目标检测、识别及训练方法、设备及存储介质与流程

1.本公开涉及图像处理技术领域，尤其涉及一种目标检测、识别方法、装置、设备及存储介质。


背景技术：

2.近年来，随着国家经济的快速发展，市场上的商品种类也在快速增长，面对繁杂海量的商标种类，商品的侵权管控能力则显得尤为重要。随着我国对自主知识产权的重视度越来越高，各种商品logo的合规性、合法性检测已经逐渐发展完善，而一些没有明显logo，仅凭商品形象以及表面的花纹代表其品牌的商品却成为漏网之鱼，商品花纹的侵权行为屡见不鲜。
3.目前市场上进行商品花纹识别的实现方案一般采用传统特征比对或者深度学习分类的形式进行。两者虽然能够在特定数据规模上有些许优势，但其面临的局限性也是十分明显的。众所周知，商品商标的场景非常复杂，光照强弱不同、清晰度不同、颜色各式各样、大小变体变化不一等均存在，这些状况都影响着传统特征的提取结果。
4.采用传统特征比对的方式，例如采用图片的hog特征、sift特征等方式，依赖于传统特征的提取结果，在面对复杂的商品商标场景时，这种方法显得捉襟见肘。
5.而采用深度学习分类的方法，虽然可以自动提取商品商标的特征并进行分类，但在小目标场景下识别错误率将直线上升，而现实环境中小目标的场景是非常多的，同时分类模型训练过程需要大量数据集，数据集的标注耗时耗力，这严重制约了深度学习分类方法在商品商标品类识别的扩展性。
6.综上所述，现有的方法中并不能满足低标注、耗时高、精确识别商品花纹的业务需求。
7.公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


技术实现要素：

8.本公开实施例提供一种目标检测模型训练、目标检测及识别方法，能够至少解决现有技术中的部分问题。
9.本公开实施例的第一方面，
10.提供一种目标检测模型训练方法,包括：
11.基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
12.根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
13.根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
14.根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。
15.在一种可选的实施方式中，
16.所述数据标注规则包括：
17.基于所述第一训练数据集的数据类型，设定对应的标注规则，其中，所述第一训练数据集包括花纹数据集：
18.若所述花纹数据集为第一花纹类型，则对整体花纹进行标注，其中，所述第一花纹类型包括整体花纹；
19.若所述花纹数据集为第二花纹类型，则对分界花纹和组成花纹分别进行标注，其中，所述第二花纹类型包括分界花纹和组成花纹组合而成的花纹；
20.若所述花纹数据集为第三花纹类型，则对各个独立花纹分别进行标注，其中，所述第三花纹类型包括多个独立花纹组合而成的花纹。
21.在一种可选的实施方式中，
22.所述构建所述目标检测训练数据集的方法包括：
23.通过所述数据标注模型对所述第二训练数据集进行预测打标，其中，所述第二训练数据集包括未标注的训练数据，所述预测打标的方法包括标定所述未标注的训练数据中目标的位置和类别；
24.按照预设调整标准对经过预测打标后不满足预设打标标准的数据进行调整，以使不满足预设打标标准的数据符合预设打标标准。
25.在一种可选的实施方式中，
26.在根据所述目标检测训练数据集训练目标检测模型之前，所述方法还包括：
27.构建所述目标检测模型的网络结构，所述构建方法包括：
28.在所述目标检测模型的输出层中增加第一目标检测输出层，删除第二目标检测输出层，
29.其中，所述第一目标检测输出层用于检测第一预设尺寸目标，所述第二目标检测输出层用于检测第二预设尺寸目标，所述第一预设尺寸小于所述第二预设尺寸。
30.在一种可选的实施方式中，
31.根据所述差异值更新所述目标检测模型的网络权重的方法包括：
32.确定所述目标检测模型的目标预测框与目标真实框的交集与并集之比；
33.基于所述交集与并集之比、所述目标预测框与所述目标真实框的尺寸，以及预先设定的指数系数，确定所述差异值；
34.根据所述差异值，通过反向传播算法确定所述目标检测模型中每个网络节点的梯度值；
