目标检测模型的训练方法、目标检测方法及其相关设备与流程

1.本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，尤其涉及目标检测模型的训练方法、目标检测方法及其相关设备。


背景技术：

2.在智慧城市、智能交通、视频分析场景下，对视频或者图像中的车辆、行人、物体等事物或目标进行精准检测，可以为车辆统计等任务提供帮助。因此，如何实现视频或者图像中的目标检测是非常重要的。


技术实现要素：

3.本公开提供了一种用于目标检测模型的训练方法、目标检测方法及其相关设备。
4.根据本公开的一方面，提供了一种目标检测模型的训练方法，包括：获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；采用所述标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用所述标注有第一深度值的深度训练图像对深度估计模型进行训练；针对每一帧所述深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；根据具有所述第二部件分割标签和所述第一深度值标注的深度训练图像以及具有所述第一部件分割标签和所述第二深度值的分割训练图像，生成目标检测模型训练集；采用所述目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。
5.根据本公开的另一方面，提供了一种目标检测方法，包括：获取目标检测图像；采用经过训练的目标检测模型对所述目标检测图像进行检测，以得到所述目标检测图像对应的部件分割标签和深度值；其中，所述目标检测模型，是采用本公开第一方面实施例所述的训练方法训练得到的。
6.根据本公开的另一方面，提供了一种目标检测模型的训练装置，包括：获取模块，用于获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；第一训练模块，用于采用所述标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用所述标注有第一深度值的深度训练图像对深度估计模型进行训练；标注模块，用于针对每一帧所述深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；生成模块，用于根据具有所述第二部件分割标签和所述第一深度值标注的深度训练图像以及具有所述第一部件分割标签和所述第二深度值的分割训练图像，生成目标检测模型训练集；第二训练模块，用于采用所述目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。
7.根据本公开的另一方面，提供了一种目标检测装置，包括：获取模块，用于获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；检测模块，
用于采用经过训练的目标检测模型对所述目标检测图像进行检测，以得到所述目标检测图像对应的部件分割标签和深度值；其中，所述目标检测模型，是采用本公开第三方面实施例所述的训练装置训练得到的。
8.根据本公开的另一方面，提供了一种电子设备，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本公开第一方面实施例所述的目标检测模型的训练方法，或者，执行本公开第二方面实施例所述的目标检测方法。
9.根据本公开的另一方面，提供了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本公开第一方面实施例所述的目标检测模型的训练方法，或者，执行本公开第二方面实施例所述的目标检测方法。
10.根据本公开的另一方面，提供了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本公开第一方面实施例所述的目标检测模型的训练方法步骤，或者，执行本公开第二方面实施例所述的目标检测方法的步骤。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是根据本公开第一实施例的示意图；
14.图2是根据本公开第二实施例的示意图；
15.图3是根据本公开第三实施例的示意图；
16.图4是根据本公开第四实施例的示意图；
17.图5是根据本公开第五实施例的示意图；
18.图6是根据本公开第六实施例的示意图；
19.图7是用来实现本公开实施例的目标检测模型的训练方法和目标检测方法的电子设备的框图。
具体实施方式
20.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
21.在智慧城市、智能交通、视频分析场景下，对视频或者图像中的车辆、行人、物体等事物或目标进行精准检测，可以为车辆统计等任务提供帮助。因此，如何实现视频或者图像中的目标检测是非常重要的。
22.相关技术中，通过两个独立的网络或者常规的多任务网络，实现视频或者图像中目标的部件分割以及目标深度估计，但是，实现部件分割与目标深度估计的两个独立的网络，模型推理耗时高；常规的多任务网络虽然可以兼容深度估计与部件分割两个任务，但要
求每一张训练样本都具有深度估计与部件分割的真值，这样的数据集难以获得。
23.针对上述问题，本公开提出一种目标检测模型的训练方法、目标检测方法及其相关设备。
24.下面参考附图描述本公开实施例的目标检测模型的训练方法、目标检测方法及其相关设备。
25.图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例以该目标检测模型的训练方法被配置于目标检测模型的训练装置中来举例说明，该目标检测模型的训练装置可以应用于任一电子设备中，以使该电子设备可以执行目标检测模型的训练功能。
26.其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
27.如图1所示，该目标检测模型的训练方法可以包括以下步骤：
28.步骤101，获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像。
29.在本公开实施例中，可通过在线采集获取多帧标注有第一部件分割标签的分割训练图像和多帧标注有第一深度值的深度训练图像，比如可以通过网络爬虫技术，在线采集标注有第一部件分割标签的分割训练图像和标注有第一深度值的深度训练图像，或者，标注有第一部件分割标签的分割训练图像和标注有第一深度值的深度训练图像也可以为线下采集的图像，或者，标注有第一部件分割标签的分割训练图像和标注有第一深度值的深度训练图像也可以为人工合成的图像，比如，可采用车辆3d模型，通过仿真的方式得到车辆图像以及车辆图像深度图。
