半监督学习的图像分类方法、系统、存储介质及计算机设备与流程

1.本发明涉及人工智能技术领域，尤其涉及一种半监督学习的图像分类方法、系统、存储介质及计算机设备。


背景技术：

2.近年来，人工智能飞速发展，人工智能产品无处不在。很多中小学校已经开展了人工智能的普及课程，着力开阔学习视野，提升学生对学习和科技的兴趣，培养创建能力。但是，人工智能门槛高，教师们缺乏实际的教育材料，普通的纸质教材和老师的讲解，甚至是学习视频，都很难让学生对该人工智能获得深入的认知。
3.通常来说，要实现一个基于人工智能的分类任务，需要给每个分类类别准备1000～2000个学习样本。如果任务较难，样本较复杂，可能追加到1万个以上的学习样本。这个要求非常高，通常来说，对于中小学生几乎是不可能的事情。因此，现有的人工智能科普教育缺乏一种实际操作，动作开发人工智能模型的方式，或者科普教育工具。
4.综上可知，现有的方法在实际使用上，存在着较多的问题，所以有必要加以改进。


技术实现要素：

5.针对上述的缺陷，本发明的目的在于提供一种半监督学习的图像分类方法，系统、存储介质及其计算机设备，能够大幅缩减分类训练的样本数量，降低资源消耗，并加快模型训练的效率，便于学生通过简单的操作即可轻松体验人工智能的研发过程，从而更深入的了解和认识人工智能。
6.为了实现上述目的，本发明提供一种半监督学习的图像分类方法，包括步骤：
7.创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求；
8.响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型；
9.通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。可选的，所述创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求的步骤具体包括：
10.响应于创建请求，在用户终端创建对应的所述分类任务；
11.根据在所述分类任务中添加已知类别的所述若干样本数据，以触发用于类别预测的所述训练请求。
12.可选的，所述创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求的步骤之后还包括：
13.将所述训练请求和所述若干样本数据发送至与所述用户终端连接的管理后台；
14.所述响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得
到目标小模型的步骤具体包括：
15.所述管理后台根据接收到的所述训练请求，调用所述大模型并将所述若干样本数据输入至所述大模型，以训练学习得到所述目标小模型。
16.可选的，所述响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型的步骤还包括：
17.构建所述目标小模型与对应的所述分类任务的关联信息，并存储所述关联信息。
18.可选的，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果的步骤之后还包括：
19.将所述第二输出结果发送至所述用户终端。
20.可选的，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果的步骤具体包括：
21.接收所述分类任务的推理请求，并获取对应的所述待测图像；
22.根据所述推理请求，将所述待测图像输入至所述大模型进行特征提取，以获得所述第一输出结果；
23.将所述第一输出结果输入至所述目标小模型进行分类推理，得到所述第二输出结果。可选的，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果的步骤之前还包括：
24.根据上传至所述分类任务的所述待测图像，以触发所述推理请求。
25.还提供了一种半监督学习的图像分类系统，包括有：
26.创建与请求单元，用于创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求；
27.训练学习单元，用于响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型；
28.分类推理单元，用于通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。
29.另外，还提供了一种存储介质和计算机设备，所述存储介质用于存储一种用于执行上述半监督学习的图像分类方法的计算机程序。
30.所述计算机设备包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的半监督学习的图像分类方法。
31.本发明所述的半监督学习的图像分类方法及其系统，通过在用户终端创建分类任务，并上传用于类别预测的若干样本数据；进而由管理后台根据用户终端的训练请求，调用大模型对若干样本数据进行训练，以学习得到目标小模型；再基于所述分类任务的推理请求，通过所述大模型对待测图像进行特征提取，并将大模型的第一输出结果输入至目标小模型，获得所述目标小模型经分类推理的第二输出结果。据此，本发明采用了半监督学习方
