[发明专利]轻量化目标图像识别方法、装置及存储介质

说明书

本发明公开了轻量化目标图像识别方法、装置及存储介质，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；其中模型的训练方法包括：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；对神经网络模型进行通道剪枝，获得轻量化神经网络模型；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。通过通道剪枝对模型进行压缩，该方法能在模型通道剪枝训练过程中识别不重要的卷积通道并进行修剪，从而获得更为紧凑的模型，并利用自适应知识蒸馏方法提高了模型的精度。

技术领域

本发明涉及一种轻量化目标图像对象识别方法及系统，属于计算机视觉技术领域。

背景技术

目标检测与识别作为计算机视觉和图像处理领域的核心研究方向，被广泛应用在航空航天、交通、医疗、工业、农业、自动驾驶等众多领域，显著地改善着人们的日常生活。随着大数据时代的到来以及GPU 算力的不断增强，深度学习在计算机视觉各领域中逐渐展露其优势，尤其是目标检测任务。目标检测主要分为静态图像目标检测和动态视频目标检测。从2014 年开始，基于深度学习的目标检测网络井喷式爆发，首先时two-stage网络，如R-CNN、Fast-RCNN、Mask-RCNN等，自2016 年Joseph 等提出You Only Look Once(YOLOv1)以来，更轻更快的one-stage目标检测网络开始进入学者们的视野，开启了单阶段目标检测网络的新纪元。

虽然目前的深度学习方法可以实现高精度目标检测，但是由于卷积神经网络的设备资源占比大，并不适合直接在移动和嵌入式设备上运行，需要昂贵的设备或通过云平台实时传输拍摄信息进行检测，成本过高。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种轻量化图像识别网络及系统，能够弥补现有的目标网络设备资源占比大，不适合直接在移动和嵌入式设备上运行等问题。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了轻量化目标图像识别方法，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。

进一步地，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；