目标检测模型的神经网络搜索方法、装置和电子设备与流程

技术特征：
1.一种目标检测模型的神经网络搜索方法，包括：获取搜索空间，所述搜索空间包括多个网络模块，所述多个网络模块用于组合成骨干网络、检测颈部网络和检测头部网络；对所述搜索空间中的所述网络模块进行多次神经网络结构搜索，得到多个候选检测模型，其中，所述候选检测模型包括候选骨干网络、候选检测颈部网络和候选检测头部网络；针对任一候选检测模型，基于第一训练样本图像对所述候选检测模型进行训练，以对所述候选检测模型进行模型调整，得到训练后候选检测模型；选取符合设定条件的训练后候选检测模型作为目标检测模型。2.根据权利要求1所述的方法，其中，所述选取符合设定条件的训练后候选检测模型作为目标检测模型，包括：从多个所述训练后候选检测模型中，按照进化算法选取待验证的训练后候选检测模型；基于验证样本图像对所述待验证的训练后候选检测模型进行精度验证，获取所述待验证的训练后候选检测模型的模型精度；选取模型性能参数和所述检测模型精度满足条件的所述待验证的训练后候选检测模型，作为所述目标检测模型。3.根据权利要求1所述的方法，其中，所述目标检测模型确定之后，还包括：基于第二训练样本图像对所述目标检测模型进行重新训练，以获取最终的目标检测模型。4.根据权利要求1所述的方法，其中，所述方法还包括：针对第i次所述神经网络结构搜索，确定前面i-1次在所述搜索空间内已搜索过的网络模块，其中，所述i为大于1的正整数，且不大于设定的总搜索次数；基于所述已搜索过的网络模块，确定所述搜索空间中剩余的所述网络模块，并在所述剩余的网络模块中进行搜索。5.根据权利要求1-4中任一项所述的方法，其中，在所述搜索空间中进行所述神经网络结构搜索，得到所述候选检测模型的过程，包括：对所述搜索空间当前可搜索的网络模块中进行搜索，获取用于构成所述候选检测模型的第一网络模块；将所述可搜索的网络模块中剩余的第二网络模块通过设定卷积层进行替代；基于所述第一网络模块和所述第二网络模块对应的所述设定卷积层，生成所述候选检测模型。6.根据权利要求5所述的方法，其中，所述基于第二训练样本图像对所述目标检测模型进行重新训练，包括：删除所述目标检测模型中所述设定卷积层；基于所述第二训练样本图像对删除所述设定卷积层的所述目标检测模型进行重新训练。7.根据权利要求5所述的方法，其中，所述网络模块包括多个通道，所述多个通道共享最大通道数的权重，所述方法还包括：在所述神经网络结构搜索过程中为所述第一网络模块随机选取通道；
在训练时所述选取通道共享所述最大通道数的权重进行训练。8.根据权利要求7所述的方法，其中，对所述候选模型进行模型调整，包括：响应于选取的通道数小于所述最大通道数，从所述最大通道数的权重中切分出所述随机选取通道对应的权重；对所述随机选取通道对应的权重进行梯度更新。9.一种目标检测模型的神经网络搜索装置，包括：获取模块，用于获取搜索空间，所述搜索空间包括多个网络模块，所述多个网络模块用于组合成骨干网络、检测颈部网络和检测头部网络；搜索模块，用于对所述搜索空间中的所述网络模块进行多次神经网络结构搜索，得到多个候选检测模型，其中，所述候选检测模型包括候选骨干网络、候选检测颈部网络和候选检测头部网络；训练模块，用于针对任一候选检测模型，基于第一训练样本图像对所述候选检测模型进行训练，以对所述候选检测模型进行模型调整，得到训练后候选检测模型；确定模块，用于选取符合设定条件的训练后候选检测模型作为目标检测模型。10.根据权利要求9所述的装置，其中，所述确定模块，还用于：从多个所述训练后候选检测模型中，按照进化算法选取待验证的训练后候选检测模型；基于验证样本图像对所述待验证的训练后候选检测模型进行精度验证，获取所述待验证的训练后候选检测模型的模型精度；选取模型性能参数和所述检测模型精度满足条件的所述待验证的训练后候选检测模型，作为所述目标检测模型。11.根据权利要求9所述的装置，其中，所述确定模块，还用于：基于第二训练样本图像对所述目标检测模型进行重新训练，以获取最终的目标检测模型。12.根据权利要求9所述的装置，其中，所述装置，还用于：针对第i次所述神经网络结构搜索，确定前面i-1次在所述搜索空间内已搜索过的网络模块，其中，所述i为大于1的正整数，且不大于设定的总搜索次数；基于所述已搜索过的网络模块，确定所述搜索空间中剩余的所述网络模块，并在所述剩余的网络模块中进行搜索。13.根据权利要求9-12中任一项所述的装置，其中，所述搜索模块，还用于：对所述搜索空间当前可搜索的网络模块中进行搜索，获取用于构成所述候选检测模型的第一网络模块；将所述可搜索的网络模块中剩余的第二网络模块通过设定卷积层进行替代；基于所述第一网络模块和所述第二网络模块对应的所述设定卷积层，生成所述候选检测模型。14.根据权利要求13所述的装置，其中，所述确定模块，还用于：删除所述目标检测模型中所述设定卷积层；基于所述第二训练样本图像对删除所述设定卷积层的所述目标检测模型进行重新训练。
15.根据权利要求13所述的装置，其中，所述确定模块，还用于：在所述神经网络结构搜索过程中为所述第一网络模块随机选取通道；在训练时所述选取通道共享所述最大通道数的权重进行训练。16.根据权利要求15所述的装置，其中，所述训练模块，还用于：响应于选取的通道数小于所述最大通道数，从所述最大通道数的权重中切分出所述随机选取通道对应的权重；对所述随机选取通道对应的权重进行梯度更新。17.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的目标检测模型的神经网络搜索方法。18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的目标检测模型的神经网络搜索方法。19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的目标检测模型的神经网络搜索方法。

技术总结
本公开提供了一种目标检测模型的神经网络搜索方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及智能搜索、深度学习、图像处理和计算机视觉技术领域。具体实施方案为：获取搜索空间；对搜索空间中的网络模块进行多次神经网络结构搜索，得到多个候选检测模型，其中，候选检测模型包括候选骨干网络、候选检测颈部网络和候选检测头部网络；针对任一候选检测模型，对候选检测模型进行模型调整，得到训练后候选检测模型；选取符合设定条件的训练后候选检测模型作为目标检测模型。直接搜索获取目标检测模型，相较于现有技术，无需单独加载骨干网络，可以降低目标检测模型生成的成本，节约训练时间，增强生成的目标检测模型的一致性。一致性。一致性。


技术研发人员：徐畅 于广华 王豪爽 党青青 李明昊 刘其文
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2022.05.18
技术公布日：2022/7/29