目标检测模型的训练方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，尤其涉及目标检测领域中的小样本目标检测领域。


背景技术：

2.神经网络技术的发展使得目标检测技术得到巨大提升，广泛用于计算机视觉应用的各个领域。但是对小样本目标的检测存在过拟合的现象，会使得将小样本误识别为基类样本。因此提高小样本目标检测的准确性，是当前目标检测技术的重要研究方向。


技术实现要素：

3.本公开提供了一种目标检测模型的训练方法、装置、电子设备和存储介质。
4.根据本公开的一方面，提供了一种应用于小样本的目标检测模型的训练方法，目标检测模型包括特征提取网络、区域建议网络和感兴趣区域识别网络，方法包括：
5.将样本图像输入特征提取网络，得到样本图像的特征图；
6.将特征图输入区域建议网络，得到区域建议网络输出的中间候选框集合以及待识别候选框集合，其中待识别候选框集合是区域建议网络从中间候选框集合中筛选出的；
7.基于中间候选框集合构建的正样本对和负样本对，确定对比学习损失；并且，
8.确定区域建议网络对待识别候选框集合的筛选损失；以及，
9.基于感兴趣区域识别网络对待识别候选框集合的处理结果，确定样本图像中的目标对象的检测损失；
10.基于对比学习损失、筛选损失以及检测损失调整目标检测模型的可学习参数，在满足训练收敛条件的情况下，结束对目标检测模型的训练。
11.根据本公开的另一方面，提供了一种应用于小样本的目标检测模型的训练装置，目标检测模型包括特征提取网络、区域建议网络和感兴趣区域识别网络，装置包括：
12.特征提取模块，用于将样本图像输入特征提取网络，得到样本图像的特征图；
13.筛选模块，用于将特征图输入区域建议网络，得到区域建议网络输出的中间候选框集合以及待识别候选框集合，其中待识别候选框集合是区域建议网络从中间候选框集合中筛选出的；
14.损失确定模块，用于基于中间候选框集合构建的正样本对和负样本对，确定对比学习损失；并且，
15.确定区域建议网络对待识别候选框集合的筛选损失；以及，
16.基于感兴趣区域识别网络对待识别候选框集合的处理结果，确定样本图像中的目标对象的检测损失；
17.调整模块，用于基于对比学习损失、筛选损失以及检测损失调整目标检测模型的可学习参数，在满足训练收敛条件的情况下，结束对目标检测模型的训练。
18.根据本公开的另一方面，提供了一种电子设备，包括：
19.至少一个处理器；以及，
20.与该至少一个处理器通信连接的存储器；其中，
21.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一目标检测模型的训练方法。
22.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，该计算机指令用于使该计算机执行根据本公开中任一目标检测模型的训练方法。
23.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，该计算机程序在被处理器执行时实现根据本公开中任一目标检测模型的训练方法。
24.本公开通过增加对正样本对和负样本对的对比学习损失，并以此调整目标检测模型，提高了对小样本目标检测的准确性。
25.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
26.附图用于更好地理解本方案，不构成对本公开的限定。其中：
27.图1是根据本公开一实施例提供的目标检测模型的框架示意图；
28.图2(a)是根据本公开一实施例提供的一种目标检测模型的训练方法的流程示意图；
29.图2(b)是根据本公开一实施例提供的生成多种候选框的示意图；
30.图3是根据本公开一实施例提供的一种构建正负样本对的流程示意图；
31.图4是根据本公开另一实施例提供的构建的正样本对和负样本对，计算对比学习损失的流程示意图：
32.图5是根据本公开一实施例的目标检测模型的训练装置的结构示意图；
33.图6是用来实现本公开实施例的目标检测模型的训练方法的电子设备的框图。
具体实施方式
34.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。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。