35.基于所述梯度值以及预先设定的网络学习率，进行单次网络权重更新；
36.更新网络权重后，重新确定新的差异值和新的梯度值，并进行多次网络权重更新，直至所述差异值满足预设阈值条件。
37.在一种可选的实施方式中，
38.在获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值之前，所述方法还包括：
39.获取所述目标检测模型的输出层的预测框尺寸，判断所述预测框尺寸是否与预设过滤阈值相匹配；
40.若不匹配，则过滤不匹配的预测框尺寸对应的预测框。
41.本公开实施例的第二方面，
42.提供一种目标检测方法，所述方法应用如本公开实施例的第一方面所述的目标检测模型，所述目标检测方法包括：
43.根据目标检测模型对待检测图像进行目标检测，若检测出所述待检测图像中存在与所述目标检测模型的目标检测尺寸相匹配的对象，
44.则标注所述待检测图像中与目标检测尺寸相匹配的对象。
45.本公开实施例的第三方面，
46.提供一种目标识别方法，所述方法应用如本公开实施例的第一方面所述的目标检测模型，所述目标识别方法包括：
47.根据目标检测模型对待检测图像进行目标识别，识别所述待检测图像中的目标位置以及目标类型。
48.本公开实施例的第四方面，
49.提供一种目标检测模型训练装置，包括：
50.第一单元，用于基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
51.第二单元，用于根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
52.第三单元，用于根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
53.第四单元，用于根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。
54.本公开实施例的第五方面，
55.提供一种目标检测装置，所述装置应用如本公开实施例的第一方面所述的目标检测模型，所述目标检测装置包括：
56.第七单元，用于根据目标检测模型对待检测图像进行目标检测，
57.第八单元，用于若检测出所述待检测图像中存在与所述目标检测模型的目标检测尺寸相匹配的对象，
58.则标注所述待检测图像中与目标检测尺寸相匹配的对象。
59.本公开实施例的第六方面，
60.提供一种目标识别装置，所述装置应用如本公开实施例的第一方面所述的目标检测模型，所述目标识别装置包括：
61.第九单元，用于根据目标检测模型对待检测图像进行目标识别；
62.第十单元，用于识别所述待检测图像中的目标位置以及目标类型。
63.本公开实施例的第七方面，
64.提供一种电子设备，包括：
65.处理器；
66.用于存储处理器可执行指令的存储器；
67.其中，所述处理器被配置为调用所述存储器存储的指令，以执行本公开实施例第一方面、第二方面和第三方面所述的方法。
68.本公开实施例的第八方面，
69.提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现本公开实施例第一方面、第二方面和第三方面所述的方法。
70.本公开提供一种目标检测模型训练方法，包括：
71.基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
72.根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
73.根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
74.根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。
75.本技术通过预先设定的数据标注规则标注训练数据，能够通过少量的标注数据训练数据标注模型，从而使得训练后的数据标注模型能够准确标定不同类型的目标，并且对其中标定不符合标准的数据进行调整，保证标注效率的同时进一步提高标注的准确性；
76.在数据标注规则标注训练数据的基础上，通过目标检测模型能够有效提高小目标对象的检测准确度，并且能够更好地应用于复杂场景；
77.此外，通过调整目标检测模型的网络结构能够去除大目标的输出头，增加小目标的检测头，加强对小目标对象的检测强度的同时，有效减少目标检测模型的计算量；