法，只需少量样本数据就能训练一个分类模型，降低了人工智能任务的门槛；大模型在内存中常驻，无需频繁加载和释放，提高了效率，以便于教师在教学过程中直接演示。由于门槛低，收集数据方便，能充分调动学生参与，激发学习热情，可自定义各式各样的分类任务，培养学生创新能力。
附图说明
32.图1为本发明一实施例提供的半监督学习的图像分类方法的步骤流程图；
33.图2为本发明一实施例提供的半监督学习的图像分类方法用于创建分类任务并触发请求可选的步骤流程图；
34.图3为本发明一实施例提供的半监督学习的图像分类方法用于分类推理可选的步骤流程图；
35.图4为本发明一实施例提供的的半监督学习的图像分类系统的结构示意框图；
36.图5为本发明一实施例提供的半监督学习的图像分类系统的所述创建与请求单元可选的结构示意框图；
37.图6为本发明一实施例提供的半监督学习的图像分类系统的所述分类推理单元可选的结构示意框图；
38.图7为本发明所述半监督学习的图像分类方法用于训练学习得到目标小模型的结构示意图。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.需要说明的，本说明书中针对“一个实施例”、“实施例”、“示例实施例”等的引用，指的是描述的该实施例可包括特定的特征、结构或特性，但是不是每个实施例必须包含这些特定特征、结构或特性。此外，这样的表述并非指的是同一个实施例。进一步，在结合实施例描述特定的特征、结构或特性时，不管有没有明确的描述，已经表明将这样的特征、结构或特性结合到其它实施例中是在本领域技术人员的知识范围内的。
41.此外，在说明书及后续的权利要求当中使用了某些词汇来指称特定组件或部件，所属领域中具有通常知识者应可理解，制造商可以用不同的名词或术语来称呼同一个组件或部件。本说明书及后续的权利要求并不以名称的差异来作为区分组件或部件的方式，而是以组件或部件在功能上的差异来作为区分的准则。在通篇说明书及后续的权利要求书中所提及的“包括”和“包含”为一开放式的用语，故应解释成“包含但不限定于”。以外，“连接”一词在此系包含任何直接及间接的电性连接手段。间接的电性连接手段包括通过其它装置进行连接。
42.针对现有人工智能高门槛，难理解，中小学生人工智能实操无从入手的问题，本发明提出一种半监督学习的图像分类方法。借由该图像分类方法以便于学生能够轻松体验人工智能的研发过程，从而更深入的了解和认识人工智能。
43.图1示出本发明一实施例提供的半监督学习的图像分类方法，所述图像分类方法
主要应用于进行课堂教学的用户终端与管理后台上，包括步骤如下：
44.s101：创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求。其中，样本数据为已知类别的图像数据；在实际应用中，由用户根据分类需求创建对应的分类任务，进而为所述分类任务添加所需类别预测的若干样本数据，进而根据添加到该分类任务中的样本数据以触发对应的训练请求。
45.s102：响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型。具体实施时，为了保证训练和推理的效率，所述大模型提前加载到内存中且常驻内存。每次分类任务切换中，仅有目标小模型在变化，所述大模型不会从内存中删除和重复加载。可选的，所述大模型基于imagenet-21(一个用于视觉对象识别软件研究的大型可视化数据库)大型数据集进行无监督学习训练而成；具体实施时，采用对比学习方法进行训练，从而使得大模型拥有较强的特征提取和特征表达能力；所述大模型一旦训练完成，其参数便会被固定下来。此后，该大模型无需变更；不管是后续特定任务的训练过程，还是推理过程，都保持固定不变的；即本实施例仅需一次训练大模型即可，降低了成本。
46.参见图7，在接收到训练请求后，通过所述大模型对若干样本数据进行训练，从而根据所述样本数据以训练大模型中可学习的小模型，进而得到基于所述若干样本数据训练而成的目标小模型。本实施例基于固定的大模型，利用用户提供的若干样本数据，快速训练得到一个目标小模型；所述目标小模型在大模型的基础上，对特定的分类任务进行重新学习；本实施例每次发起的分类任务，都能获得一个新的目标小模型。本实施例是利用半监督学习方法快速训练得到目标模型，所述半监督学习方法是指监督学习与无监督学习相结合的一种方法；其中，监督学习是利用一组已知类别的样本来调整分类器的参数，使其达到所要求性能的过程，也成为监督训练或有教师学习；所述无监督学习则无需知道样本的类别，通过算法自动学习和推断样本的类别的一种学习方法。本实施例采用若干训练样本，并基于固定的大模型进行自动学习和推断样本的类别进而训练得到小模型；而一般的模型训练任务都非常消耗cpu和gpu资源，特别gpu资源，相当昂贵。因此，本实施例使用半监督学习方法可以达到降低资源消耗，加快模型训练的目的。
