模型训练方法、装置、电子设备及存储介质与流程

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取训练数据集，其中，在确定第二队列中存在数据的情况下，所述训练数据集为由第一队列的数据以及第二队列的数据构成的数据集合，所述第一队列中的数据为目标数据集中的数据，所述第二队列中的数据为应用第一增强策略对所述目标数据集中的目标数据进行增强后的数据，所述第一增强策略对应的理论第一增强速率大于第一速率，所述速率表征每个数据进行增强的耗时；基于所述训练数据集对待训练的模型进行一次迭代训练，得到迭代训练后的模型，在所述迭代训练过程中，并行执行应用所述第一增强策略对所述目标数据集中除所述目标数据之外的剩余数据进行增强，并将增强后的数据加入所述第二队列的过程。2.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集对待训练的模型进行一次迭代训练，得到迭代训练后的模型，包括：应用第二增强策略对所述训练数据集进行增强处理，得到增强后的训练数据集，所述第二增强策略对应的理论第二增强速率小于第二速率，所述第二速率小于或者等于所述第一速率；基于所述增强后的训练数据集，对待训练的模型进行一次迭代训练，得到迭代训练后的模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：应用第二增强策略对原始数据集中的原始数据进行处理，得到所述目标数据集，所述第二增强策略对应的理论第二增强速率小于第二速率，所述第二速率小于或者等于所述第一速率。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定当前迭代训练对应的预测训练速率，以及当前的预测第一增强速率；至少基于所述预测训练速率以及所述预测第一增强速率，确定在当前迭代训练过程中，并行执行的对所述剩余数据进行增强的过程的控制策略。5.根据权利要求4所述的方法，其特征在于，所述至少基于所述预测训练速率以及所述预测第一增强速率，确定在当前迭代训练过程中，并行执行的对所述剩余数据进行增强的过程的控制策略，包括：在所述预测第一增强速率小于或者等于所述预测训练速率的情况下，确定保持对所述剩余数据进行增强的过程的增强速率。6.根据权利要求4所述的方法，其特征在于，所述至少基于所述预测训练速率以及所述预测第一增强速率，确定在当前迭代训练过程中，并行执行的对所述剩余数据进行增强的过程的控制策略，包括：在所述预测第一增强速率大于所述预测训练速率的情况下，基于所述第二队列中的数据的空置率，确定所述控制策略。7.根据权利要求6所述的方法，其特征在于，所述基于所述第二队列中的数据的空置率，确定所述控制策略，包括：在所述空置率大于第一数值的情况下，确定保持对所述剩余数据进行增强的过程的增强速率；在所述空置率小于或者等于所述第一数值的情况下，确定降低对所述剩余数据进行增
强的过程的增强速率。8.根据权利要求1-7任一项所述的方法，其特征在于，在确定所述第二队列中不存在数据的情况下，所述训练数据集为由所述第一队列的数据构成的数据集合。9.根据权利要求1-7任一项所述的方法，其特征在于，所述数据为图像数据，所述第一增强策略包括基于深度学习的图像增强模型的策略和/或基于人工图像增强处理的策略，第二增强策略包括尺寸缩放算法、随机剪裁算法、对比度变换算法、光照变换算法、图像旋转算法以及色度变换算法中的一种或者多种的组合。10.一种模型训练装置，其特征在于，所述装置包括：训练数据集获取模块，被配置为获取训练数据集，其中，在确定第二队列中存在数据的情况下，所述训练数据集为由第一队列的数据以及第二队列的数据构成的数据集合，所述第一队列中的数据为目标数据集中的数据，所述第二队列中的数据为应用第一增强策略对所述目标数据集中的目标数据进行增强后的数据，所述第一增强策略对应的理论第一增强速率大于第一速率，所述速率表征每个数据进行增强的耗时；迭代训练模块，被配置为基于所述训练数据集对待训练的模型进行一次迭代训练，得到迭代训练后的模型，在所述迭代训练过程中，并行执行应用所述第一增强策略对所述目标数据集中除所述目标数据之外的剩余数据进行增强，并将增强后的数据加入所述第二队列的过程。11.一种电子设备，其特征在于，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。

技术总结
本公开涉及一种模型训练方法、装置、电子设备及存储介质，该方法包括：获取训练数据集，在确定第二队列中存在数据时，训练数据集为由第一队列的数据以及第二队列的数据构成的数据集合，第一队列中的数据为目标数据集中的数据，第二队列中的数据为应用第一增强策略对目标数据集中的目标数据进行增强后的数据，第一增强策略对应的理论第一增强速率大于第一速率；基于训练数据集对待训练的模型进行一次迭代训练，得到迭代训练后的模型，在迭代训练过程中，并行执行应用第一增强策略对目标数据集中除目标数据之外的剩余数据进行增强，并将增强后的数据加入第二队列的过程。本公开的方法可以兼顾模型训练效率以及模型训练效果。可以兼顾模型训练效率以及模型训练效果。可以兼顾模型训练效率以及模型训练效果。


技术研发人员：周天宝
受保护的技术使用者：小米汽车科技有限公司
技术研发日：2022.03.29
技术公布日：2022/6/7