35.目标检测技术在近些年发展势头迅猛，是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。
36.通过训练的目标检测模型可以识别出图像中对象的种类并能够识别出各对象在图像中的位置。训练该模型往往需要大量有标签的训练数据才能取得较好的性能。
37.该类目标检测模型的样本集包括两类，一类是基类样本，即训练集中较为常见且数量较多的样本，另一类为小样本，即训练集中不常见或是数量较小的样本。
38.由于小样本在训练数据集中的数量较少，一般的目标检测模型对小样本目标检测的效果较差，容易将其检测为基类样本的标签类别。例如使用有10000个带有圆珠笔标签的
数据和10个带有触控笔标签的训练数据训练目标检测模型。由于圆珠笔和触控笔外形相近，训练完成后，该模型在对触控笔进行目标检测时有较大的概率将其误认为圆珠笔。
39.因此，为了提高小样本的识别准确率，本公开实施例提供了一种应用于小样本的目标检测模型的训练方法，该方法对现有的目标检测模型进行改进，以提高其对小样本目标识别精度。如图1所示，本公开实施例提供的目标检测模型包括：
40.特征提取网络、区域建议网络(region proposal network，rpn)、感兴趣区域识别网络(region of interest，roi)。其中：
41.特征提取网络用于提取输入图像的特征，并得到特征图；
42.区域建议网络用于基于特征图获得待识别候选框；
43.感兴趣区域识别网络包括两部分：感兴趣区域池和感兴趣区域头。感兴趣区域池用于将待识别候选框池化为同一尺度；感兴趣区域头基于将池化后的待识别候选框与特征图，识别输入图像中各目标对象的类别以及各目标对象在输入图像中的位置。
44.如图2(a)所示，为本公开实施例提供的应用于小样本的目标检测模型的训练方法的流程示意图，包括：
45.s201、将样本图像输入特征提取网络，得到样本图像的特征图。
46.其中，特征提取网络用于获得特征图，因此本公开对于使用何种特征提取网络不做具体限定。例如，可以使用较为基本的卷积神经网络；也可以使用在卷积神经网络的基础上进行改良的网络。改良的网络例如，预训练的用于提取图像特征的骨干网络backbone、以及引入了注意力机制网络例如transformer等。
47.s202、将特征图输入区域建议网络，得到区域建议网络输出的中间候选框集合以及待识别候选框集合，其中待识别候选框集合是区域建议网络从中间候选框集合中筛选出的。
48.s203、基于中间候选框集合构建的正样本对和负样本对，确定对比学习损失。
49.s204、确定区域建议网络对待识别候选框集合的筛选损失；
50.在一些实施例中，会预先对样本图像的前景和后景进行划分，区域建议网络筛选出的待识别候选框集合为前景概率较大的中间候选框构成的，可以基于筛选结果与划分结果的对比，确定筛选损失。
51.s205、基于感兴趣区域识别网络对待识别候选框集合的处理结果，确定样本图像中的目标对象的检测损失。
52.s206、基于对比学习损失、筛选损失以及检测损失调整目标检测模型的可学习参数，在满足训练收敛条件的情况下，结束对目标检测模型的训练。
53.增加对正样本对和负样本对的对比学习损失，同时使用对比学习损失调整目标检测模型，可以提高目标检测模型对不同种类的对象的识别精度，以及提高了对小样本目标检测的准确性。
54.针对步骤s202的中间候选框，本公开实施例中，实施时，特征图中每个点有具有对应的n种初始候选框。这些初始候选框的位置、尺寸和形状是预先规定好的，且这些初始候选框的尺寸和长宽比例均不相同。例如，通常情况下，每个点对应9种初始候选框，该9种初始候选框的示例如图2(b)所示：针对特征图中每一个点，可以生成尺寸比例分别为1：2：4、长宽比例分别为1：1、1：2、2：1的共9种不同的初始候选框。特征图中所有初始候选框构成初
始候选框集合。
55.得到初始候选框集合后，需要由区域建议网络基于特征图对初始候选框集合进行微调，得到中间候选框集合。具体可实施为：微调初始候选框的形状和位置，使得到的中间候选框尽可能与样本图像中目标对象匹配。
56.本公开实施例中，特征图中每个点提供多种初始候选框，能够将目标对象所在的位置尽可能包含在初始候选框集合中，提高对目标对象的检测结果的准确性。通过对多种初始候选框进行微调后，可以使得中间候选框集合具有更强表现力的特征，便于准确的筛选出待识别候选框集合，提高检测出的目标对象的位置的准确性。
57.针对步骤s202中的待识别候选框，在一些实施例中，从中间候选框集合中筛选出待识别候选框集合，可实施为：
