，难以保证模型精度。
技术实现思路
1、本申请实施例提供一种模型训练方法、装置及存储介质，结合模型融合技术针对轻量化的目标检测模型进行模型训练，可以提高模型训练效率、提高模型精度。此外，训练得到的轻量化的目标检测模型可以快速反馈检测结果，能够满足各种应用需求。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例提供了一种模型训练方法，包括：
4、利用多个检测模型分别对目标图像进行目标检测，得到与所述多个检测模型一一对应的多个检测结果；
5、融合所述多个检测结果，得到融合检测结果；
>6、利用所述目标图像和所述融合检测结果训练第一检测模型；7、其中，所述融合检测结果为所述目标图像的伪标签，所述第一检测模型为用于实现目标检测的轻量化模型。
8、在上述方法中，还包括：
9、利用所述第一检测模型对所述目标图像进行目标检测，得到第一检测结果；
10、获取所述第一检测结果的准确性反馈结果；
11、所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
12、若所述准确性反馈结果指示所述第一检测结果不准确，或者，所述准确性反馈结果指示所述第一检测结果较准确、所述融合检测结果的置信度高于阈值，则利用所述目标图像和所述融合检测结果训练所述第一检测模型。
13、在上述方法中，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
14、若所述融合检测结果的置信度高于阈值，则利用所述目标图像和所述融合检测结果训练所述第一检测模型。
15、在上述方法中，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
16、利用所述目标图像和所述融合检测结果，训练第二检测模型；其中，所述第二检测模型为用于实现目标检测的标准化模型；
17、将训练后的所述第二检测模型作为教师模型，所述第一检测模型作为学生模型，对所述第一检测模型进行知识蒸馏训练。
18、在上述方法中，还包括：
19、利用验证集的验证训练后的所述第二检测模型的模型性能，得到模型性能结果；
20、所述对所述第一检测模型进行知识蒸馏训练，包括：
21、若所述模型性能结果达到期望性能结果，对所述第一检测模型进行知识蒸馏训练。
22、在上述方法中，还包括：
23、在目标检测的检测任务变更时更新所述多个检测模型，使模型检测提示词与变化后的检测任务匹配。
24、在上述方法中，所述多个检测模型包括：glip模型、grounding dino模型，以及ov-detr模型；
25、所述第一检测模型为yolov5s模型。
26、本申请实施例提供了一种模型训练装置，包括：
27、检测模块，用于利用多个检测模型分别对目标图像进行目标检测，得到与所述多个检测模型一一对应的多个检测结果；
28、融合模块，用于融合所述多个检测结果，得到融合检测结果；
29、训练模块，用于利用所述目标图像和所述融合检测结果训练第一检测模型；
30、其中，所述融合检测结果为所述目标图像的伪标签，所述第一检测模型为用于实现目标检测的轻量化模型。
31、本申请实施例提供了一种模型训练装置，包括：处理器、存储器和通信总线；
32、所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；
33、所述处理器，用于执行所述存储器存储的一个或者多个计算机程序，以实现上述模型训练方法。
34、本申请实施例提供了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上述模型训练方法。
35、本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述模型训练方法。
36、本申请实施例提供了一种模型训练方法、装置、存储介质及计算机程序产品，方法包括：利用多个检测模型分别对目标图像进行目标检测，得到与多个检测模型一一对应的多个检测结果；融合多个检测结果，得到融合检测结果；利用目标图像和融合检测结果训练第一检测模型；其中，融合检测结果为目标图像的伪标签，第一检测模型为用于实现目标检测的轻量化模型。本申请实施例提供的技术方案，结合模型融合技术针对轻量化的目标检测模型进行模型训练，可以提高模型训练效率、提高模型精度。此外，训练得到的轻量化的目标检测模型可以快速反馈检测结果，能够满足各种应用需求。
本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，
8.一种模型训练装置，其特征在于，包括：
9.一种模型训练装置，其特征在于，包括：处理器、存储器和通信总线；
10.一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1-7任一项所述的模型训练方法。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-7任一项所述的模型训练方法。
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述利用所述目标图像和所述融合检测结果训练第一检测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法...
【专利技术属性】
技术研发人员：滕运来，齐鹏飞，张一飞，邓超，冯俊兰，
申请(专利权)人：中国移动通信有限公司研究院，
类型：发明
国别省市：
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。