CN119445268A 一种伪标签生成方法和装置 （深圳比特微电子科技有限公司）

标注的第二数据集在多个预设NMS_IOU阈值下进所述目标检测模型在推理过程中执行NMS算法时述GP_IOU阈值是针对推理结果和第二数据集中源的第三数据集在所述最优NMS_IOU阈值下进行推理，得到所述最优NMS_IOU阈值对应的一组推2针对多个预设NMS_IOU阈值中的每一NMS_IOU阈值，使标注的第二数据集在该NMS_IOU阈值下进行推理，得到该NMS_IOU阈值对应的一组推理结组推理结果，确定正负样本区分指标和所述多个预设NMS_IOU阈值中的最优NMS_IOU阈值；所述GP_IOU阈值是针对推理结果和第二数据集中该推理结果对应的标注信息设置的重叠使用预训练的目标检测模型，对与第二数据集同源的第三数据集在所述最优NMS_IOU组推理结果，确定正负样本区分指标和所述多个预设NMS_IOU阈值中的最优NMS_IOU阈值，计算每组推理结果中的每一推理结果与第二数据集中该推理结果对应的标注信息的确定预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性能评根据预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性能评确定预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性能评确定每组推理结果在该组推理结果中的每一推理结果根据每组推理结果在该组推理结果中的每一推理结果定预训练的目标检测模型在该组推理结果下的检测精度和在该组推理结果中的该推理结根据预训练的目标检测模型在每组推理结果下的检测精度，确定所述最优NMS_IOU阈根据每组推理结果在该组推理结果中的每一推理结果定预训练的目标检测模型在该组推理结果下的检测精度和在该组推理结果中的该推理结根据第一数据集中的数据个数和第二数据集中的数3根据第一数据集中的数据个数和第二数据集中的数Pnew＝(ratio+(1_ratio)xTallxRold)/(ratold和Rold分别是更新前的精度和召回率，Pnew和Rnew分别是更新后的精度和召回根据预训练的目标检测模型在每组推理结果下的检测精度，确定所述最优NMS_IOU阈将预训练的目标检测模型对第二数据集进行推理得到该组推理结果时所采用的NMS_所述正负样本区分指标包括用于区分负样本的第一置信度阈值和用于区分正样本的根据预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性能评将scoreβ1和scoreβ2中的最小值和最大值分别确定为所确定该组推理结果中置信度小于第一置信度确定该组推理结果中置信度大于第二置信度第一推理单元，用于针对多个预设NMS_IOU4确定单元，用于根据预设GP_IOU阈值、第二数据优NMS_IOU阈值；所述GP_IOU阈值是针对推理结果和第二数据集中该推理结果对应的标注第二推理单元，用于使用预训练的目标检测模型5好的数据集上学习的预训练模型对未标注的数据集进行推理，经过NMS后减少大量冗余框[0008]针对多个预设NMS_IOU阈值中的每一NMS_IOU阈值，使用预训练6的最优NMS_IOU阈值；所述GP_IOU阈值是针对推理结果和第二数据集中该推理结果对应的据集在所述最优NMS_IOU阈值下进行推理，得到所述最优NMS_IOU阈值对应的一组推理结[0017]一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程模型，再用预训练的目标检测模型对带标注的第二数据集进行在多个预设NMS_IOU阈值下以利用预训练的目标检测模型对未标注的第三数据集进行在所述最优NMS_IOU阈值下进行[0022]图3是本发明实施例确定目标检测模型的性能评价结果和最优NMS_IOU阈值的方7数据集中的每个图片数据和该图片数据的标注信息作为一个训练样本输入到预先构建的得到该图片数据中的检测目标对应的在该NMS_IOU阈值下的一个或多个推理结果，所述一NMS_IOU阈值下的推理结果组成的推理结果集合，称为该NMS_IOU阈值对应的一组推理结应的多组推理结果，确定正负样本区分指标和所述多个NMS_IOU阈值中的最优NMS_IOU阈8[0042]从图1所示方法可知，本发明中，先利用标注好的第一数据集预训练目标检测模型，再用预训练的目标检测模型对带标注的第二数据集进行在多个预设NMS_IOU阈值下的未标注的第三数据集进行在所述最优NMS_IOU阈值下进行推理，并根据所述正负样本区分[0045]本发明实施例中，第一数据集中的数据可以是已经标注好检测9到该图片数据中的检测目标对应的多个预测框，可以通过非极大值抑制(NMS)算法剔除重设定多个NMS_IOU阈值，使用预训练的目标检测模型，对带标注