30.需要说明的是，为了提升模型的训练效果，标签可以通过人工标注，或者，为了降低人工成本，提升模型的训练效率，标签也可以自动标注，比如可以通过标注模型，对分割训练图像自动标注第一部件分割标签，以及深度训练图像自动标注第一深度值，本公开对此并不做限制。进一步地，在对分割训练图像自动标注第一部件分割标签，以及深度训练图像自动标注第一深度值后，还可以通过人工审核的方式，对分割训练图像和深度训练图像中标注的标签进行审核，以提升样本标注结果的准确性，从而提升模型的训练效果。
31.步骤102，采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练。
32.进一步地，采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以获取经过训练的部件分割模型；同时，采用标注有第一深度值的深度训练图像对深度估计模型进行训练，以获取经过训练的深度估计模型。
33.步骤103，针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值。
34.进而，将每一帧深度训练图像分别输入至经过训练的部件分割模型中，以对每一帧深度训练图像进行第二部件分割标签标注，同时，将每一帧分割训练图像输入经过训练的深度估计模型中，以对每一帧分割训练图像进行第二深度值标注。
35.步骤104，根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集。
36.在本公开实施例中，可将具有第二部件分割标签和第一深度值标注的深度训练图像和具有第一部件分割标签和第二深度值的分割训练图像，作为进行目标检测模型训练的目标检测模型训练集。
37.步骤105，采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。
38.在本公开实施例中，采用目标检测模型训练集，对目标检测模型进行训练，以使经过训练的目标检测模型可用于目标检测图像的深度预测和部件分割。
39.综上，通过获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练；针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集；采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。由此，经过训练的目标检测模型，可实现目标深度预测与部件分割，并且在目标检测模型的训练过程中可以兼容单一来源的标注样本。
40.为了可以准确地获取可用于深度预测和部件分割的目标检测模型，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，可将目标检测训练图像输入目标检测模型中，以获取目标检测训练图像对应的部件分割预测标签和深度预测值，并根据部件分割预测标签和深度预测值，分别与目标检测训练图像之间的差异，对目标检测模型进行训练。图2所示实施例可包括如下步骤：
41.步骤201，获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像。
42.步骤202，采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练。
43.步骤203，针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值。
44.步骤204，根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和所述第二深度值的分割训练图像，生成目标检测模型训练集。
45.步骤205，将目标检测模型训练集中的每一帧目标检测模型训练图像输入目标检测模型中，以获取目标检测模型训练图像对应的部件分割预测标签和深度预测值。
46.在本公开实施例中，在目标检测模型训练过程中，可将目标检测模型训练集中的每一帧目标检测模型训练图像分别输入目标检测模型中，目标检测模型可输出每一帧目标检测模型训练图像对应的部件分割预测标签和深度预测值。
47.步骤206，根据部件分割预测标签和深度预测值，分别与目标检测模型训练图像之间的差异，对目标检测模型进行训练，以使差异最小化。
48.可选地，确定目标检测模型训练图像的部件分割标签与对应的部件分割预测标签之间的第一差异；确定目标检测模型训练图像的深度值与对应的深度预测值之间的第二差异；根据第一差异和第二差异，对目标检测模型进行训练，以使第一差异和第二差异最小
化。
49.也就是说，可将目标检测模型训练图像的部件分割标签与对应的部件分割预测标签进行比对，以确定目标检测模型训练图像的部件分割标签与对应的部件分割预测标签之间的第一差异，同时，可将目标检测模型训练图像的深度值与对应的深度预测值进行比对，以确定目标检测模型训练图像的深度值与对应的深度预测值之间的第二差异，进而，根据第一差异和第二差异，对目标检测模型进行训练，以使第一差异和第二差异最小化。
50.需要说明的是，步骤201-204的执行过程可以参见上述实施例的执行过程，在此不做赘述。
51.综上，通过将目标检测模型训练集中的每一帧目标检测模型训练图像输入目标检测模型中，以获取目标检测模型训练图像对应的部件分割预测标签和深度预测值；根据部件分割预测标签和深度预测值，分别与目标检测模型训练图像之间的差异，对目标检测模型进行训练，以使差异最小化。由此，可采用目标检测模型训练集，对目标检测模型进行训练，以使经过训练的目标检测模型用于目标检测图像的深度预测和部件分割。
52.为了获取经过训练的部件分割模型和经过训练的深度估计模型，如图 3所示，图3是根据本公开第三实施例的示意图，在本公开实施例中，可采用标注有第一部件分割标签的分割训练图像对初始的部件分割模型进行训练，同时，采用标注有第一深度值的深度训练图像对深度估计模型进行训练，图3所示实施例可包括如下步骤：
53.步骤301，获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像。
54.步骤302，将标注有第一部件分割标签的分割训练图像输入初始的部件分割模型中，以获取分割训练图像对应的部件分割预测标签。
55.在本公开实施例中，可将标注有第一部件分割标签的分割训练图像输入初始的部件分割模型中，该初始的部件分割模型可输出分割训练图像对应的部件分割预测标签。
