一种基于深度学习的目标检测流程自优化方法与流程

1.本发明涉及计算机视觉技术领域，尤其是一种基于深度学习的目标检测流程自优化方法。


背景技术：

2.随着科学技术的发展，计算机视觉已经成为一个十分成熟的领域，并已在许多成熟的应用场景落地。而目标检测更是一个热门的研究领域。传统的目标检测流程较为繁杂，需要算法工程师编写神经网络并进行训练调参，才能确定一个模型的最优效果。而且不同的硬件设备对于模型要求也不同，在结合实际条件的情况下快速选取出符合要求的模型还具有很大的挑战。
3.传统的目标检测流程，需要构建模型并训练调参，且十分依赖算法工程师。一些目标检测框架的出现缓解了这一现象，但是大多都局限于固定的算法模块实现，不便横向比较某一算法模块的效果。且目前的目标检测框架基本都不能进行流程上的优化。随着该领域的不断发展，模型也层出不穷，人工优化流程的方式在庞大的模型数量面前也变得十分低效。而自动化的方式也需要大量的算力支持才能选出符合条件的模型，且时间成本过高。为了解决这一问题，就更需要一种能对目标检测流程进行自优化的方法。


技术实现要素：

4.本发明提出一种基于深度学习的目标检测流程自优化方法，用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
5.本发明采用以下技术方案。
6.一种基于深度学习的目标检测流程自优化方法，包括以下步骤：
7.步骤s1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；
8.步骤s2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；
9.步骤s3：将步骤s1的自优化空间与步骤s2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；
10.步骤s4：对步骤s3得到的模型组进行标准化完全训练，统计效果并输出最终模型组。
11.所述步骤s1具体为：
12.步骤s11：确定标准化的目标检测神经网络模块，按照神经网络模块的功能以及标准流程位置的不同划分为若干模块组，并对每一个模块组提出若干种网络模块定义；
13.步骤s12：确定步骤s11中的目标检测神经网络模块所需围绕的基础模型种类，以确定作为模块化搜索的中心模型簇。
14.所述步骤s2具体为：
15.步骤s21：确定自优化方法的基础硬件配置，包括显卡、cpu以及内存的相关参数；
16.步骤s22：确定自优化方法的运行时间限制、神经网络模块的运行参数以及最终的优化目标；最终优化目标包括平均精确度与时间。
17.所述步骤s22中的神经网络模块的运行参数，包含与步骤s11中的网络模块相适应的标准化训练与测试参数，还包括其所使用目标检测数据集的相关参数；其中，神经网络模块的标准化训练与测试参数，按照网络模块组的不同，包含网络的类型名称、网络深度、网络连接模块的输入输出通道数、使用的检测头种类以及相关参数；
18.所述目标检测数据集的相关参数，包含数据集的种类、图像类别、是否进行类别采样以及采样比例、是否进行数据采样以及采样比例、图像规模、是否随机翻转。
19.所述步骤s3具体为：
20.步骤s31：按照步骤s1以及步骤s2所述的配置，初始化神经网络的自优化搜索森林；
21.步骤s32：对搜索森林和训练数据进行采样，并对采样出的模型使用采样数据进行小规模评估训练，并记录模型的平均精确度和图片处理速度；
22.步骤s33：重复步骤s32，直到搜索森林中的所有模型都被评估完成，或者达到步骤s22中的限制时间，并对结果进行汇总；
23.步骤s34：对步骤s33中得到的结果进行分析，进行模型效果预估，并对效果不好的流程模型进行剪枝处理，输出若干最优模型组合。
24.所述步骤s34中的模型效果预估方法具体为：若目标检测模型确定后，模型的图片处理速度是不受到训练规模影响的固定值，则步骤s32中小规模训练得到的模型的图片处理速度是准确的，只需对模型平均精确度进行预测即可，其预测方法分为基于类别的预测和基于数据子集的预测；
25.所述基于类别的预测，即对于数据集中的每一个物体类别给出一个基础的补正精确度，再计算平均精确度；
26.所述基于数据子集的预测即缩减训练集图片数量不缩减类别，以小规模评估训练对每一个类别给出补正来进行预测，然后对所有类别进行均值计算。模型最终的预测精精确度的计算方式为：
[0027][0028]
其中，p为该模型的预测精确度，pi为第i个类别的小规模训练预测精度，δi为第i个类别的补正精度，n为类别数量。
[0029]
所述步骤s4具体为：
[0030]
步骤s41：对s34输出的模型组合进行标准化训练；
[0031]