的第二数据集在每个NMS_图片数据中的检测目标的标注信息的重叠度不大于所述GP_IOU阈值的推理结果确定为负推理结果对应的标注信息就是该图片数据中的该检测目标的标注信息(即该检测目标所在[0055]本发明实施例中，确定预训练的目标检测模型在每一NMS_IOU阈值对应的一组推理结果中的每一推理结果的置信度下的性能评价结果和所述不同NMS_IOU阈值中的最优[0056]S2032a、确定每一NMS_IOU阈值对应的一组推理结果在该组推理结果中的每一推推理结果的召回率和精度，将该召回率和精度确定为预训练的目标检测模型在第n个推理信度下的召回率和精度，还可以根据第一数据集中的数据个数和第二数据集中的数据个[0060]Pnew＝(ratio+(1_ratio)×Tall×Rold)/(ratio×Tall+(1_ratio)×Tall×Rold/Pold)；[0064]S2032b、根据每一NMS_IOU阈值对应的一组推理结果在该组推理结果中的每一推[0065]本发明实施例中，根据每一NMS_IOU阈值对应的一组推理结果在该组推理结果中值和积分来确定预训练的目标检测模型在该组推理结[0066]本发明实施例中，预训练的目标检测模型在每一NMS_IOU阈值对应的一组推理结果中的每一推理结果的置信度下的性能评价结果，具体可以包括两个F得分：Fβ1_score和[0070]本发明实施例中，根据每一NMS_IOU阈值对应的一组推理结果在该组推理结果中[0076]S2032c、根据预训练的目标检测模型在每一NMS_IOU阈值对应的一组推理结果下[0077]本发明实施例中，根据预训练的目标检测模型在每一NMS_IOU阈值对应的一组推[0079]将预训练的目标检测模型对第二数据集进行推理得到该组推理结果时所采用的NMS_IOU阈值确定为所述最优NMS_IOU[0082]根据预训练的目标检测模型在每一NMS_IOU阈值对应的一组推理结果中的每一推数据集的数据个数，例如，第二数据集的数据个数可以是第三数据集的数据个数的5％到[0095]从图2所示方法可知，本发明中，先利用标注好的第一数据集预训练目标检测模型，再用预训练的目标检测模型对带标注的第二数据集进行在多个预设NMS_IOU阈值下的精度)，同时还基于精度和召回率计算预训练的目标检测模型在该组推理结果中的该推理一组推理结果，再在此组推理结果对应的多组评估数据中，找出Fβ1_score最大时对应的测的准确度，可以生成伪标签并利用伪标签对预训练的目标检测模型进行进一步的训练。包括10000个图片)，将其中1000个图片通过人工标注出行人所在目标框，将标注好的这[0100]第二步，使用预训练目标检测模型对第二数据集中的图片数据在多个预设NMS_训练的目标检测模型在该组推理结果下的检测精度AP50和在该组推理结果中的该推理结[0106]经过前五步的处理，最终可以计算得到每组推理结果对应的多对第二数据集进行推理得到该组推理结果时所采用的NMS_IOU阈值确定为最优NMS_IOU阈0.5_score取值最大的性能评价结果所对应的推理结果的[0108]如图4所示，预训练的目标检测模型在NMS_[0109]第七步，使用预训练的目标检测模型，对第三数据集在所述最优NMS_IOU阈值度低于0.2966的每一推理结果(即预测框)确定为负样本并生成指示该推理结果为负样本训练的目标检测模型，对带标注的第二数据集在该NMS_IOU阈值下进行推理，得到该NMS_IOU阈值对应的一组推理结果；所述NMS_IOU阈值是所述目标检测模型在推理过程中执行中的最优NMS_IOU阈值；所述GP_IOU阈值是针对推理结果和第二数据集中该推理结果对应[0122]计算每组推理结果中的每一推理结果与第二数据集中该推理结果对应的标注信[0123]确定预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性[0124]根据预训练的目标检测模型在每组推理结果中的每一推理结果的置信度下的性[0126]所示确定单元503，确定预训练的目标检测模型在每组推理结果中的每一推理结[0127]确定每组推理结果在该组推理结果中的每一推理结果的置信度下的召回率和精[0128]根据每组推理结果在该组推理结果中的每一推理结果的置信度下的召回率和精[0129]根据预训练的目标检测模型在每组推理结果下的检测精度，确定所述最优NMS_[0131]所示确定单元503，根据每组推理结果在该组推理结果中的每一推理结果的置信[0136]Pnew＝(ratio+(1_ratio)×Tall×Rold)/(ratio×Tall+(1_ratio)×Tall×Rold/Pold)；=T1/Tall。[0143]将预训练的目标检测模型对第二数据集进行推理得到该组推理结果时所采用的NMS_IOU阈值确定为所述最优NMS_IOU[0146]所述正负样