图片的标注方法、装置、电子设备及计算机可读存储介质与流程

本申请涉及机器视觉及人工智能技术领域，具体而言，本申请涉及一种图片的标注方法、装置、电子设备及计算机可读存储介质。

背景技术：

人工智能技术逐渐影响着人们的生活，不少企业正在借助人工智能的力量悄悄改变我们的消费方式，给传统的零售业态带来颠覆性的变革。以无人超市为例，作为零售行业在物联网和互联网融合下的一个重要应用场景，特别是随着新零售场景下的无人结算和快捷收银需求的日益增长，基于机器视觉的无人超市场景需要训练深度神经网络(例如cnn，convolutionalneuralnetwork，卷积神经网络)去对货物进行检测和分类，这就需要大量的货物图片和相应的标注信息才可以较好的完成训练。

经调研，现有的标注任务多通过人工直接标注，即人为地通过摄像头采集图片，并对图片中的货物进行位置标注和属性分类。针对无人超市等场景中的每种货物，甚至还需采集不同角度的照片，目前通用方案是将货物置于可旋转的托盘上进行拍照或者录像。

然而，人工采集和标注方式不但人工成本较高，完全依靠人工采集和标注效率低下，而且人为操作难免存在失误，而不经意的错误导致的标注信息质量降低，会影响到深度神经网络模型的精度，最终给用户的使用带来不便。尤其对于数量巨大的零售行业，当货物过多时，如何更快更好地完成标注任务成为亟需解决的技术难题。