47.s103：通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。所述待测图像即为未知类别并需要进行类别推理的图像数据；在实际应用中，由于科普教学具有较为强烈的针对性，因此在训练目标小模型时添加的若干样本数据可采用具有明显针对性类别的图像数据，例如在教学过程中创建用于对猫狗图像分类的分类任务，并采用少量的宠物狗图像和宠物猫图像经由大模型进行训练学习得到目标小模型，进而将待测图像经由所述大模型和目标小模型以分类推理出该待测图像上存在的是宠物狗还是宠物猫。本实施例的目标小模型为所述大模型的一个附加模型，所占用内存小，只有1-3层mlp(multilayer perceptron，多层感知机)，具体在分类推理时需要先将待测图像的图像数据输入到大模型，再将大模型的输出结果输入到小模型，以获得最终的分类推理结果。采用本实施例的半监督学习的图像分类方法，可将所需样本数据缩减至原来训练所需的1％～10％；若分类任务较为简单，甚至可以将样本数据缩减至0.5％以下；即仅需为每个类别提供少量的样本数据即可实现分类任务；据此，本实施例能够达到快速体验人工智能的研发过程的目的。
48.参见图2，一种可选的实施方式中，步骤s101具体包括：
49.s1011：响应于创建请求，在用户终端创建对应的所述分类任务。具体实施中，配置有一人工智能软件并安装于所述用户终端上；所述人工智能软件提供用户进行交互和结果展示功能，包括任务管理、图片上传和编辑、图片预测和结果展示。用户通过在该人工智能软件上触发创建请求，同时基于所触发的创建请求以在所述人工智能软件中创建所述分类任务，所述分类任务即为所述人工智能软件中用于执行类别分类的项目工程。所述用户终端包括但不限于智能手机、平板电脑或计算机。
50.s1012：根据在所述分类任务中添加已知类别的所述若干样本数据，以触发用于类别预测的所述训练请求。具体实施时，在所述分类任务中添加若干样本数据，并基于用户的确定操作和所述样本数据以触发生成对应的训练请求。
51.一实施例中，步骤s101之后还包括：将所述训练请求和所述若干样本数据发送至与所述用户终端连接的管理后台；所述步骤s102具体包括：所述管理后台根据接收到的所述训练请求，调用所述大模型并将所述若干样本数据输入至所述大模型，以训练学习得到所述目标小模型。其中，所述管理后台可以是云端服务器，其可用于响应用户终端的请求，包括分类任务管理、图片管理、模型管理等功能；当收到模型管理相关请求时，根据具体是训练请求还是推理请求，执行相应的训练过程或者推理过程。所述用户终端可通过其安装的人工智能软件与管理后台建立通信连接；用户(如教师)通过用户终端将训练请求和若干样本数据发送给管理后台，管理后台接收到所述训练请求和若干样本数据之后，调用配置在管理后台中的大模型或者调用与管理后台连接的半监督学习平台的大模型，进而利用所述大模型对若干样本数据快速训练出一个用于特定分类任务的目标小模型。
52.具体的，本实施例包括与管理后台通信连接的半监督学习平台，所述半监督学习平台由两部分组成，一是训练组件，二是推理组件。训练组件基于固定的大模型，利用管理后台提供的少量图片，快速训练一个小模型；推理组件响应管理后台的请求，基于特定的小模型对图片快速推理，获得最终的分类推理结果。
53.可选的，步骤s103之后还包括：将所述第二输出结果发送至所述用户终端。所述第二输出结果即为最终的分类推理结果，用户终端将从管理后台反馈的所述分类推理结果，展示在用户终端的显示屏幕上。实际应用中，本方案提供了一个人工智能软件，学生或老师只需将少量的样本通过人工智能软件上传到管理后台，管理后台自动调用半监督学习平台进行快速训练，很快就能立即获得一个人工智能分类任务的模型。同样的，通过该人工智能软件，学生或者老师将需要进行类别预测的待测图像上传到管理后台，使用已训练好的目标小模型进行推理，并将反馈的结果显示在软件界面上。
54.一实施例中，步骤s102还包括：构建所述目标小模型与对应的所述分类任务的关联信息，并存储所述关联信息。所述关联信息即为分类任务与目标小模型一一对应的匹配信息；本实施例可在目标小模型使用之后将其储存，从而便于后续用户通过分类任务对应的所述关联信息，以直接调用所述目标小模型。
55.参见图3，一可选的实施方式中，步骤s103具体包括：
56.s1031：接收所述分类任务的推理请求，并获取对应的待测图像。
57.s1032：根据所述推理请求，将所述待测图像输入至所述大模型进行特征提取，以获得所述第一输出结果。
58.s1033：将所述第一输出结果输入至所述目标小模型进行分类推理，得到所述第二输出结果。
59.具体实施时，可通过用户终端向所述分类任务添加待测图像，管理后台在接收到分类任务的推理请求并获取从用户终端上传的待测图像后，调取所述大模型以及与该分类任务对应的目标小模型对所述待测图像进行分类推理，从而获得该目标小模型对应输出的分类推理结果；随后由管理后台将该分类推理结果反馈给用户终端。可选的，步骤s103之前还包括：根据上传至所述分类任务的待测图像，以触发所述推理请求。具体的，通过上传的待测图像与用户的确定操作，以触发针对该待测图像的推理请求。
60.图4示出了本发明一实施例提供的半监督学习的图像分类系统100，其包括有创建与请求单元10、训练学习单元20以及分类推理单元30，其中：
