一种基于AI目标检测的自优化模型训练开发方法与流程

一种基于ai目标检测的自优化模型训练开发方法
技术领域
1.本发明涉及一种基于ai目标检测的自优化模型训练开发方法，属于广电视频技术领域。


背景技术：

2.随着ai的技术进步，图片目标检测已经得到成熟发展。但是，模型训练需要大量的数据集作为支撑，而数据集的制作需要大量人力和时间，同时也延长了模型的整体开发周期。当前的目标检测方法针对通用场景的目标进行检测。


技术实现要素：

3.本发明目的是提供了一种基于ai目标检测的自优化模型训练开发方法，有效减少人工工作量，缩短开发周期。
4.本发明为实现上述目的，通过以下技术方案实现：s1：选取训练所用的初始数据集和训练参数；s2：根据数据集和训练参数，对数据集的数据进行数据格式转化，生成训练可用的数据格式；s3：对训练模型进行优化，根据训练参数使用优化后的模型进行训练；s4：训练过程中，不断保存模型，并选择验证集效果最好的模型单独保存；s5：将媒资库影片抽帧，对帧图片用模型进行测试，实现ai自动标注，对目标图片和包含目标位置信息的标签进行保存；s6：对检测数据进行检测校验，得到扩充数据集；s7：将扩充数据集与训练用的数据集进行合并；s8：将合并后的数据集输入到优化后的模型中继续训练；s9：重复执行s3-s8不断优化模型。
5.优选的，所述初始数据集选取方式如下：数据格式：建立一种特定目标对应唯一data id标识的文件夹，图片保存在目录下的img文件夹下，目标位置信息用labelimg软件进行标注并将标注信息的xml文件放到label文件夹下。
6.训练格式转化：训练前，将xml文件中的位置信息，转化成单行文本信息，并保存到train.txt中。
7.优选的，所述优化后的模型结构是一种基于yolov5的改造模型，将主干网络结构中跨层的残差结构改为层内残差结构，并增加一路原输入的残差结构。
8.本发明的优点在于：整个训练过程先用少量的数据集对模型进行训练，然后将模型应用于媒资信息库，将检测到的目标数据进行校验整理，作为扩充数据集再次对模型进行训练，循环往复，不断优化模型。在此过程中，只有数据校准需要少量人工操作，相比于所有数据集都需要人工标注而言，大大减少了人工工作量，也使得模型的开发应用周期大大
缩短；同时，模型在媒资库进行进行测试也能不断地检验模型的实际效果。
附图说明
9.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
10.图1为原主干网络结构示意图。
11.图2为本发明修改后的主干网络结构示意图。
12.图3为本发明推理时的主干网络结构示意图。
13.图4为本发明处理流程示意图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.一种基于ai目标检测的自优化模型训练开发方法，包括：s1：选取训练所用的初始数据集和训练参数；所述初始数据如下：数据格式：一种特定目标对应唯一data id标识的文件夹，图片保存在目录下的img文件夹下，目标位置信息用labelimg软件进行标注并将标注信息的xml文件放到label文件夹下。
16.训练格式转化：在训练之前，会将xml文件中的位置信息，转化成单行文本信息，并保存到train.txt中。
17.s2：根据数据集和训练参数，对数据集的数据进行数据格式转化，生成训练可用的数据格式。
18.s3：根据训练参数，使用优化后的模型进行训练；优化训练模型结构具体过程如下：训练的模型结构是一种基于yolov5的改造模型，对图1主干网络结构进行修改，跨层的残差结构改为层内残差结构，除了1x1的卷积残差结构外，增加一路原输入的残差结构，得到如图2所示的结构；在训练时采用多路残差网络结构，解决网络的梯度消失问题，提高系统的鲁棒性；在推理时，每一路都占用显存或者内存，同时每一路的数据处理也需要消耗时间，导致整体的推理时间很长。为此，我们将残差模块（支线）进行了转化，合并到主路线中，这样相当于只保留了主路，减少了推理的显存内存消耗，加快了处理速度。推理时的等效结构如图4所示，是3x3 的卷积和relu操作的单路堆叠网络。
19.s4：训练过程中，不断保存模型，并选择验证集效果最好的模型单独保存。
20.s5：将媒资库影片抽帧，对帧图片用模型进行测试，实现ai自动标注，对目标图片和包含目标位置信息的标签进行保存。
21.s6：人工对检测数据进行检测校验，得到扩充数据集。
22.s7：将扩充数据集与训练用的数据集进行合并。
23.s8：开启新一轮的训练任务，训练新的模型。
24.s9：循环操作，不断优化模型。


技术特征：
1.一种基于ai目标检测的自优化模型训练开发方法，其特征在于，包括以下步骤：s1：选取训练所用的初始数据集和训练参数；s2：根据数据集和训练参数，对数据集的数据进行数据格式转化，生成训练可用的数据格式；s3：对训练模型进行优化，根据训练参数使用优化后的模型进行训练；s4：训练过程中，不断保存模型，并选择验证集效果最好的模型单独保存；s5：将媒资库影片抽帧，对帧图片用模型进行测试，实现ai自动标注，对目标图片和包含目标位置信息的标签进行保存；s6：对检测数据进行检测校验，得到扩充数据集；s7：将扩充数据集与训练用的数据集进行合并；s8：将合并后的数据集输入到优化后的模型中继续训练；s9：重复执行s3-s8不断优化模型。2.根据权利要求1所述的基于ai目标检测的自优化模型训练开发方法，其特征在于，所述初始数据集选取方式如下：数据格式：建立一种特定目标对应唯一data id标识的文件夹，图片保存在目录下的img文件夹下，目标位置信息用labelimg软件进行标注并将标注信息的xml文件放到label文件夹下；训练格式转化：训练前，将xml文件中的位置信息，转化成单行文本信息，并保存到train.txt中。3.根据权利要求1所述的基于ai目标检测的自优化模型训练开发方法，其特征在于，所述优化后的模型结构是一种基于yolov5的改造模型，将主干网络结构中跨层的残差结构改为层内残差结构，并增加一路原输入的残差结构。

技术总结
本发明提供了一种基于AI目标检测的自优化模型训练开发方法，属于广电视频技术领域。包括以下步骤选取训练所用的初始数据集和训练参数；根据数据集和训练参数，对数据集的数据进行数据格式转化，生成训练可用的数据格式；根据训练参数，使用优化后的模型进行训练；训练过程中，不断保存模型，并选择验证集效果最好的模型单独保存；将媒资库影片抽帧，对帧图片用模型进行测试，实现AI自动标注，对目标图片和包含目标位置信息的标签进行保存；人工对检测数据进行检测校验，得到扩充数据集；将扩充数据集与训练用的数据集进行合并；开启新一轮的训练任务，训练新的模型；循环操作，不断优化模型。本发明有效减少人工工作量，缩短开发周期。发周期。发周期。


技术研发人员：韩继泽 谢恩鹏 王志亮 杜浩 房兰涛 刘旭
受保护的技术使用者：山东浪潮超高清智能科技有限公司
技术研发日：2022.07.13
技术公布日：2022/11/1