技术实现要素：

为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：

第一方面，本申请提供了一种图片的标注方法，该方法包括：

对待处理图片进行识别，确定所述待处理图片中的各个单品分别对应的检测框信息；

对各个检测框信息相应的检测框进行排序，并基于预先设定的单品标识排列信息，确定排序后的各个检测框分别对应的单品标识；

依据各个检测框信息，从所述待处理图片中裁剪出各个携带有单品标识的单品图片。

在一种可选的实现方式中，所述对待处理图片进行识别，确定所述待处理图片中的各个单品分别对应的检测框信息，包括：

通过预训练的检测器对待处理图片进行识别，确定所述待处理图片中的各个单品分别对应的检测框信息。

在一种可选的实现方式中，所述通过预训练的检测器对待处理图片进行识别之前，还包括：

基于获取的训练样本图片及已标注的对应所述训练样本图片中的各个单品的检测框信息，训练所述检测器。

在一种可选的实现方式中，所述检测框信息，包括：

检测框在待处理图片中的位置信息、检测框的尺寸信息。

在一种可选的实现方式中，所述对各个检测框信息相应的检测框进行排序，包括：

根据各个检测框在待处理图片中的位置信息，对各个检测框进行排序。

在一种可选的实现方式中，所述对待处理图片进行识别之前，还包括：

通过图片采集设备采集包括多个单品的待处理图片，所述多个单品依据所述单品标识排列信息进行排列。

在一种可选的实现方式中，所述通过图片采集设备采集包括多个单品的待处理图片，包括：

通过图片采集设备，采集针对所述多个单品的不同角度的待处理图片；

所述从所述待处理图片中裁剪出各个携带有单品标识的单品图片，包括：

从所述多个单品的不同角度的待处理图片中裁剪出各个携带有单品标识的不同角度的单品图片。

第二方面，本申请提供了一种图片的标注装置，该装置包括：

识别模块，用于对待处理图片进行识别，确定所述待处理图片中的各个单品分别对应的检测框信息；

排序模块，用于对各个检测框信息相应的检测框进行排序，并基于预先设定的单品标识排列信息，确定排序后的各个检测框分别对应的单品标识；

裁剪模块，用于依据各个检测框信息，从所述待处理图片中裁剪出各个携带有单品标识的单品图片。

在一种可选的实现方式中，所述识别模块具体用于通过预训练的检测器对待处理图片进行识别，确定所述待处理图片中的各个单品分别对应的检测框信息。

在一种可选的实现方式中，该装置还包括：

训练模块，用于基于获取的训练样本图片及已标注的对应所述训练样本图片中的各个单品的检测框信息，训练所述检测器。

在一种可选的实现方式中，所述检测框信息，包括：

检测框在待处理图片中的位置信息、检测框的尺寸信息。

在一种可选的实现方式中，所述排序模块具体用于根据各个检测框在待处理图片中的位置信息，对各个检测框进行排序。

在一种可选的实现方式中，该装置还包括：

采集模块，用于通过图片采集设备采集包括多个单品的待处理图片，所述多个单品依据所述单品标识排列信息进行排列。

在一种可选的实现方式中，所述采集模块具体用于通过图片采集设备，采集针对所述多个单品的不同角度的待处理图片；

所述裁剪模块具体用于从所述多个单品的不同角度的待处理图片中裁剪出各个携带有单品标识的不同角度的单品图片。

第三方面，本申请提供了一种电子设备，该电子设备包括：

处理器和存储器，存储器存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开的第一方面所示的方法。

第四方面，本公开提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令、程序、代码集或指令集，当其在计算机上运行时，使得计算机执行如本公开的第一方面所示的方法。

本申请提供的技术方案带来的有益效果是：本申请提供的图片的标注方法、装置、电子设备及计算机可读存储介质，通过识别出的各个检测框信息将待处理图片中的各个单品框出来，基于各个检测框来裁剪待处理图片，便可快速得到大量的单品图片，无需对每种单品做单独的图像采集，极大地提升了采集效率，且基于各个检测框对应的单品标识，可直接获得单品图片的单品标识，快速地完成大量的标注任务，无需繁琐的人工标注，节约人力成本，降低标注出错几率的同时，提升了标注效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图做简单的介绍。

图1为本申请实施例提供的一种标注任务的示例图；

图2为本申请实施例提供的一种图片的标注方法的流程示意图；

图3为本申请实施例提供的一种带有检测框的待处理图片的示例图；

图4为本申请实施例提供的一种采集和标注方法的流程示意图；

图5为本申请实施例提供的一种图片的标注装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

如图1所示，以无人超市的货架为例，图1的货架上摆放有20件商品。标注任务是对每个商品拍摄包含完整商品的图片，并从已知的20种商品名称中选出与其对应的商品名称赋值给拍摄的图片。

若采用现有的人工标注方式，可以人为地拍摄一个商品的图片和选取一种正确的商品名称，也可以人为地拍摄一张包含多种商品的图片，并人为地在图片中对每个商品标注出能覆盖其完整商品的外接框，并人为地对每个外接框从20种商品名称中选出对应的商品名称赋值给外接框。即使采用后一种方式，标注一个外接框和选取正确的商品名称也需要3-5s的时间。那么，对图1中的全部商品执行标注任务需要1-2分钟时间。此外，针对每种商品，还需采集不同角度的照片，目前通用方案是将货物置于可旋转的托盘上拍照不同角度的多张图片或者录像。当商品数量更多时，将耗费更多的时间。

可见，人工采集和标注方式不但人工成本较高，完全依靠人工采集和标注效率低下，而且人为操作难免存在失误，而不经意的错误导致的标注信息质量降低，会影响到深度神经网络模型的精度，最终给用户的使用带来不便。

本申请提供的图片的标注方法、装置、电子设备及计算机可读存储介质，核心在于通过较短时间和较低成本的方式来得到高质量的图片和高精确率的图片标注信息，以解决现有技术的如上技术问题。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。

本申请实施例提供了一种图片的标注方法，如图2所示，该方法包括：

步骤s201：对待处理图片进行识别，确定待处理图片中的各个单品分别对应的检测框信息；

其中，待处理图片是预先针对需要执行标注任务的多个单品进行图像采集得到的，即待处理图片中包含需要执行标注任务的多个单品。

实际应用中，单品是不同的场景下需要完成标注任务的单个物品。例如，在无人超市场景中，单品可以是任一件商品，例如一瓶饮料，一袋方便食品等；又例如，在自动图书馆场景中，单品可以是一本图书，等等；本申请实施例对单品的具体类型在此不做限定。

