CN114359669B 图片分析模型调整方法、装置以及计算机可读存储介质 （云从科技集团股份有限公司）

2将训练图片输入所述模型，所述训练图片携带指示了所述训练图片中在所述第二检测框的置信度高于预设水平时，判断所述第二检将所述第二检测框及所述伪标签作为所述第二分支的训练数据，输入所述第二分支，根据预设的损失函数，计算所述输出结果的损失值，根据所述损如果所述第二检测框与其他检测框位于同一连通域，则目标对象的第一检测框的类别的标注数据，所述模型的检测头包括第一分支和第二分支，分别计算用于指示所述目标对象的第二检测框的置类别设置模块，在所述第二检测框的置信度高于预设水平时，所述伪标签中记录所述第二检测框的类别为未知类别；分支调整模块，将所述第二检测框及所述伪标签作为所3输出控制模块，在所述模型调整完毕后，禁止所述模型输出检适于由处理器加载并运行以执行权利要求1至7中任一项所述的图45[0025]所述标注数据中还指示了所述第一检测框的位置，所述将所述训练图片的多尺度特征融合为用于输入所述检测头的所述训框的类别与所述第一检测框的类别是否相同，在不相同时为所述第二检测框设置伪标签，并在所述伪标签中记录所述第二检测框的类别为未知类[0031]分支调整模块，将所述第二检测框及所述伪标签作为所析模型调整方法的技术方案中任一项技术方案所述图片分6[0038]图1是根据本发明的一个实施例的图片分析模型调整方法的主要步骤流程示意[0039]图2是根据本发明的一个实施例的图片分析模型调整方法的主要步骤流程示意[0043]图6是根据本发明的另一个实施例的图片分析模型调整装置的主要结构框图示意[0044]图7是根据本发明的另一个实施例的图片分析模型调整装置的主要结构框图示意7征融合网络用于将训练图片的多尺度特征融合为用于输入检测头的训技术方案对模型进行微调。[0053]此处获取Obj分支输出的置信度，如果第二检测框的置信度高于一定阈值或属于最高的几个值，则检测Cls分支计算出来的类别与训练图片中第一检测框标注的真实类别训练，可以使得模型针对误检情况进行学习，即对于容易误检的对象，模型会识别其为8[0063](三)图片特征提取与融合。采用开源模型YOLOV5作为基础检测网络框架，backbone(核心)部分采用CSP(跨阶段局部网络)结构主干网络提取图片的多尺度特征；对于backbone得到的多尺度特征，FPN(目标检测算法)结构自顶向下通过上采样的方式传递s分支(类别数+1)。将上一步得到的图片多尺度特征分别输入对应的检测头，得到网络输9的训练，其中与真实类别标签重合的检测框保持真实的类标签，其余检测框定义为[0073]考虑到正样本的定义规则，为了避免目标对象边缘的检测框被标注为“unknown”征融合网络用于将训练图片的多尺度特征融合为用于输入检测头的训过本实施例的技术方案对模型进行微调。[0085]此处获取Obj分支输出的置信度，如果第二检测框的置信度高于一定阈值或属于最高的几个值，则检测Cls分支计算出来的类别与训练图片中第一检测框标注的真实类别训练，可以使得模型针对误检情况进行学习，即对于容易误检的对象，模型会识别其为[0095](三)图片特征提取与融合。采用开源模型YOLOV5作为基础检测网络框架，backbone(核心)部分采用CSP(跨阶段局部网络)结构主干网络提取图片的多尺度特征；对于backbone得到的多尺度特征，FPN(目标检测算法)结构自顶向下通过上采样的方式传递支采用BCE_Loss(一种损失函数)，Cls分支按照标注的真实类别(假设共C类)也采用BCE_[0099]图片获取模块710，根据模型输出的历史错误结果中的检测框类别，获取训练图的训练，其中与真实类别标签重合的检测框保持真实的类标签，其余检测框定义为[0105]考虑到正样本的定义规则，为了避免目标对象边缘的检测框被标注为“unknown”[0111]上述图6至7所示的图片分析模型调整装置以用于执行图1至2所示的图片分析模更改或替换之后的技术方案都将落入本发明的保护范