[发明专利]一种人工智能图像识别模型优化方法及系统

说明书

本发明涉及一种人工智能图像识别模型优化方法及系统，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；所述方法包括：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：对训练好的模型进行效果测试，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。本发明可有效提高人工智能图像识别模型优化效率。

技术领域

本发明涉及图像识别领域，更具体地，涉及一种人工智能图像识别模型优化方法及系统。

背景技术

随着科技进步，人工智能深度学习神经网络逐渐应用到各行各业中，尤其是图像识别分析领域。而人工智能图像分析神经网络在开发的过程中却存在以下问题：(1)神经网络训练所需的数据主要依靠人工手动标注，效率低、耗时长；(2)神经网络训练需要充沛的硬件平台计算力支持，有限的计算力限制了训练的速度；(3)训练后的网络包含庞大的参数，计算和存储需要消耗大量资源。

发明内容

本发明为克服上述现有技术所述的人工智能图像识别模型优化效率低的缺陷，提供一种人工智能图像识别模型优化方法及系统。

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。

优选地，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。

优选地，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。

优选地，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；可以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，可以有效降低模型参数容量，减少模型的计算量。

优选地，S2.1具体为：

当待训练模型较大，即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；

当待训练模型不大，即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，进而可以增加模型训练batch size(一次训练所选取的样本数)；

优选地，S3中所述性能参数包括准确率、召回率。