本申请实施例中，对待处理图片进行识别，为待处理图片中的每个单品均确定出对应的检测框信息，即待处理图片中包含多少单品，便会确定出多少的检测框信息。其中，每个检测框信息对应的检测框能够覆盖其对应的完整单品。

实际应用中，检测框可以为矩形的、圆形的、椭圆形的、菱形的等等，但不限于此，只要能够便于标示位置和尺寸的形状都可以用作检测框，实际应用中，考虑到覆盖的可靠性，检测框通常为单品的外接矩形框。

步骤s202：对各个检测框信息相应的检测框进行排序，并基于预先设定的单品标识排列信息，确定排序后的各个检测框分别对应的单品标识；

其中，预先设定的单品标识排列信息是根据采集待处理图片时各个单品的真实排列顺序预先设定。

本申请实施例中，对各个检测框进行排序，由于各个检测框对应的单品的排列顺序与各个单品标识对应的单品的排列顺序是相同的，即可确定出排序后的各个检测框分别对应的单品标识。

其中，单品标识可以包括但不限于单品名称、单品id(identification，身份标识号)、单品类型、单品属性等。

步骤s203：依据各个检测框信息，从待处理图片中裁剪出各个携带有单品标识的单品图片。

由于每个检测框信息对应的检测框能够覆盖其对应的完整商品，可以依据检测框信息将对应的单品图片从待处理图片中裁剪(crop)出来。

且由于步骤s202中确定出了检测框对应的单品标识，即裁剪出单品图片就可携带对应的单品标识。

这样，对于每个单品，就可得到对应的单品图片和对应的单品标识，即快速完成了每个单品的标注任务。

可见，通过本申请实施例，无需人为地从众多的备选单品标识中去挑选，因此避免了人为失误的发生。

本申请实施例提供的图片的标注方法，通过识别出的各个检测框信息将待处理图片中的各个单品框出来，基于各个检测框来裁剪待处理图片，便可快速得到大量的单品图片，无需对每种单品做单独的图像采集，极大地提升了采集效率，且基于各个检测框对应的单品标识，可直接获得单品图片的单品标识，快速地完成大量的标注任务，无需繁琐的人工标注，节约人力成本，降低标注出错几率的同时，提升了标注效率。

其中，通过预先设定的单品标识排列信息来确定排序后的各个检测框分别对应的单品标识，即通过固定相对位置的标注方法，特别适用于单品摆放方式相对规律的场景，如无人超市等。

一种可行的实现方式中，在步骤s201中，本申请实施例可以通过预训练的检测器对待处理图片进行识别，确定待处理图片中的各个单品分别对应的检测框信息。

具体而言，将待处理图片输入预训练的检测器，检测器可以较精确地返回待处理图片中的每个单品的检测框信息，如图3所示，检测框信息对应的检测框可以将待处理图片中的每个单品框出来(如图3中的虚线框，该虚线框可以通过检测器输出的检测框信息得到)，便可以准确地将每个单品从整张待处理图片中分离出来。

如图4所示，在本申请实施例通过预训练的检测器对待处理图片进行识别之前，需要对检测器进行训练。

具体而言，基于获取的训练样本图片及已标注的对应训练样本图片中的各个单品的检测框信息，训练检测器。

其中，训练样本图片可以预先采集的，也可以是从本地或云端获取的，训练样本图片中需要包含多个单品，因此对于本申请实施例，可以有针对性地采集或获取这种类型的训练样本图片。

实际应用中，获取的训练样本图片的数量可以为多张，例如20张左右。可以理解，过多数量的训练样本图片会增加训练成本，而过少的训练样本图片会使训练效果不够理想。本领域技术人员可以根据实际情况对训练样本图片的数量进行设置，本申请实施例在此不做限定。