61.创建与请求单元10用于创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求；训练学习单元20用于响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型；分类推理单元30用于通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。
62.本实施例的所述大模型基于imagenet-21大型数据集进行无监督学习训练而成。
63.参见图5，一可选的实施方式中，创建与请求单元10具体包括有创建子单元11和请求子单元12，其中：
64.创建子单元11用于响应于创建请求，在用户终端创建对应的所述分类任务；请求子单元12用于根据在所述分类任务中添加已知类别的所述若干样本数据，以触发用于类别预测的所述训练请求。
65.一实施例中，还包括有第一发送单元，其用于将所述训练请求和所述若干样本数据发送至与所述用户终端连接的管理后台；所述训练学习单元20具体用于：所述管理后台根据接收到的所述训练请求，调用所述大模型并将所述若干样本数据输入至所述大模型，以训练学习得到所述目标小模型。其中，所述训练学习单元20还用于：构建所述目标小模型与对应的所述分类任务的关联信息，并存储所述关联信息。
66.可选的，还包括有第二发送单元，其用于将所述第二输出结果发送至所述用户终端。
67.参见图6，一种可选的实施方式中，分类推理单元30具体包括有接收子单元31、特征提取子单元32和推理子单元33，其中：
68.接收子单元31用于接收所述分类任务的推理请求，并获取对应的所述待测图像；特征提取子单元32用于根据所述推理请求，将所述待测图像输入至所述大模型进行特征提取，以获得所述第一输出结果；推理子单元33用于将所述第一输出结果输入至所述目标小模型进行分类推理，得到所述第二输出结果。
69.可选的，还包括有请求触发单元，其用于根据上传至所述分类任务的所述待测图像，以触发所述推理请求。
70.本发明还提供一种存储介质，用于存储如图1～图3所述半监督学习的图像分类方法的计算机程序。例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以
调用或提供根据本技术的方法和/或技术方案。而调用本技术的方法的程序指令，可能被存储在固定的或可移动的存储介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输和/或被存储在根据程序指令运行的计算机设备的存储介质中。在此，根据本技术的一个实施例包括如图4所示半监督学习的图像分类系统的计算机设备，所述计算机设备优选包括用于存储计算机程序的存储介质和用于执行计算机程序的处理器，其中，当该计算机程序被该处理器执行时，触发该计算机设备执行基于前述多个实施例中的方法和/或技术方案。
71.需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本技术的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
72.根据本发明的方法可以作为计算机实现方法在计算机上实现、或者在专用硬件中实现、或以两者的组合的方式实现。用于根据本发明的方法的可执行代码或其部分可以存储在计算机程序产品上。计算机程序产品的示例包括存储器设备、光学存储设备、集成电路、服务器、在线软件等。优选地，计算机程序产品包括存储在计算机可读介质上以便当所述程序产品在计算机上执行时执行根据本发明的方法的非临时程序代码部件。
73.在优选实施例中，计算机程序包括适合于当计算机程序在计算机上运行时执行根据本发明的方法的所有步骤的计算机程序代码部件。优选地，在计算机可读介质上体现计算机程序。
74.综上所述，本发明所述的半监督学习的图像分类方法及其系统，通过在用户终端创建分类任务，并上传用于类别预测的若干样本数据；进而由管理后台根据用户终端的训练请求，调用大模型对若干样本数据进行训练，以学习得到目标小模型；再基于所述分类任务的推理请求，通过所述大模型对待测图像进行特征提取，并将大模型的第一输出结果输入至目标小模型，获得所述目标小模型经分类推理的第二输出结果。据此，本发明采用了半监督学习方法，只需少量样本数据就能训练一个分类模型，降低了人工智能任务的门槛；大模型在内存中常驻，无需频繁加载和释放，提高了效率，以便于教师在教学过程中直接演示。由于门槛低，收集数据方便，能充分调动学生参与，激发学习热情，可自定义各式各样的分类任务，培养学生创新能力。
75.当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
76.本发明还提供了a1、一种半监督学习的图像分类方法，包括步骤：
77.创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求；
78.响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型；
79.通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入
至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。