58.步骤a1：设置样本图像中的目标对象作为前景，其余部分作为背景。
59.步骤a2：基于特征图，计算每个中间候选框属于前景的概率。
60.步骤a3：筛选出属于前景概率较大的中间候选框，并使用非极大值抑制的方法进一步筛选，得到待识别候选框。
61.使用非极大值抑制可以降低待识别候选框的重叠率，具体可实施为：
62.步骤b1：将特征图分为多个区域。
63.步骤b2：循环执行以下步骤直至所有中间候选框均被标记或删除：
64.步骤b2-1：找出各个区域中的属于前景概率最高且未被标记的中间候选框a。
65.步骤b2-2：将与中间候选框a重叠率高于筛选重叠率阈值的中间候选框删除，并标记中间候选框a。
66.其中，可以根据调整筛选重叠率阈值的大小来改变待识别候选框的数量。
67.实施时，计算中间候选框a和另一个中间候选框b的重叠率可以使用以下方法，即将中间候选框a与中间候选框b的交集除以中间候选框a与中间候选框b的并集。
68.步骤b3：将所有被标记的中间候选框作为待识别候选框。
69.针对步骤s203中提及的基于中间候选框构建正样本对和负样本对，在一些实施例中，为便于理解和区分不同候选框，中间候选框集合中的每个中间候选框可分别作为第一候选框，如图3所示，可基于以下方式针对每个第一候选框构建正样本对和负样本对：
70.s301、从中间候选框集合中筛选出与第一候选框的重叠率高于第一重叠率阈值的第二候选框，得到第二候选框集合，并从中间候选框集合中筛选出与第一候选框的重叠率低于第二重叠率阈值的第三候选框，得到第三候选框集合。其中，第二重叠率阈值小于第一重叠率阈值。
71.其中，重叠率的计算方法可以参照上文中步骤b2-2所介绍的方法，这里不做赘述。
72.其中，第一重叠率阈值例如可以选择0.9，第二重叠率阈值例如可选择0.1甚至更小。具体实施时，可根据实际需求确定第一重叠率阈值和第二重叠率阈值。
73.s302、基于第二候选框集合中各第二候选框分别与第一候选框的特征相似度，确定第一候选框的正样本对；并基于第三候选框集合中各第三候选框分别与第一候选框的特征相似度，确定第一候选框的负样本对。
74.本公开实施例中，基于第一重叠率阈值能够初步筛选出第一候选框的正样本，进一步通过特征相似度来构建正样本对，以此保证构建的正样本适用于训练目标检测模型，
由此保证构建正样本对的合理性。同理，基于第二重叠率阈值能够初步筛选出第一候选框的负样本，进一步通过特征相似度来构建负样本对，以此保证构建的负样本适用于训练目标检测模型，由此保证构建负样本对的合理性。进而，采用合理的正样本对和负样本对来训练目标检测模型，可以使得模型能够学习到小样本的更具表现力的特征，从而能够准确的检查小样本对象。
75.在一些实施例中，可基于以下方法获得正样本对和所述负样本对中任一样本的特征：
76.步骤c1：采用样本特征构建网络将特征图映射为n个子特征图，得到每类中间候选框分别对应的子特征图。
77.本公开实施例中，样本特征构建网络可实施为全连接层网络，也可以实施为全卷积层网络。以全连接层网络为例，对如何得到子特征图进行说明：
78.针对从特征提取网络中得到大小为a*b的m维特征图，进行m*(m*n)的映射，可以得到n个大小为m*a*b的特征图，即为n个子特征图。全连接层网络的权重可以基于确定的损失进行学习调整，以便于使得全连接层网络能够准确的映射出不同种类的候选框的特征。
79.步骤c2：针对正样本对和负样本对中任一样本，将样本在对应的子特征图的位置点的特征值作为样本的特征。
80.以第一候选框、第二候选框第三候选框为例。这三种候选框均是初始候选框经由形状和位置微调后得到的，因此其维度也与特征图的维度相同。在计算特征时，可以获得上述候选框所在的特征图中的位置的特征作为该候选框的特征。
81.本公开实施例中，生成多个子特征图，利用子特征图的特征确定样本的特征，可以更准确的获得样本特征，进而使得基于样本对特征计算对比学习损失，以提高目标检测模型对小样本检测的准确性。
82.为了能够提高训练效果，尽快使得目标检测网络训练收敛，本公开实施例中基于第二候选框集合中各第二候选框分别与第一候选框的特征相似度，确定第一候选框的正样本对，可实施为：
83.步骤d1：筛选出与第一候选框的特征相似度最低的第二候选框作为正样本。
84.步骤d2：基于第一候选框和正样本构建正样本对。