此外，不同的训练样本图片中的单品数量和单品类型可以相同也可以不同，本领域技术人员也可以根据实际情况选择合适的训练样本图片用于训练。

随后，对获取的训练样本图片通过原始人工标注方式或其它标注方式，得到这些训练样本图片上每种单品的检测框信息。基于这些训练样本图片和已标注的检测框信息，使用现有的基础检测网络，就可以训练出本申请实施例所需的检测器。

本申请实施例中，检测框信息可以包括但不限于：检测框在待处理图片中的位置信息(boundingboxlocation)、检测框的尺寸信息(boundingboxsize)等。

实际应用中，以检测框为矩形框为例，检测框信息可以是指检测框的四维信息{x，y，w，h}，其中，可以在待处理图片中建立坐标系，{x，y}表示矩形框的左上顶点(也可以为右上顶点、左下顶点、右下顶点、矩形的中心点等)在坐标系中的坐标(即位置信息)；{w，h}表示矩形框的长和宽(即尺寸信息)。

或者，以检测框为圆形框为例，检测器输出的可以为检测框的三维信息{x，y，r}，同理地，{x，y}表示圆形框的圆心点在坐标系中的坐标(即位置信息)，{r}表示矩形框的半径(即尺寸信息)。

或者，检测框在待处理图片中的位置信息可以是指各个单品在待处理图片中的位置关系，例如某个单品与其上、下、左、右侧的单品的位置关系，又例如如图1所示，位于第x排的第y个单品的位置为数组[x，y]。当应用于无人超市等场景时，位置关系还可以表示为位于第n个货架上的第x排的第y个单品的位置为数组[n，x，y]。

检测框的尺寸信息也可以是指像素、面积等信息。

本领域技术人员应能理解，上述几种检测框信息仅为举例，基于这些范例进行的适当变化也可适用于本申请，故也应包含在本申请的保护范围以内。

基于此，本申请实施例对将各个的检测框进行排序提供了一种可行的实现方式，具体地，根据各个检测框在待处理图片中的位置信息，对各个检测框进行排序。

例如，根据各个检测框在坐标系中的坐标，或者各个单品的位置关系，可以很简单的将其映射为各个单品真实的位置，并依此进行排序。

结合上文来说，如图4所示，将待处理图片送入本申请实施例训练的检测器，由检测器输出待处理图片中的各个单品的检测框信息，包括检测框在待处理图片中的位置信息和检测框的尺寸信息。此时便可得到带有检测框的待处理图片。先根据检测框的位置信息对检测框进行排序，再基于预先设定的单品标识排列信息确定各个检测框分别对应的单品标识。随后，根据检测框在待处理图片中的位置信息和检测框的尺寸信息，将各个单品图片从待处理图片中裁剪出来，由于根据检测框在待处理图片中的位置信息和检测框的尺寸信息，可以确定出检测框在待处理图片中所占据的部分，且由于检测框覆盖了其对应的完整单品，将该部分进行提取或者拷贝，即可将对应的单品图片从待处理图片中裁剪出来。此时，各个剪裁出的单品图片已设置为对应各自的单品标识。

本申请实施例中，可满足对于一张待处理图片中的全部单品进行标注的时间在1s内，并且同时能输出每种单品的单品图片。

可以看出，相较于传统标注方案，本申请实施例无需大量的标注人员，依托检测器的标注方式，将人工标注的流程替换为机器标注，可以做到在无需繁琐人工标注的情况下得到每种单品的标注信息，从而节约人力成本，提升标注效率。且无需对每种单品做单独的图像采集，就可快速得到大量的单品图片，极大地提升了单品图片的采集效率。此外，本申请实施例无需标注人员从众多的备选可能中去挑选标注信息，因此避免了人为失误的发生，降低标注信息出错的几率。

本申请实施例中，继续如图4所示，在对待处理图片进行识别之前，还需要采集该待处理图片，具体而言，可以通过图片采集设备采集包括多个单品的待处理图片，多个单品依据单品标识排列信息进行排列。

