[发明专利]模型训练方法、训练装置、电子设备和可读存储介质

说明书

本发明提出了一种模型训练方法、训练装置、电子设备和可读存储介质，其中，模型训练方法，包括：获取N个图像数据，根据N个图像数据生成第一数据集，N为大于1的整数；将N个图像数据中的第一特征更新为第二特征，并根据更新后的N个图像数据生成第二数据集；根据第一数据集和第二数据集得到目标数据集，通过目标数据集训练检测模型。本发明平衡了用于训练模型的数据集中的各个不同种类的特征的数量比例，由于本申请仅对第一特征更新转化为第二特征，不会对图像数据中其他图像特征产生影响，提高了最终训练得到的检测模型对待检测物体的识别准确性。

技术领域

本发明属于检测模型技术领域，具体而言，涉及一种模型训练方法、训练装置、电子设备和可读存储介质。

背景技术

环境复杂且凌乱的建筑工地会给城市建设的发展带来一定的消极影响，需要花费一定的人力和时间去实时监控是否有未覆盖的易扬尘物品。而随着深度学习的不断发展，视频自动监控代替了传统的人眼监控，节省了人力成本和时间成本，而相关技术中的检测模型对待检测物体的识别不够准确。

发明内容

本发明旨在解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提出了一种模型训练方法。

本发明的第二方面提出了一种模型训练装置。

本发明的第三方面提出了一种电子设备。

本发明的第四方面提出了一种可读存储介质。

有鉴于此，根据本发明的第一方面提出一种模型训练方法，包括：获取N个图像数据，根据N个图像数据生成第一数据集，N为大于1的整数；将N个图像数据中的第一特征更新为第二特征，并根据更新后的N个图像数据生成第二数据集；根据第一数据集和第二数据集得到目标数据集，通过目标数据集训练检测模型。

本发明提供模型训练方法用于电子设备，电子设备获取N个图像数据，N为大于1的整数，具体来说，电子设备通过拍摄装置直接采集多个图像数据，或接收其他电子设备发送的多个图像数据。将多个图像数据进行标注生成第一数据集，通过多个图像数据生成的第一数据集，能够保证第一数据集中的特征数量较大，从而提高后续训练模型的效果。在生成数据集的过程中，需要先识别多个图像数据中的图像特征，图像特征包括第一特征、第二特征、第三特征等多个图像特征，并将不同的图像特征分别进行标记。在生成第一数据集后，对多个图像数据中的第一特征进行更新，使N个图像数据中的第一特征均转化为第二特征，并通过更新后的多个图像数据生成第二数据集。将第一数据集与第二数据集作为目标数据集训练模型，从而得到检测模型。在第一数据集中的第一特征数量较少的情况下，如果仅通过第一数据集训练模型，从而增加模型对目标特征的误检率，降低模型对关键类别特征的检测效果。本发明通过将多个图像数据中的第一特征更新为第二特征，并通过更新后的多个图像数据生成第二数据集，将第一数据集与第二数据集进行组合形成目标数据集，平衡了用于训练模型的数据集中的各个不同种类的特征的数量比例，由于本申请仅对第一特征更新转化为第二特征，不会对图像数据中其他图像特征产生影响，提高了最终训练得到的检测模型对待检测物体的识别准确性。

具体来说，图像数据为施工场地的图像，通过对图像数据中的毡布、裸土、绿草和黄草进行标注，得到第一数据集。图像数据中的绿草为第一特征，黄草为第二特征，提取图像数据中的绿草特征，并将绿草通过色彩转换，更新为黄草，并将绿草的标注也统一修改为黄草，通过更新后的图像数据得到第二数据集。将第一数据集与第二数据集结合作为目标数据集，训练检测模型，使检测模型能够有效对毡布、裸土、绿草和黄草进行识别，进而降低了检测模型对处于未覆盖状态的裸土的误检率。