78.再者，通过调整目标检测模型的网络权重能够提高对目标预测框与目标真实框的偏移的敏感和重视，增加对小目标场景检测和识别的融洽性；
79.最后，在训练数据进入各个模型之前，可以通过混合、马赛克等方式进行图像增强操作，增加数据丰富性，提升模型标注、检测及识别的效果。
附图说明
80.图1为本公开实施例目标检测模型训练方法的流程示意图；
81.图2为本公开实施例目标检测方法的流程示意图；
82.图3为本公开实施例目标识别方法的流程示意图；
83.图4为本公开实施例目标检测模型训练装置的结构示意图；
84.图5为本公开实施例目标检测装置的结构示意图；
85.图6为本公开实施例目标识别装置的结构示意图。
具体实施方式
86.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
87.本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
88.应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
89.应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
90.应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
91.应当理解，在本公开中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
92.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
93.下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
94.图1示例性地示出本公开实施例目标检测模型训练方法的流程示意图，如图1所示，所述方法包括：
95.s101、基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
96.s102、根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
97.在一种可选的实施方式中，
98.所述数据标注规则包括：
99.基于所述第一训练数据集的数据类型，设定对应的标注规则，其中，所述第一训练数据集包括花纹数据集：
100.若所述花纹数据集为第一花纹类型，则对整体花纹进行标注，其中，所述第一花纹类型包括整体花纹；
101.若所述花纹数据集为第二花纹类型，则对分界花纹和组成花纹分别进行标注，其中，所述第二花纹类型包括分界花纹和组成花纹组合而成的花纹；
102.若所述花纹数据集为第三花纹类型，则对各个独立花纹分别进行标注，其中，所述第三花纹类型包括多个独立花纹组合而成的花纹。
103.示例性地，本公开实施例以商品花纹为例，示例性地，商品花纹具有连贯性和可无限延伸性，与具有明显特征且独立的目标不一样，怎样对花纹进行标注成为一大难题。
104.本公开实施例通过预先设定的数据标注规则标注第一训练数据集，具体地，可以将商品花纹分为三种情况：
105.第一类，商品花纹以整块的形式出现，则可以进行整体标注，以整块标注为一个目标；
106.第二类，商品花纹有明显分界，也即，商品花纹中包括至少两种类别花纹，其中，两个类别之间存在明显分界，则可以以分界为准，将每一块花纹视为独立整体并进行标注；
107.第三类，商品花纹延续细长，则可以进行分块标注，将细长花纹切分为多段，将每一段作为独立整体进行标注；
108.在一种可选的实施方式中，
109.所述构建所述目标检测训练数据集的方法包括：
110.通过所述数据标注模型对所述第二训练数据集进行预测打标，其中，所述第二训练数据集包括未标注的训练数据，所述预测打标的方法包括标定所述未标注的训练数据中目标的位置和类别；
111.按照预设调整标准对经过预测打标后不满足预设打标标准的数据进行调整，以使不满足预设打标标准的数据符合预设打标标准。
112.通过将商品花纹进行分类，并且对每类花纹进行对应的标记，在标记过程中，可以通过模型预打标的方式，可以参照以上标准标注一小批数据，标注完成后，通过标注后的数据训练一个轻量的数据标注模型，该数据标注模型在一些与数据集中场景与目标相似的数据上表现与正常的标注数据无异，利用此特点，可以在利用少量标注数据训练数据标注模型后，使用该模型对大量未标注的数据进行预测打标，之后再对这些预打标数据进行调整，一些位置不准确或类别不对的框进行矫正。
