[发明专利]轻量化目标图像识别方法、装置及存储介质

权利要求书

1.轻量化目标图像识别方法，其特征在于，包括：

利用图像采集设备采集图像；

利用训练获得的轻量化目标图像识别网络模型识别目标图像类别、位置和/或置信度；其中所述轻量化目标图像识别网络模型采用YOLOv6-n神经网络模型，训练方法包括：

获取目标图像样本；采用预训练获取的YOLOv6-n神经网络模型对目标图像样本进行迁移学习，得到能够识别目标图像类别、位置和/或置信度的YOLOv6-n神经网络模型；对YOLOv6-n神经网络模型进行通道剪枝，获得轻量化YOLOv6-n神经网络模型；

利用自适应知识蒸馏方法获得有效知识集合，利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型，最终获得满足要求的轻量化目标图像识别网络模型。

2.根据权利要求1所述的轻量化目标图像识别方法，其特征在于，对YOLOv6-n神经网络模型进行通道剪枝，获得轻量化YOLOv6-n神经网络模型，包括以下步骤：

将YOLOv6-n神经网络模型的所有尺度变换参数作为L1正则项加入网络训练的损失函数，归一化层的输出表示如下：

；

；

其中，Z_in为归一化层的输入，Z_out为归一化层的输出，和是均值和标准差值，β为归一化层的待训练的位移变换参数，为中间变量，是设置常量；加入L1正则项后的网络损失函数为：

；

其中， x表示网络的输入，y网络的预测输出，W表示待训练的网络权重，为神经网络模型原本的训练损失函数，λ为设定的平衡系数，为L1正则项；

设置剪枝阈值，利用加入L1正则项后的损失函数在选定的数据集上对YOLOv6-n神经网络模型进行训练，在训练过程中对小于所设置的剪枝阈值的尺度变换参数所对应的通道进行剪枝；

训练中使用余弦退火重启动学习率，在原有训练的基础上进行不低于设定次数的迭代调整。

3.根据权利要求1所述的轻量化目标图像识别方法，其特征在于，利用自适应知识蒸馏方法获得有效知识集合，利用所述有效知识集合训练所述轻量化YOLOv6-n神经网络模型，包括：选取YOLOv6-s神经网络模型作为Teacher模型，所述轻量化YOLOv6-n神经网络模型作为Student模型；设置Student模型的学习参数θ和总训练轮数I；

初始化，其中为知识集合，x表示知识集合中的一个知识点，为Teacher模型的分类预测输出概率值，c为类别，为知识集合K经过知识有效性筛选后的有效知识集合；

进行I轮训练的过程中，将I轮训练平均分为I/T个学习阶段，每个阶段有T轮训练；

以Student模型和Teacher模型的最大化负交叉熵作为训练目标，表示为：

；

其中y(x)为二值变量，表示知识点x对Student模型是否有效，，C表示训练数集X的类别空间，为Student模型的预测输出概率；

通过有效知识集合来对Student模型的学习参数θ进行T轮训练；

每训练满T轮就对知识集合K进行知识有效性评价，提取有效知识集合。