技术特征：
1.一种多类别图像的分类方法，其特征在于，所述方法包括：获取待分类图像；将所述待分类图像输入至预先训练的图像分类模型，输出所述待分类图像的类别概率值；其中，所述图像分类模型是采用标记有类别信息的图像样本对改进的卷积神经网络进行训练得到的，所述改进的卷积神经网络包括focus结构、efficient网络、卷积层的注意力模块、全局池化层和全连接层；根据所述类别概率值确定所述待分类图像的类别。2.根据权利要求1所述的方法，其特征在于；所述图像分类模型的训练方法，包括：获取图像样本，采用类别信息对所述图像样本进行标记，得到标记有类别信息的图像样本；将所述标记有类别信息的图像样本输入所述focus结构进行降维处理；将降维处理后的图像样本输入所述efficient网络进行特征提取，得到初始特征图；将所述初始特征图输入所述卷积层的注意力模块进行特征提取，得到最终特征图；将所述最终特征图分别依次输入所述全局池化层和全连接层，输出实际分类结果；对所述改进的卷积神经网络的权重进行调整，直至实际分类结果与目标分类结果的偏差在容许范围内时，训练完成，得到所述图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述efficient网络为efficient
‑
b0网络，所述efficient
‑
b0网络包括多个mbconv卷积模块；在将降维处理后的图像样本输入所述efficient网络进行特征提取，得到初始特征图的步骤中，包括：采用多个所述mbconv卷积模块对所述降维处理后的图像样本进行特征提取，得到所述初始特征图；其中，在采用所述mbconv卷积模块进行特征提取时采用swish激活函数和dropconnect方法。4.根据权利要求2所述的方法，其特征在于，所述卷积层的注意力模块包括通道注意力模块和空间注意力模块；在将所述初始特征图输入所述卷积层的注意力模块进行特征提取，得到最终特征图的步骤中，包括：将所述初始特征图依次输入所述通道注意力模块和空间注意力模块进行通道加权和空间像素点加权，得到所述最终特征图。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，在将所述最终特征图分别依次输入所述全局池化层和全连接层，输出实际分类结果的步骤中，包括：采用sigmoid或concurrent
‑
softmax计算损失函数。6.根据权利要求5所述的方法，其特征在于，将所述标记有类别信息的图像样本输入所述focus结构进行降维处理的步骤之前，还包括：选择一种或多种增强处理方法对所述标记有类别信息的图像样本进行增强处理；其中，所述增强处理方法包括对所述标记有类别信息的图像样本增加噪声处理、模糊化处理、色彩颜色空间转化处理、翻转处理、旋转处理、mosaic数据增强处理。7.根据权利要求6所述所述的方法，其特征在于，所述mosaic数据增强处理的步骤中，包括：从所述标记有类别信息的图像样本中随机选择出若干张图片；从选择出的每一张图片中随机选出坐标点，作为目标区域的分割点；
将每一张图片随机放置于所述目标区域并进行填充，得到合并图片；将每一张图片的标签信息作为所述合并图片的标签信息。8.一种多类别图像的分类装置，其特征在于，所述装置包括：待分类图像获取模块，用于获取待分类图像；类别概率值输出模块，用于将所述待分类图像输入至预先训练的图像分类模型，输出所述待分类图像的类别概率值；其中，所述图像分类模型是采用标记有类别信息的图像样本对改进的卷积神经网络进行训练得到的，所述改进的卷积神经网络包括focus结构、efficient网络、卷积层的注意力模块、全局池化层和全连接层；类别确定模块，用于根据所述类别概率值确定所述待分类图像的类别。9.一种终端设备，其特征在于，包括：存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行如权利要求1
‑
7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1
‑
7任一项所述的方法。