113.通过预先设定的数据标注规则标注训练数据，能够准确标定不同类型的目标，并且可以通过少量的标注数据训练数据标注模型，用以提升数据标注模型的标注准确率。
114.通过数据标注模型标注第二训练数据集后可以构建目标检测训练数据集，目标检测训练数据集能够用于训练目标检测模型。
115.s103、根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
116.其中，所述训练输出结果用于指示所述目标检测训练数据集输入所述目标检测模型后输出的结果；
117.现有的商品花纹识别方法一般采用传统的特征比对方法或者深度学习分类方法，传统特征比对方法局限性较大，在面对复杂的商品花纹场景时效果很差，而深度学习分类的方法，在小目标场景下识别错误率较高，场景覆盖程度不高。
118.示例性地，本公开实施例的目标检测模型可以包括yolov5模型，其中，yolov5模型只是示例性地说明，本公开实施例对目标检测模型的具体类型并不进行限定。
119.可选地，可以分别将目标检测训练数据集输入目标检测模型，得到训练输出结果，并计算训练输出结果和预先获取的真实标签的差异值。
120.得到差异值后，可以进一步通过反向传播算法计算出目标检测模型中每个节点的
梯度，乘上学习率后进行一次网络权重的更新，重复此过程，使得模型的预测结果越来越接近真实标签的输出结果，从而完成模型训练。
121.在一种可选的实施方式中，
122.在根据所述目标检测训练数据集训练目标检测模型之前，所述方法还包括：
123.构建所述目标检测模型的网络结构，所述构建方法包括：
124.在所述目标检测模型的输出层中增加第一目标检测输出层，删除第二目标检测输出层，
125.其中，所述第一目标检测输出层用于检测第一预设尺寸目标，所述第二目标检测输出层用于检测第二预设尺寸目标，所述第一预设尺寸小于所述第二预设尺寸。
126.在目标检测模型结构上，考虑到商品花纹场景大多为小目标，为针对此情况，可以在在所述目标检测模型的输出层中增加第一目标检测输出层，其中，第一目标检测输出层可以是152*152，用于加强对小目标是检测，同时删除第二目标检测输出层，其中，第二目标检测输出层可以是19*19，用于去除大目标输出头，减少计算量。
127.在一种可选的实施方式中，
128.在获取所述目标检测模型的训练输出结果和预先获取的真实标签的损失值之前，所述方法还包括：
129.获取所述目标检测模型的输出层的预测框尺寸，判断所述预测框尺寸是否与预设过滤阈值相匹配；
130.若不匹配，则过滤不匹配的预测框尺寸对应的预测框。
131.实际应用中，为了减少计算量，可以在预测框尺寸与预设过滤阈值不匹配时，过滤不匹配的预测框尺寸对应的预测框。也即，在进行非极大值抑制阶段，将不满足阈值条件的框除去，不进入非极大值抑制阶段，其中，阈值的设置需根据具体情况设计。
132.s104、根据所述损失值更新所述目标检测模型的网络权重，以使所述损失值满足预设阈值条件。
133.在一种可选的实施方式中，
134.根据所述差异值更新所述目标检测模型的网络权重的方法包括：
135.确定所述目标检测模型的目标预测框与目标真实框的交集与并集之比；
136.基于所述交集与并集之比、所述目标预测框与所述目标真实框的尺寸，以及预先设定的指数系数，确定所述差异值；
137.根据所述差异值，通过反向传播算法确定所述目标检测模型中每个网络节点的梯度值；
138.基于所述梯度值以及预先设定的网络学习率，进行单次网络权重更新；
139.更新网络权重后，重新确定新的差异值和新的梯度值，并进行多次网络权重更新，直至所述差异值满足预设阈值条件。
140.示例性地，因为是小目标场景，在目标预测框与目标真实框的差异值计算过程中，差异值对目标预测框和目标真实框的位置是很敏感的，实际应用中，可以通过如下公式所示的方法计算目标预测框与目标真实框的交集与并集之比：
141.142.其中，
143.其中，iou loss表示交集与并集之比，γ表示预先设定的指数系数，d表示目标预测框与目标真实框的中心距离，c表示目标预测框与目标真实框的最小外接矩形的对角线距离，v表示衡量长宽比一致性的参数，w
gt