85.同理，为了能够提高训练效果，尽快使得目标检测网络训练收敛，本公开实施例中基于第三候选框集合中各第三候选框分别与第一候选框的特征相似度，确定第一候选框的负样本对，可实施为：
86.步骤e1：筛选出与第一候选框的特征相似度最高的第三候选框作为负样本。
87.步骤e2：基于第一候选框和负样本构建负样本对。
88.在与第一候选框重叠率较高的第二候选框集合中选择出特征不相近的第二候选框作为正样本，在与第一候选框重叠率较低的第三候选框集合中选择出特征相近的第三候选框作为负样本，可以使得在满足正样本或负样本的前提下，构建的正样本对的特征距离尽可能大，并且构建的负样本对的特征距离尽可能小，便于后续通过损失函数对目标网络模型的训练，达到尽可能缩小正样本对的特征距离，并增大负样本对的特征距离的目的。由此，通过对比学习损失能够更好识别同类对象，并区分不同类对象，从而提高目标检测模型对小样本检测的准确性。
89.在得到正样本对和负样本对后，针对步骤s203中的对比学习损失，可使用特征距离计算对比学习损失。基于前文关于初始候选框的描述可知，特征图中每个点对应n种中间候选框。在一些实施例中，如图4所示，可以基于以下方法基于中间候选框集合构建的正样本对和负样本对，计算对比学习损失：
90.s401、针对每个中间候选框分别执行以下操作：确定中间候选框的正样本对中两个样本间的第一特征距离；以及，确定中间候选框的负样本对中两个样本间的第二特征距离。
91.其中，计算特征距离可以采用欧式距离的计算方法。例如，当特征图维度为512维时，第一候选框的特征为(a1，a2...a
512
)、第二候选框为(b1，b2...b
512
)、第三候选框的特征为(c1，c2...c
512
)。此时第一特征距离即第一候选框与第二候选框间的距离以欧氏距离表示为如式(1)所示：
[0092][0093]
第一特征距离即第一候选框与第三候选框间的距离以欧氏距离表示为为如式(2)所示：
[0094][0095]
还可以使用曼哈顿距离计算方法来表征两样本之间的特征距离。即对两个特征的每个维度分别求出距离，再将这些距离求和。仍以上述特征为例，第一候选框与第二候选框间的第一特征距离以曼哈顿距离表示为如式(3)所示：
[0096]
|a
1-b1|+|a
2-b2|+...+|a
512-b
512
|
ꢀꢀꢀꢀꢀ
(3)。
[0097]
当然，实施时还可以采用向量间的余弦距离表示样本间的特征距离。需要说明的是，本公开实施例获得特征距离仅用于计算对比损失，对使用何种方法获得特征距离本公开不做具体限定。
[0098]
s402、基于各中间候选框的第一特征距离和第二特征距离，确定对比学习损失。
[0099]
在一些实施例中，可以使用有监督训练或是无监督训练两种方法确定对比学习损失。
[0100]
方法一：无监督训练
[0101]
对于第一特征距离l1与第二特征距离l2，采用求差的方法获得一个正样本对和负样本对间的对比学习损失
[0102]
l
单
＝l
1-l2ꢀꢀꢀ
(4)；
[0103]
求所有正样本对和负样本对的对比学习的损失，求平均值，获得模型的对比学习损失：
[0104][0105]
其中x为总正样本对和总负样本对数
[0106]
方法二：有监督训练
[0107]
有监督训练中引入了一个新的预设量：边缘值margin，边缘值越大，模型的目标检测的准确性越强，但同时训练难度也会成倍增加。因此，可以先将边缘值预设为一个较小的
值，再逐渐增加边缘值以便于降低模型的训练难度。
[0108]
在计算各正样本对和负样本对间的对比学习损失l
单
时，除了无监督训练中的求差计算外，还将加上边缘值，即一个正样本对和负样本对间的对比学习损失如表达式(6)所示：
[0109]
l
单
＝l
1-l2+margin
ꢀꢀꢀ
(6)。
[0110]
后续计算模型的对比损失与无监督方法相同，在这里不做赘述。
[0111]
使用无监督训练的方法可以减少因进行预设边缘值产生的工作量，而有监督训练的方法可以更容易达到预设训练的目标并停止训练；具体使用何种方法需要根据具体的情况确定。
[0112]
使用正样本对和负样本对的特征距离确定对比损失，可以获得第一样本框与正样本间的特征差异与第一样本框与负样本间的特征差异，便于后续调整目标检测模型的参数，以便于使得训练得到的目标检测模型能够更好的识别出小样本。
[0113]
针对步骤s205中提及的检测损失，在一些实施例中，可先处理待识别候选框集合得到目标对象在样本图像中的位置以及分类结果，然后基于处理结果确定检测损失。实施时，感兴趣识别网络可基于以下方法处理待识别候选框集合：
