[发明专利]一种可定制目标检测算法的智能化云平台系统及操作方法

说明书

本发明公开的是一种可定制目标检测算法的智能化云平台系统及操作方法，该系统包括算法发布平台、算法训练平台，算法训练平台通信连接有定制算法样本库、自动化脚本以及采样数据端，算法训练平台与算法发布平台间通信连接有定制算法模型，算法发布平台通信连接有测试客户端，操作方法包括：新建算法、选择算法模型、标注样本并上传到平台、网络训练、测试发布，本发明可以解决普通用户在开门目标检测算法时候遇到的技术门槛高，开发周期长的问题；可以将一个目标检测算法的开发步骤做到标准化、自动化、简易化；可以降低技术门槛，加快开发周期。

技术领域

本发明涉及一种智能化云平台系统及操作方法，更具体一种可定制目标检测算法的智能化云平台系统，属于深度学习的技术领域。

背景技术

近年来，深度学习的发展逐渐成熟并得到了广泛的应用，尤其是基于视频识别的目标检测算法在过去几年深度学习的发展背景下取得了巨大的进展，检测性能得到明显提升。

目标检测是计算机视觉领域的一个重要任务，它可以识别一张图片的多个物体，并可以定位出不同物体，给出边界框。目标检测在一些场合已经比较成熟的应用，比如在无人驾驶的应用中，可以检测出车辆、行人、交通指示灯等目标；又比如在安防监控的应用中，可以检测人脸、人形、物体等。

目前主流的目标检测算法主要都是基于深度学习模型，其可以分成两大类：1)two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域(regionproposals)，然后对候选区域分类(一般还需要对位置精修)，这类算法的典型代表是FasterRCNN；2)one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，这类算法的典型代表是YOLO。

目标检测还有很多公开的数据集，例如PASCAL VOC(The PASCAL Visual ObjectClassification)是目标检测、分类、分割等领域一个有名的数据集，其包含约10000张带有边界框的图片用于训练和验证；还有一个著名的数据集是Microsoft公司建立的MS COCO(Common Objects in COntext)数据集，其对于目标检测任务，COCO共包含80个类别，每年大赛的训练和验证数据集包含超过120000个图片，超过40000个测试图片。

虽然目标检测算法虽然已经有成熟的应用，但是其也存在一些问题。最主要的就是技术门槛高，开发周期长。根据深度学习中监督学习的特点，一个目标检测算法的开发步骤包括如下：标注样本、算法选型、网络训练、测试发布，整个开发过程并不简单，需要有丰富经验的深度学习算法工程师才能够完成，对普通用户来说技术水平很难达到，其限制了目标检测算法在更多小众场景中的推广。

发明内容

为了解决上述现有技术问题，本发明目的在于提供具有可以解决普通用户在开门目标检测算法时候遇到的技术门槛高，开发周期长的问题的一种可定制目标检测算法的智能化云平台系统。

本发明的另一个目的在于提供具有可以将目标检测算法的开发步骤做到标准化、自动化、简易化、可以降低技术门槛，加快开发周期等技术的一种可定制目标检测算法的智能化云平台系统的操作方法。

为了实现上述目的，本发明是通过以下技术方案实现的：

一种可定制目标检测算法的智能化云平台系统，该系统包括算法发布平台以及带有操作接口的算法训练平台，所述算法训练平台通信连接有定制算法样本库、自动化脚本以及采样数据端，所述算法训练平台与算法发布平台间通信连接有定制算法模型，所述算法发布平台通信连接有测试客户端；