[发明专利]数据处理方法、装置、电子设备及可读介质

说明书

本公开提供一种数据处理方法、装置、电子设备及可读介质，该方法应用于售货装置，包括：实时采集与所述售货装置相关的数据作为待处理数据；将所述待处理数据输入至少一个运算模型，并基于所述至少一个运算模型将其拆分为多个运算任务；根据预定规则将所述多个运算任务分发至多个运算单元进行运算；对所述多个运算任务的运算结果进行整合，以生成对所述待处理数据的处理结果；以及基于所述处理结果，对所述售货装置进行进一步操作。本公开的数据处理方法、装置、电子设备及可读介质，能够在不更新设备器材的基础上实时完成多种数据处理任务，提高了场景适应能力与运算效率。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及计算机可读介质。

背景技术

近年来，人工智能算法发展迅速，深度学习神经网络在计算机视觉领域的各类应用中取得了重大的突破，如图像分类、目标检测、图像分割等。随着算法准确度的提升，神经网络的深度在不断增加，模型结构也在不断复杂化，其计算过程需要大量的计算资源。同时，在将人工智能应用在现有安防、娱乐、广告、医疗、教育等领域时，其末端计算设备通常具有摄像头、显示屏等基础设施。为在上述场景增加人工智能分析功能，同时又不希望更新其原生设备，将人工智能端化，低成本地部署在实时性高、数据吞吐量大、网络条件无法保障的边缘节点上，是一个重点研究的发展方向。

针对上述问题，学术界提出了轻量化神经网络、模型压缩等手段。此类方案虽在模型结构设计、压缩存储、速率优化上给出了方案，但其性能例如实时性、通用性、可移植性方面等尚无法满足真正的边缘部署需求。

此外，为实现人工智能的端化，已有人工智能摄像头、人工智能硬件设备以及人工智能芯片被推出。但人工智能芯片需要对前端设备进行整体更新替换，造成资源浪费；同时摄像头定制化严重，功能单一，可运行的智能分析有限。而人工智能硬件设备体积大，成本高，且与公司开发套件高度相关，不适用与大量的前端设备升级改造及复杂多样的业务需求。同时，人工智能芯片主要用于特定领域，如智能驾驶等，对其进行相关应用开发，基本不可行。

因此，需要一种新的数据处理方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种数据处理方法、装置、电子设备及计算机可读介质，能够在不更新设备器材的基础上实时完成多种数据处理任务，提高了场景适应能力与运算效率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提出一种数据处理方法，该方法应用于售货装置，包括：实时采集与所述售货装置相关的数据作为待处理数据；将所述待处理数据输入至少一个运算模型，并基于所述至少一个运算模型将其拆分为多个运算任务；根据预定规则将所述多个运算任务分发至多个运算单元进行运算；对所述多个运算任务的运算结果进行整合，以生成对所述待处理数据的处理结果；以及基于所述处理结果，对所述售货装置进行进一步操作。

在本公开的一种示例性实施例中，还包括：在根据预定规则对所述多个运算任务分发失败时，将所述运算任务分发至备用运算单元进行运算。

在本公开的一种示例性实施例中，还包括：获取来自服务端的至少一个第一运算模型；以及对所述至少一个第一运算模型进行格式转换，以生成所述至少一个运算模型。

在本公开的一种示例性实施例中，所述运算模型包括：模型版本信息、操作符信息、模型图信息。

在本公开的一种示例性实施例中，根据预定规则将所述多个运算任务分发至多个运算单元进行运算包括：获取所述每一运算单元的运算能力和/或所述售货装置的距离信息；以及根据所述每一运算单元的所述运算能力和/或所述距离信息为其分发可运算的至少一个运算任务。