[0114]
步骤f1：对待识别样本框集合进行池化，使其尺寸相同，并再次进行微调，使待识别样本框的边界特征图中目标对象相同。
[0115]
步骤f2：使用非极大值抑制的方法对微调后的待识别样本框集合进行筛选，得到目标对象样本框。
[0116]
其中，非极大值抑制的具体实施步骤可参考步骤b1-步骤b3，在这里不做赘述。
[0117]
步骤f3：对目标对象样本框进行目标检测，得到处理结果，该处理结果包括目标对象样本框即目标对象的分类结果以及各目标对象在样本图像中的位置。
[0118]
在得到处理结果后，将其与样本图像中目标对象的位置和标签进行比对，得到检测损失。其中，检测损失可以分为两部分：一部分损失为目标对象样本框的位置与目标对象的标记位置的差异产生的偏移损失，即回归损失；另一部分损失为分类结果与目标对象的标记类别的差异产生的损失，即分类损失。
[0119]
针对步骤s206中对可学习参数的调整，在一些实施例中，对本公开提供的目标检测模型的参数调整可以分为两个阶段进行：
[0120]
第一阶段：
[0121]
采用基类样本训练目标检测模型。第一阶段的参数调整使得目标检测模型可以从样本图像中找出目标对象的位置，同时对目标对象进行基础类别的分类。
[0122]
在第一阶段中，输入该基类样本，在得到对比学习损失、筛选损失以及检测损失后，基于上述损失调整该目标检测模型中的特征提取网络、区域建议网络和感兴趣区域识别网络的模型参数。
[0123]
其中，筛选损失以及检测损失用于调整上述三种网络，而对比学习损失用于调整特征提取网络、区域建议网络。
[0124]
训练收敛条件可以是迭代训练指定次数，或者由对比学习损失、筛选损失以及检测损失确定的总损失小于指定损失值。
[0125]
使用对比学习损失调整特征提取网络、区域建议网络的目的均为提高目标检测模
型对不同种类目标的区分程度，使其能够完成样本图像中目标对象的检测，同时能识别出其中的小样本对象。
[0126]
第二阶段：
[0127]
采用小样本训练目标检测模型。第二阶段的参数调整使得目标检测模型可以对样本图像中的目标对象进行更加准确的分类，同时可以实现对小样本目标的分类。
[0128]
在第二阶段中，输入该目标检测模型的样本图像集为小样本集。小样本集可以使用多种小样本构建，也可以从具有大量样本的标签类别中随机选择少量样本构成小样本。
[0129]
第二阶段的参数调整时，会固定调整特征提取网络、区域建议网络以及感兴趣网络区域中感兴趣区域池的可学习参数，使用第二阶段的对比学习损失、筛选损失以及检测损失调整感兴趣区域头的分类层和回归层，使其能够检测出小样本目标并进行分类。
[0130]
基于相同的技术构思，本公开实施例还提供了一种应用于小样本的目标检测模型的训练装置，目标检测模型包括特征提取网络、区域建议网络和感兴趣区域识别网络，如图5所示，该装置包括：
[0131]
特征提取模块501，用于将样本图像输入特征提取网络，得到样本图像的特征图；
[0132]
筛选模块502，用于将特征图输入区域建议网络，得到区域建议网络输出的中间候选框集合以及待识别候选框集合，其中待识别候选框集合是区域建议网络从中间候选框集合中筛选出的；
[0133]
损失确定模块503，用于基于中间候选框集合构建的正样本对和负样本对，确定对比学习损失；并且，确定区域建议网络对待识别候选框集合的筛选损失；以及，基于感兴趣区域识别网络对待识别候选框集合的处理结果，确定样本图像中的目标对象的检测损失；
[0134]
调整模块504，用于基于对比学习损失、筛选损失以及检测损失调整目标检测模型的可学习参数，在满足训练收敛条件的情况下，结束对目标检测模型的训练。
[0135]
在一些实施例中，将中间候选框集合中的每个中间候选框分别作为第一候选框，该装置还包括：
[0136]
构建模块，用于针对每个第一候选框，分别基于以下方法构建第一候选框的正样本对和负样本对：
[0137]
从中间候选框集合中筛选出与第一候选框的重叠率高于第一重叠率阈值的第二候选框，得到第二候选框集合，并从中间候选框集合中筛选出与第一候选框的重叠率低于第二重叠率阈值的第三候选框，得到第三候选框集合；第二重叠率阈值小于第一重叠率阈值；
[0138]
基于第二候选框集合中各第二候选框分别与第一候选框的特征相似度，确定第一候选框的正样本对；并，基于第三候选框集合中各第三候选框分别与第一候选框的特征相似度，确定第一候选框的负样本对。
