[发明专利]目标检测模型的训练方法、装置及计算机可读存储介质

权利要求书

1.一种目标检测模型的训练方法，其特征在于，所述目标检测模型的训练方法包括：

提供目标检测模型，所述目标检测模型包括骨干网络及检测层；

获取目标检测数据集，所述目标检测数据集包括不同类别的目标物体图像；

基于所述目标检测数据集通过边框裁剪出不同的目标物体的图像以形成不同类别的分类数据集；

利用分类数据集训练所述目标检测模型的骨干网络；

冻结所述骨干网络并根据所述目标检测数据集对所述目标检测模型的检测层进行微调；

接收待识别的目标物体的图像；

基于训练好的目标检测模型对所述待识别的目标物体的图像进行识别。

2.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述根据所述目标检测数据集对所述目标检测模型的检测层进行微调的步骤包括：

所述检测层包括第一检测子层及第二检测子层，将所述分类数据集中的像素值大于参考像素值的图像对所述第一检测子层进行微调；将所述分类数据集中的像素值小于或等于参考像素值的图像对所述第二检测子层进行微调。

3.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述获取目标检测数据集的步骤包括：

接收视频数据并提取视频数据的每帧图片；

采用数据标注工具对所述每帧图片中的人头进行标注从而生成所述目标检测数据集。

4.如权利要求3所述的目标检测模型的训练方法，其特征在于，所述获取目标检测数据集的步骤还包括：

将所述多个不同的图像样本分类为复杂图像样本类及简单图像样本类；

依据所述复杂图像样本类包含的多个图像样本提取复杂图像特征；

依据所述简单图像样本类包含的多个图像样本及提取的所述复杂图像特征，提取简单图像特征。

5.如权利要求4所述的目标检测模型的训练方法，其特征在于，所述将所述多个不同的图像样本分类为复杂图像样本类及简单图像样本类的步骤包括：

获取所述多个不同的图像样本的分类丢失率；

将分类丢失率大于预设的阈值的样本归为复杂图像样本类，将分类丢失率小于或等于预设的阈值的样本归为简单图像样本类。

6.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的目标检测模型的训练程序，所述目标检测模型的训练程序被所述处理器执行时实现如下步骤：

提供目标检测模型，所述目标检测模型包括骨干网络及检测层；

获取目标检测数据集，所述目标检测数据集包括不同类别的目标物体图像；

基于所述目标检测数据集通过边框裁剪出不同的目标物体的图像以形成不同类别的分类数据集；

利用分类数据集训练所述目标检测模型的骨干网络；

冻结所述骨干网络并根据所述目标检测数据集对所述目标检测模型的检测层进行微调；

接收待识别的目标物体的图像；

基于训练好的目标检测模型对所述待识别的目标物体的图像进行识别。

7.如权利要求6所述的电子装置，其特征在于，所述根据所述目标检测数据集对所述目标检测模型的检测层进行微调的步骤包括：

所述检测层包括第一检测子层及第二检测子层，将所述分类数据集中的像素值大于参考像素值的图像对所述第一检测子层进行微调；将所述分类数据集中的像素值小于或等于参考像素值的图像对所述第二检测子层进行微调。

8.如权利要求6所述的电子装置，其特征在于，所述获取目标检测数据集的步骤包括：

接收视频数据并提取视频数据的每帧图片；

采用数据标注工具对所述每帧图片中的人头进行标注从而生成所述目标检测数据集。