56.步骤303，根据分割训练图像标注的第一部件分割标签与分割训练图像对应的部件分割预测标签之间的差异，对初始的部件分割模型进行训练，以使第一部件分割标签与部件分割预测标签之间的差异最小化。
57.进一步地，可将分割训练图像标注的第一部件分割标签与分割训练图像对应的部件分割预测标签进行比对，以确定第一部件分割标签与部件分割预测标签之间的差异，接着，根据第一部件分割标签与部件分割预测标签之间的差异，对初始的部件分割模型进行训练，以使第一部件分割标签与部件分割预测标签之间的差异最小化。
58.步骤304，将标注有第一深度值的深度训练图像输入初始的深度估计模型中，以获取深度训练图像对应的深度预测值。
59.在本公开实施例中，可将标注有第一深度值的深度训练图像输入初始的深度估计模型中，该初始的深度估计模型可输出该深度训练图像对应的深度预测值。
60.步骤305，根据深度训练图像标注的第一深度值与深度训练图像对应的深度预测值之间的差异，对初始的深度估计模型进行训练，以使第一深度值与深度预测值之间的差异最小化。
61.进一步地，可将深度训练图像标注的第一深度值与深度训练图像对应的深度预测值进行比对，以确定第一深度值与深度预测值之间的差异，并根据第一深度值与深度预测
值之间的差异，对初始的深度估计模型进行训练，以使第一深度值与深度预测值之间的差异最小化。
62.步骤306，针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值。
63.步骤307，根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集。
64.步骤308，采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。
65.需要说明的是，步骤301、306-308的执行过程可以参见上述实施例的执行过程，在此不做赘述。
66.综上，通过将标注有第一部件分割标签的分割训练图像输入初始的部件分割模型中，以获取分割训练图像对应的部件分割预测标签；根据分割训练图像标注的第一部件分割标签与分割训练图像对应的部件分割预测标签之间的差异，对初始的部件分割模型进行训练，以使第一部件分割标签与部件分割预测标签之间的差异最小化；将标注有第一深度值的深度训练图像输入初始的深度估计模型中，以获取深度训练图像对应的深度预测值；根据深度训练图像标注的第一深度值与深度训练图像对应的深度预测值之间的差异，对初始的深度估计模型进行训练，以使第一深度值与深度预测值之间的差异最小化。由此，通过采用标注有第一部件分割标签的分割训练图像可对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像可对深度估计模型进行训练，可获取到经过训练的部件分割模型和经过训练的深度估计模型。
67.本公开实施例的目标检测模型的训练方法，通过获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练；针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集；采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。由此，经过训练的目标检测模型，可实现深度预测与部件分割，并且在目标检测模型的训练过程中可以兼容单一来源的标注样本。
68.根据本公开的实施例，本公开还提供了一种目标检测方法。
69.图4是根据本公开第四实施例的示意图，需要说明的是，本公开实施例以目标检测方法被配置于目标检测装置中来举例说明，该目标检测装置可以应用于任一电子设备中，以使该电子设备可以执行目标检测功能。
70.如图4所示，该目标检测方法可以包括以下步骤：
71.步骤401，获取目标检测图像。
72.在本公开实施例中，可通过在线采集获取目标检测图像，比如可以通过网络爬虫技术，在线采集目标检测图像，或者，目标检测图像也可以为线下采集的图像，或者，目标检测图像也可以为人工合成的图像，本公开不做具体限制。
73.步骤402，采用经过训练的目标检测模型对目标检测图像进行检测，以得到目标检
测图像对应的部件分割标签和深度值；其中，目标检测模型，是采用图1至图3所述的训练方法训练得到的。
74.进而，将目标检测图像输入至经过训练的目标检测模型中，目标检测模型可输出该目标检测图像对应的部件分割标签和深度值，其中，需要说明的是，目标检测模型是采用图1至图3所述的训练方法训练得到的。
75.综上，通过获取目标检测图像；采用经过训练的目标检测模型对目标检测图像进行检测，以得到目标检测图像对应的部件分割标签和深度值；其中，目标检测模型，是采用图1至图3所述的训练方法训练得到的。由此，经过训练的目标检测模型可实现目标检测图像的部件分割和深度估计。
76.本公开实施例的目标检测方法，通过获取目标检测图像；采用经过训练的目标检测模型对目标检测图像进行检测，以得到目标检测图像对应的部件分割标签和深度值；其中，目标检测模型，是采用图1至图3所述的训练方法训练得到的。由此，经过训练的目标检测模型可实现目标检测图像的部件分割和深度预测。
77.为了实现上述图1至图3实施例，本公开还提出一种目标检测模型的训练装置。
78.图5是根据本公开第五实施例的示意图，如图5所示，目标检测模型的训练装置500包括：获取模块510、第一训练模块520、标注模块530、生成模块540和第二训练模块550。
79.其中，获取模块510，用于获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；第一训练模块520，用于采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练；标注模块530，用于针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；生成模块540，用于根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集；第二训练模块550，用于采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。
80.作为本公开实施例的一种可能实现方式，第二训练模块550，用于：将目标检测模型训练集中的每一帧目标检测模型训练图像输入目标检测模型中，以获取目标检测模型训练图像对应的部件分割预测标签和深度预测值；根据部件分割预测标签和深度预测值，分别与目标检测模型训练图像之间的差异，对目标检测模型进行训练，以使差异最小化。
