[发明专利]一种人工智能图像识别模型优化方法及系统

权利要求书

1.一种人工智能图像识别模型优化方法，其特征在于，所述方法包括以下步骤：

S1：输入视频数据，对视频数据进行预处理得到图像数据，然后再对图像数据进行标注；

S2：利用S1标注的图像数据对待优化模型进行训练，然后对训练后的模型进行优化；

S3：在模型测试模块上传测试集，对训练好的模型进行效果测试，并将模型测试结果与测试集的结果进行比对统计，生成该模型的性能参数。

2.根据权利要求1所述人工智能图像识别模型优化方法，其特征在于，S1包括以下步骤：

S1.1：输入图像数据，将视频数据按帧处理成多张图片；

S1.2：为用户剔除原始数据中模糊的数据，提高待标注数据的质量；

S1.3：找出阶段内比较有代表性的帧图像；

S1.4：对待标注的图像数据提供相应的索引链接；

S1.5：对图像数据进行标注。

3.根据权利要求2所述人工智能图像识别模型优化方法，其特征在于，S1.5中对图像数据进行标注包括手动标注以及自动标注两部分；

手动标注为：用户上传数据时设置标签类别信息，在标注时对目标物进行手动框选并选择对应标签；

自动标注为：基于平台内置的深度学习算法进行预标注，然后再进行人工复检，最终生成标注文件。

4.根据权利要求1或3所述人工智能图像识别模型优化方法，其特征在于，S2包括以下步骤：

S2.1：模型训练：利用CPU对待训练模型进行资源的分配，利用GPU对待训练模型并行训练；

S2.2：模型优化：通过设置不同的剪枝比，对模型进行多次迭代修剪、微调训练，用于将模型中冗余的连接修剪掉，并将模型的精度损失进一步降低；

S2.3：参数量化：采用基于范围的线性量化方法对模型参数进行量化，以降低参数容量。

5.根据权利要求4所述人工智能图像识别模型优化方法，其特征在于，S2.1具体为：

当待训练模型超过单GPU显存上限时，不同的GPU负责训练网络模型的不同部分，此时CPU则负责分配各GPU的模型层数以及节点数；

当待训练模型未超过单GPU显存上限时，则利用不同的GPU都负责训练同一模型，此时CPU则负责将训练数据分片并分配到GPU上进行训练，进而可以增加模型一次训练的样本数。

6.根据权利要求5所述人工智能图像识别模型优化方法，其特征在于，S3中所述性能参数包括准确率、召回率。

7.一种人工智能图像识别模型优化系统，其特征在于，所述系统包括：图像标注模块、模型训练模块、模型优化模块、模型测试模块；

所述图像标注模块用来对图像数据进行预处理以及对图像数据进行标注；

所述模型训练模块利用标注后的图像数据对待优化模型进行训练；

所述模型优化模块用来对训练后的模型进行优化；

所述模型测试模块用来对优化后的模型进行测试，并将模型预测结果与测试集的结果进行比对统计，生成该模型的性能参数。

8.根据权利要求7所述人工智能图像识别模型优化系统，其特征在于，图像标注模块包括图像预处理组件和图像标注组件；

图像预处理组件为用户提供数据上传接口，以及对负责视频数据取帧、模糊检测、关键帧提取以及创建URL；

图像标注组件图像数据进行标注，包括手动标注和自动标注。

9.根据权利要求7或8所述人工智能图像识别模型优化系统，其特征在于，所述模型训练模块由单CPU和多GPU组成，CPU负责资源的分配，GPU负责并行训练。

10.根据权利要求9所述人工智能图像识别模型优化系统，其特征在于，所述模型优化模块由迭代剪枝组件和参数量化组件两部分组成；

所述迭代剪枝组件，通过设置不同的剪枝比，对模型进行多次迭代修剪、微调训练；用于将模型中冗余的连接修剪掉，并将模型的精度损失进一步降低；

参数量化组件，采用基于范围的线性量化方法，以降低模型参数容量，减少模型的计算量。