表示目标真实框的宽度，w
p
表示目标预测框的宽度，h
gt
表示目标真实框的高度，h
p
表示目标预测框的高度。
144.在加入预先设定的指数系数后，差异值对目标预测框与目标真实框的偏移更加敏感和重视，对商品花纹的小目标场景是非常洽和的，该指数系数的具体数值同样由具体情况决定，示例性地，指数系数可以为2。
145.在一种可选的实施方式中，在训练数据进入各个模型之前，可以通过混合、马赛克等方式进行图像增强操作，增加数据丰富性，提升模型标注、检测及识别的效果。
146.本公开提供一种目标检测模型训练方法，包括：
147.基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
148.根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
149.根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
150.其中，所述第一训练结果用于指示所述目标检测训练数据集输入所述目标检测模型后输出的结果；
151.根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。
152.本技术通过预先设定的数据标注规则标注训练数据，能够通过少量的标注数据训练数据标注模型，从而使得训练后的数据标注模型能够准确标定不同类型的目标，并且对其中标定不符合标准的数据进行调整，保证标注效率的同时进一步提高标注的准确性；
153.在数据标注规则标注训练数据的基础上，通过目标检测模型能够有效提高小目标对象的检测准确度，并且能够更好地应用于复杂场景；
154.此外，通过调整目标检测模型的网络结构能够去除大目标的输出头，增加小目标的检测头，加强对小目标对象的检测强度的同时，有效减少目标检测模型的计算量；
155.再者，通过调整目标检测模型的网络权重能够提高对目标预测框与目标真实框的偏移的敏感和重视，增加对小目标场景检测和识别的融洽性；
156.最后，在训练数据进入各个模型之前，可以通过混合、马赛克等方式进行图像增强操作，增加数据丰富性，提升模型标注、检测及识别的效果。
157.图2示例性地示出本公开实施例目标检测方法的流程示意图，如图2所示，所述方法应用如本公开实施例的第一方面所述的目标检测模型，所述目标检测方法包括：
158.s201、根据目标检测模型对待检测图像进行目标检测，
159.s202、若检测出所述待检测图像中存在与所述目标检测模型的目标检测尺寸相匹配的对象，则标注所述待检测图像中与目标检测尺寸相匹配的对象。
160.示例性地，通过本公开实施例的第一方面所述的目标检测模型能够有效地识别出待检测图像中的小目标，并且对所识别出的小目标进行标注。
161.需要说明的是，本公开实施例目标检测方法的有益效果可以参考前述目标检测模型训练方法的有益效果，本公开实施例在此不再赘述。
162.图3示例性地示出本公开实施例目标识别方法的流程示意图，如图3所示，所述方法应用如本公开实施例的第一方面所述的目标检测模型，所述目标识别方法包括：
163.s301、根据目标检测模型对待检测图像进行目标识别，
164.s302、识别所述待检测图像中的目标位置以及目标类型。
165.需要说明的是，本公开实施例目标识别方法的有益效果可以参考前述目标检测模型训练方法的有益效果，本公开实施例在此不再赘述。
166.图4示例性地示出本公开实施例目标检测模型训练装置的结构示意图，如图4所示，所述装置包括：
167.第一单元41，用于基于预先设定的数据标注规则标注第一训练数据集，根据标注后的第一训练数据集训练数据标注模型；
168.第二单元42，用于根据训练后的数据标注模型标注第二训练数据集，构建目标检测训练数据集；
169.第三单元43，用于根据所述目标检测训练数据集训练目标检测模型，获取所述目标检测模型的训练输出结果和预先获取的真实标签的差异值，
170.其中，所述训练输出结果用于指示所述目标检测训练数据集输入所述目标检测模型后输出的结果；
171.第四单元44，用于根据所述差异值更新所述目标检测模型的网络权重，以使所述差异值满足预设阈值条件。
172.在一种可选的实施方式中，
173.所述数据标注规则包括：
174.基于所述第一训练数据集的数据类型，设定对应的标注规则，其中，所述第一训练数据集包括花纹数据集：