80.a2、根据a1所述的半监督学习的图像分类方法，所述创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求的步骤具体包括：
81.响应于创建请求，在用户终端创建对应的所述分类任务；
82.根据在所述分类任务中添加已知类别的所述若干样本数据，以触发用于类别预测的所述训练请求。
83.a3、根据a2所述的半监督学习的图像分类方法，所述创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求的步骤之后还包括：
84.将所述训练请求和所述若干样本数据发送至与所述用户终端连接的管理后台；
85.所述响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型的步骤具体包括：
86.所述管理后台根据接收到的所述训练请求，调用所述大模型并将所述若干样本数据输入至所述大模型，以训练学习得到所述目标小模型。
87.a4、根据a3所述的半监督学习的图像分类方法，所述响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型的步骤还包括：
88.构建所述目标小模型与对应的所述分类任务的关联信息，并存储所述关联信息。
89.a5、根据a3所述的半监督学习的图像分类方法，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。的步骤之后还包括：
90.将所述第二输出结果发送至所述用户终端。
91.a6、根据a1所述的半监督学习的图像分类方法，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果的步骤具体包括：
92.接收所述分类任务的推理请求，并获取对应的所述待测图像；
93.根据所述推理请求，将所述待测图像输入至所述大模型进行特征提取，以获得所述第一输出结果；
94.将所述第一输出结果输入至所述目标小模型进行分类推理，得到所述第二输出结果。
95.a7、根据a1所述半监督学习的图像分类方法，所述通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果的步骤之前，还包括：
96.根据上传至所述分类任务的所述待测图像，以触发所述推理请求。
97.a8、根据a1所述的半监督学习的图像分类方法，所述大模型基于imagenet-21大型数据集进行无监督学习训练而成。
98.还提供了b9、一种半监督学习的图像分类系统，包括有：
99.创建与请求单元，用于创建分类任务，并基于添加至所述分类任务的若干样本数据，触发所述分类任务的训练请求；
100.训练学习单元，用于响应于所述训练请求，调用大模型对所述若干样本数据进行训练，以学习得到目标小模型；其中，所述大模型为预训练好的固定模型；
101.分类推理单元，用于通过所述大模型对待测图像进行特征提取，并将所述大模型的第一输出结果输入至所述目标小模型，获得所述目标小模型经分类推理的第二输出结果。
102.b10、根据b9所述的半监督学习的图像分类系统，所述创建与请求单元具体包括：
103.创建子单元，用于响应于创建请求，在用户终端创建对应的所述分类任务；
104.请求子单元，用于根据在所述分类任务中添加已知类别的所述若干样本数据，以触发用于类别预测的所述训练请求。
105.b11、根据b10所述的半监督学习的图像分类系统，还包括：
106.第一发送单元，用于将所述训练请求和所述若干样本数据发送至与所述用户终端连接的管理后台；
107.所述训练学习单元具体用于：
108.所述管理后台根据接收到的所述训练请求，调用所述大模型并将所述若干样本数据输入至所述大模型，以训练学习得到所述目标小模型。
109.b12、根据b11所述的半监督学习的图像分类系统，所述训练学习单元还用于：
110.构建所述目标小模型与对应的所述分类任务的关联信息，并存储所述关联信息。
111.b13、根据b11所述的半监督学习的图像分类系统，还包括有：
112.第二发送单元，用于将所述第二输出结果发送至所述用户终端。
113.b14、根据b9所述的半监督学习的图像分类系统，所述分类推理单元具体包括：
114.接收子单元，用于接收所述分类任务的推理请求，并获取对应的所述待测图像；
115.特征提取子单元，用于根据所述推理请求，将所述待测图像输入至所述大模型进行特征提取，以获得所述第一输出结果；
116.推理子单元，用于将所述第一输出结果输入至所述目标小模型进行分类推理，得到所述第二输出结果。
117.b15、根据b9所述半监督学习的图像分类系统，还包括有：
118.请求触发单元，用于根据上传至所述分类任务的所述待测图像，以触发所述推理请求。
119.b16、根据b9所述的半监督学习的图像分类系统，所述大模型基于imagenet-21大型数据集进行无监督学习训练而成。
120.还提供了c17、一种存储介质，用于存储一种用于执行a1～a8中任意一种所述半监督学习的图像分类方法的计算机程序。
121.还提供了d18、一种计算机设备，包括存储介质、处理器以及存储在所述存储介质上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现a1～a8任一项所述半监督学习的图像分类方法。