81.作为本公开实施例的一种可能实现方式，第二训练模块550，还用于：确定目标检测模型训练图像的部件分割标签与对应的部件分割预测标签之间的第一差异；确定目标检测模型训练图像的深度值与对应的深度预测值之间的第二差异；根据第一差异和第二差异，对目标检测模型进行训练，以使第一差异和第二差异最小化。
82.作为本公开实施例的一种可能实现方式，第一训练模块520，用于：将标注有第一部件分割标签的分割训练图像输入初始的部件分割模型中，以获取分割训练图像对应的部件分割预测标签；根据分割训练图像标注的第一部件分割标签与分割训练图像对应的部件分割预测标签之间的差异，对初始的部件分割模型进行训练，以使第一部件分割标签与部件分割预测标签之间的差异最小化；将标注有第一深度值的深度训练图像输入初始的深度估计模型中，以获取深度训练图像对应的深度预测值；根据深度训练图像标注的第一深度
值与深度训练图像对应的深度预测值之间的差异，对初始的深度估计模型进行训练，以使第一深度值与深度预测值之间的差异最小化。
83.本公开实施例的目标检测模型的训练装置，通过获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；采用标注有第一部件分割标签的分割训练图像对部件分割模型进行训练，以及采用标注有第一深度值的深度训练图像对深度估计模型进行训练；针对每一帧深度训练图像采用经过训练的部件分割模型标注第二部件分割标签，并针对每一帧分割训练图像采用经过训练的深度估计模型标注第二深度值；根据具有第二部件分割标签和第一深度值标注的深度训练图像以及具有第一部件分割标签和第二深度值的分割训练图像，生成目标检测模型训练集；采用目标检测模型训练集，对用于深度预测和部件分割的目标检测模型进行训练。由此，经过训练的目标检测模型，可实现深度预测与部件分割，并且在目标检测模型的训练过程中可以兼容单一来源的标注样本。
84.为了实现上述图4实施例，本公开还提出一种目标检测装置。
85.图6是根据本公开第六实施例的示意图，如图6所示，目标检测装置 600包括：获取模块610和检测模块620。
86.其中，获取模块610，用于获取标注有第一部件分割标签的分割训练图像，和标注有第一深度值的深度训练图像；检测模块620，用于采用经过训练的目标检测模型对目标检测图像进行检测，以得到目标检测图像对应的部件分割标签和深度值；其中，目标检测模型，是采用图5所述的训练装置训练得到的。
87.本公开实施例的目标检测装置，通过获取目标检测图像；采用经过训练的目标检测模型对目标检测图像进行检测，以得到目标检测图像对应的部件分割标签和深度值；其中，目标检测模型，是采用图1至图3所述的训练方法训练得到的。由此，经过训练的目标检测模型可实现目标检测图像的部件分割和深度预测。
88.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
89.为了实现上述实施例，本公开提出一种电子设备，该电子设备包括：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图1至图3实施例所述实施例的目标检测模型的训练方法，或者，执行图4实施例所述的目标检测方法。
90.为了实现上述实施例，本公开提出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，计算机指令用于使计算机执行图1至图3实施例所述的目标检测模型的训练方法，或者，执行图4实施例所述的目标检测方法。
91.为了实现上述实施例，本公开提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现图1至图3实施例所述的目标检测模型的训练方法的步骤，或者，实现图4实施例所述的目标检测方法的步骤。
92.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
93.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子
设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
94.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在 ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元 701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o) 接口705也连接至总线704。
95.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
96.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如目标检测模型的训练方法和目标检测方法。例如，在一些实施例中，目标检测模型的训练方法和目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709 而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的目标检测模型的训练方法和目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测模型的训练方法和目标检测方法。
97.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
98.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
99.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供
指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
100.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
101.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
102.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
103.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
104.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。