步骤s42：统计模型效果，输出最优模型。
[0032]
本发明所述方法用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
[0033]
本发明与现有技术相比具有以下有益效果：
[0034]
1、本发明使用了自动化的思想，对于繁杂的目标检测流程选取进行了优化，对于模型进行效果预估，并对低效的模型流程进行剪枝处理，减少了大量模型的训练、测试与选取时间，提升目标检测流程搭建效率；
[0035]
2、本发明结合了硬件条件限制与时间限制，不同的运行条件产生的最优模型组不同，有效的提升了自优化模型针对不同设备的鲁棒性；
[0036]
3、本发明的自优化流程在运行过程中会产生全新的模型，这些模型相比于旧模型而言，保证了运行速度的同时，提升了目标检测精确度。
附图说明
[0037]
下面结合附图和具体实施方式对本发明进一步详细的说明：
[0038]
附图1是本发明的流程示意图。
具体实施方式
[0039]
如图所示，一种基于深度学习的目标检测流程自优化方法，包括以下步骤：
[0040]
步骤s1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；
[0041]
步骤s2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；
[0042]
步骤s3：将步骤s1的自优化空间与步骤s2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；
[0043]
步骤s4：对步骤s3得到的模型组进行标准化完全训练，统计效果并输出最终模型组。
[0044]
所述步骤s1具体为：
[0045]
步骤s11：确定标准化的目标检测神经网络模块，按照神经网络模块的功能以及标准流程位置的不同划分为若干模块组，并对每一个模块组提出若干种网络模块定义；
[0046]
步骤s12：确定步骤s11中的目标检测神经网络模块所需围绕的基础模型种类，以确定作为模块化搜索的中心模型簇。
[0047]
所述步骤s2具体为：
[0048]
步骤s21：确定自优化方法的基础硬件配置，包括显卡、cpu以及内存的相关参数；
[0049]
步骤s22：确定自优化方法的运行时间限制、神经网络模块的运行参数以及最终的优化目标；最终优化目标包括平均精确度与时间。
[0050]
所述步骤s22中的神经网络模块的运行参数，包含与步骤s11中的网络模块相适应的标准化训练与测试参数，还包括其所使用目标检测数据集的相关参数；其中，神经网络模块的标准化训练与测试参数，按照网络模块组的不同，包含网络的类型名称、网络深度、网络连接模块的输入输出通道数、使用的检测头种类以及相关参数；
[0051]
所述目标检测数据集的相关参数，包含数据集的种类、图像类别、是否进行类别采样以及采样比例、是否进行数据采样以及采样比例、图像规模、是否随机翻转。
[0052]
所述步骤s3具体为：
[0053]
步骤s31：按照步骤s1以及步骤s2所述的配置，初始化神经网络的自优化搜索森
林；
[0054]
步骤s32：对搜索森林和训练数据进行采样，并对采样出的模型使用采样数据进行小规模评估训练，并记录模型的平均精确度和图片处理速度；
[0055]
步骤s33：重复步骤s32，直到搜索森林中的所有模型都被评估完成，或者达到步骤s22中的限制时间，并对结果进行汇总；
[0056]
步骤s34：对步骤s33中得到的结果进行分析，进行模型效果预估，并对效果不好的流程模型进行剪枝处理，输出若干最优模型组合。
[0057]
所述步骤s34中的模型效果预估方法具体为：若目标检测模型确定后，模型的图片处理速度是不受到训练规模影响的固定值，则步骤s32中小规模训练得到的模型的图片处理速度是准确的，只需对模型平均精确度进行预测即可，其预测方法分为基于类别的预测和基于数据子集的预测；
[0058]
所述基于类别的预测，即对于数据集中的每一个物体类别给出一个基础的补正精确度，再计算平均精确度；
[0059]
所述基于数据子集的预测即缩减训练集图片数量不缩减类别，以小规模评估训练对每一个类别给出补正来进行预测，然后对所有类别进行均值计算。模型最终的预测精精确度的计算方式为：
[0060][0061]
其中，p为该模型的预测精确度，pi为第i个类别的小规模训练预测精度，δi为第i个类别的补正精度，n为类别数量。
[0062]
所述步骤s4具体为：
[0063]
步骤s41：对s34输出的模型组合进行标准化训练；
[0064]
步骤s42：统计模型效果，输出最优模型。
[0065]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。