[0139]
在一些实施例中，构建模块，用于：
[0140]
筛选出与第一候选框的特征相似度最低的第二候选框作为正样本；
[0141]
将第一候选框和正样本确定为正样本对。
[0142]
在一些实施例中，构建模块，还用于：
[0143]
筛选出与第一候选框的特征相似度最低的第三候选框作为负样本；
[0144]
将第一候选框和负样本确定为负样本对。
[0145]
在一些实施例中，特征图中每个点对应n种中间候选框，n为大于1的正整数，该装置还包括：
[0146]
映射模块，用于采用样本特征构建网络将特征图映射为n个子特征图，得到每类中间候选框分别对应的子特征图；
[0147]
特征值模块，用于针对正样本对和负样本对中任一样本，将样本在对应的子特征图的位置点的特征值作为样本的特征。
[0148]
在一些实施例中，损失确定模块，用于：
[0149]
针对每个中间候选框分别执行以下操作：确定中间候选框的正样本对中两个样本间的第一特征距离；以及，确定中间候选框的负样本对中两个样本间的第二特征距离；
[0150]
基于各中间候选框的第一特征距离和第二特征距离，确定对比学习损失。
[0151]
在一些实施例中，特征图中每个点分别对应n种初始候选框，n为大于1的正整数，各初始候选框构建初始候选框集合，则筛选模块，用于：
[0152]
将特征图输入区域建议网络，由区域建议网络基于特征图对初始候选框集合进行微调，得到中间候选框集合。
[0153]
图6示出了可以用来实施本公开的实施例的示例电子设备600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，个人数字助理、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。
[0154]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0155]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
[0156]
计算单元601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601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601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。例如，在一些实施例中，目标检测模型的训练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608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的目标检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601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。
[0157]
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、现场可编程门阵列(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。
[0158]
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。
[0159]
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。
[0160]
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。
[0161]
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。
[0162]
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。本公开实施例可采用服务器执行蛋白质的生成方法。
[0163]
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。
[0164]
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。