其中，图片采集设备可以包括预先配置的摄像头、机器人、无人机等。

实际应用中，可以将单品摆放在预先设置的放置平台上，例如在无人超市场景中，放置平台可以为货架。在其他场景中，放置平台可以为书架、货架、自动售卖机等。其中，图片采集设备的视角设置为可以覆盖完整的放置平台。

由于本申请实施例预先设定了单品标识排列信息，因此可以配置图片采集设备对依据单品标识排列信息进行排列的多个单品进行拍摄。例如，可以根据预先设定的单品标识排列信息，将相同数量和类型的单品按照单品标识排列信息相同的位置进行摆放，并在摆放好后进行拍摄。或者，也可以按照真实的摆放情况来设定单品标识排列信息，且根据单品标识排列信息包含的单品数量和类型进行拍摄，即只需拍摄单品标识排列信息包含的单品的待处理图片。

另外，考虑到无人超市等应用场景下，需要每个单品不同角度的图片，本申请实施例中，可以调整单品的摆放角度(水平旋转，上下翻转等)后采集不同的待处理图片，或者调整图片采集设备的拍摄角度来采集不同的待处理图片，即通过图片采集设备，采集针对单品标识排列信息对应的多个单品的不同角度的待处理图片。

其中，由于各个单品的位置没有发生变化，也就是相对位置仍然是固定的，那么采集的全部待处理图片输入训练好的检测器，即可按照上文中的处理方式完成每个单品不同角度的标注任务。即步骤s203中，可以从该多个单品的不同角度的待处理图片中裁剪出各个携带有单品标识的不同角度的单品图片。

可以看到，本申请实施例无需每次将某个单品单独选出后进行旋转和拍摄，只需将全部单品做角度的调整后整体进行拍摄并送入检测器，即一次性可得到带有标注信息的大量单品照片，使得单品的采集和标注效率得到了极大的提升。且由于各个单品的相对位置没有改变，不会因为单品被调整至不同角度而被错标成其他商品标识，进一步降低了标注信息出错的几率。

下面，以无人超市场景为例，对本申请的技术方案在具体场景下的应用进行介绍。

其中，该场景在部署时候，可以配置一部摄像头，一个或多个货架和一台带有gpu运算的计算设备，摄像头的视角配置为可以覆盖所有货架，下面的方法由计算设备执行。

首先，需要训练一个检测器，可以选择在线下进行训练后直接使用，也可以线上训练后进行使用。

具体地，训练过程为：采集一些充满商品的货架图片，每张货架图片中的商品数量和类型可以不同。可参考图1，此时，图1中的不同形状代表不同的商品。或者实际场景下，不同形状也可以是具有不同包装外观的同类商品。此处的不同形状仅为举例，不能理解为对商品的限定。然后将这些货架图片通过原始人工标注的方式，得到这些货架图片上每种商品的检测框信息。通过这些货架图片和检测框信息，训练出一个无人超市场景的检测器。

随后，该检测器在应用过程中，可以较精确地返回输入图片(待处理图片)中的商品的检测框信息。每个检测框信息对应的检测框可以准确地将商品从输入照片图片中分出。其中，输入图片是将需要标注的商品摆放在货架上后采集的。该过程中，还需要确定商品摆放在货架上的排列信息，利用这些检测框信息和排列信息，我们可以通过图片裁剪的方式得到每个商品的单品照片和对应的商品名称，即标注信息。

另外，由于商品的排列信息是固定不变的，可以只旋转每个商品并不改变商品之前的相对位置关系而进行采集和标注。例如参考图3，假设货架的最上面一层分别为食品a、食品b、食品c和食品d，第二层为食品e、食品f和食品g。每次为了采集到不同食品不同角度的单品照片，只需对每种食品做简易旋转并同时保持其相对位置不发生改变(如食品a在食品b的同层左侧，食品g在食品f的同层右侧，食品a在食品e的上一层等等)，然后拍取整个货架的图片并送入检测器。检测器可以输出这7种食品的检测框信息，只需将这些检测框信息按照食品a～g的实际排布方式进行排序，再对输入图片进行剪裁，即得到每种食品对应的标注信息。