175.若所述花纹数据集为第一花纹类型，则对整体花纹进行标注，其中，所述第一花纹类型包括整体花纹；
176.若所述花纹数据集为第二花纹类型，则对分界花纹和组成花纹分别进行标注，其中，所述第二花纹类型包括分界花纹和组成花纹组合而成的花纹；
177.若所述花纹数据集为第三花纹类型，则对各个独立花纹分别进行标注，其中，所述第三花纹类型包括多个独立花纹组合而成的花纹。
178.在一种可选的实施方式中，
179.所述第二单元42还用于：
180.通过所述数据标注模型对所述第二训练数据集进行预测打标，其中，所述第二训练数据集包括未标注的训练数据，所述预测打标的方法包括标定所述未标注的训练数据中目标的位置和类别；
181.按照预设调整标准对经过预测打标后不满足预设打标标准的数据进行调整，以使不满足预设打标标准的数据符合预设打标标准。
182.在一种可选的实施方式中，
183.所述装置还包括第五单元，所述第五单元用于：
184.构建所述目标检测模型的网络结构，所述第五单元还用于：
185.在所述目标检测模型的输出层中增加第一目标检测输出层，删除第二目标检测输出层，
186.其中，所述第一目标检测输出层用于检测第一预设尺寸目标，所述第二目标检测输出层用于检测第二预设尺寸目标，所述第一预设尺寸小于所述第二预设尺寸。
187.在一种可选的实施方式中，
188.所述第四单元44还用于：
189.确定所述目标检测模型的目标预测框与目标真实框的交集与并集之比；
190.基于所述交集与并集之比、所述目标预测框与所述目标真实框的尺寸，以及预先设定的指数系数，确定所述差异值；
191.根据所述差异值，通过反向传播算法确定所述目标检测模型中每个网络节点的梯度值；
192.基于所述梯度值以及预先设定的网络学习率，进行单次网络权重更新；
193.更新网络权重后，重新确定新的差异值和新的梯度值，并进行多次网络权重更新，直至所述差异值满足预设阈值条件。
194.在一种可选的实施方式中，
195.所述装置还包括第六单元，所述第六单元用于：
196.获取所述目标检测模型的输出层的预测框尺寸，判断所述预测框尺寸是否与预设过滤阈值相匹配；
197.若不匹配，则过滤不匹配的预测框尺寸对应的预测框。
198.需要说明的是，本公开实施例目标检测模型训练装置的有益效果可以参考前述目标检测模型训练方法的有益效果，本公开实施例在此不再赘述。
199.图5示例性地示出本公开实施例目标检测装置的结构示意图，其中，本公开的目标检测装置应用如本公开实施例的第一方面所述的目标检测模型，如图5所示，所述装置包括：
200.第七单元51，用于根据目标检测模型对待检测图像进行目标检测，
201.第八单元52，用于若检测出所述待检测图像中存在与所述目标检测模型的目标检测尺寸相匹配的对象，
202.则标注所述待检测图像中与目标检测尺寸相匹配的对象。
203.需要说明的是，本公开实施例目标检测装置的有益效果可以参考前述目标检测模型训练方法的有益效果，本公开实施例在此不再赘述。
204.图6示例性地示出本公开实施例目标识别装置的结构示意图，其中，本公开的目标识别装置应用如本公开实施例的第一方面所述的目标检测模型，如图6所示，所述装置包括：
205.第九单元61，所述第一单元用于根据目标检测模型对待检测图像进行目标识别，
206.第十单元62，所述第二单元用于识别所述待检测图像中的目标位置以及目标类型。
207.本公开实施例还提供一种电子设备，包括：
208.处理器；
209.用于存储处理器可执行指令的存储器；
210.其中，所述处理器被配置为调用所述存储器存储的指令，以执行本公开实施例图1、图2和图3实施例对应的方法。
211.本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现本公开实施例图1、图2和图3实施例对应的方法。
212.本公开还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
213.其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
214.在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
215.最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。