本领域技术人员应能理解，上述应用场景仅为举例，该范例具有很强的迁移能力，只要通过本申请实施例预训练的检测器，再通过固定相对位置的标注方法可以轻松地将本申请实施例提供的图片的标注方法迁移到类似场景，例如货柜、自动饮料柜、礼品机、自动图书柜等场景，也就是说，基于该范例进行的适当变化以用于其他场景时，也可以属于本申请的精神或范畴。

本申请实施例还提供了一种图片的标注装置，如图5所示，该标注装置50可以包括：识别模块501、排序模块502和裁剪模块503，其中，

识别模块501用于对待处理图片进行识别，确定待处理图片中的各个单品分别对应的检测框信息；

排序模块502用于对各个检测框信息相应的检测框进行排序，并基于预先设定的单品标识排列信息，确定排序后的各个检测框分别对应的单品标识；

裁剪模块503用于依据各个检测框信息，从待处理图片中裁剪出各个携带有单品标识的单品图片。

一种可行的实现方式中，识别模块501具体用于通过预训练的检测器对待处理图片进行识别，确定待处理图片中的各个单品分别对应的检测框信息。

一种可行的实现方式中，该标注装置50还可以包括：训练模块，其中，

训练模块用于基于获取的训练样本图片及已标注的对应训练样本图片中的各个单品的检测框信息，训练检测器。

一种可行的实现方式中，检测框信息，包括：

检测框在待处理图片中的位置信息、检测框的尺寸信息。

一种可行的实现方式中，排序模块502具体用于根据各个检测框在待处理图片中的位置信息，对各个检测框进行排序。

一种可行的实现方式中，该标注装置50还可以包括：采集模块，其中，

采集模块用于通过图片采集设备采集包括多个单品的待处理图片，上述多个单品依据单品标识排列信息进行排列。

一种可行的实现方式中，采集模块具体用于通过图片采集设备，采集针对上述多个单品的不同角度的待处理图片；

裁剪模块503具体用于从多个单品的不同角度的待处理图片中裁剪出各个携带有单品标识的不同角度的单品图片。

本申请实施例提供的图片的标注装置，通过识别出的各个检测框信息将待处理图片中的各个单品框出来，基于各个检测框来裁剪待处理图片，便可快速得到大量的单品图片，无需对每种单品做单独的图像采集，极大地提升了采集效率，且基于各个检测框对应的单品标识，可直接获得单品图片的单品标识，快速地完成大量的标注任务，无需繁琐的人工标注，节约人力成本，降低标注出错几率的同时，提升了标注效率。

所属领域的技术人员可以清楚地了解到，本申请实施例提供的图片的标注装置，其实现原理及产生的技术效果和前述方法实施例相同，为描述的方便和简洁，装置实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。

本申请实施例还提供了一种电子设备(计算设备)，如图6所示，图6所示的电子设60包括：处理器601和存储器602，存储器602存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器601加载并执行以实现前述方法实施例中相应内容。

可选地，电子设备60还可以包括收发器603。处理器601和收发器603相连，如通过总线604相连。需要说明的是，实际应用中收发器603不限于一个，该电子设备60的结构并不构成对本申请实施例的限定。

其中，处理器601可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器601也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。

总线604可包括一通路，在上述组件之间传送信息。总线604可以是pci总线或eisa总线等。总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器602可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

本申请实施例提供的电子设备，通过识别出的各个检测框信息将待处理图片中的各个单品框出来，基于各个检测框来裁剪待处理图片，便可快速得到大量的单品图片，无需对每种单品做单独的图像采集，极大地提升了采集效率，且基于各个检测框对应的单品标识，可直接获得单品图片的单品标识，快速地完成大量的标注任务，无需繁琐的人工标注，节约人力成本，降低标注出错几率的同时，提升了标注效率。

本申请实施例还提供了一种计算机可读存储介质，该计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。