[发明专利]目标分析方法、装置、系统、节点设备及存储介质

说明书

本申请提供了一种目标分析方法、装置、系统、节点设备及存储介质，涉及深度学习领域。本申请将目标检测和目标识别从集中由同一计算资源执行，改进为分散在不同计算资源执行，让目标检测与目标识别成为两种相互独立的过程，根据目标检测的结果的数据量，来动态地调整进行目标分析的计算资源的数量，从而灵活地调整进行目标检测的计算资源与进行目标识别的计算资源的比例，当目标稀疏时，可避免计算资源出现空闲而导致的资源浪费的问题；当目标密集时，可降低目标识别的时延。

技术领域

本申请涉及计算机技术领域，特别涉及深度学习领域。

背景技术

随着计算机技术以及深度学习技术的发展，对于给定的输入数据，比如视频流、图片流或单张图像，可以分析其中的目标，例如可以分析车辆的车牌号、车辆品牌，又如可以分析人脸的表情、年龄等。

目标分析主要包括目标检测以及目标识别这两种过程，目前，这两种过程会通过同一计算资源串行地执行。以计算资源为图形处理单元(graphics processing unit，GPU)为例，GPU会通过网络与一路或多路网络摄像机(IP camera，IPC)相连，在目标识别的过程中，GPU会创建智能视频分析服务(intelligent video analysis service，IVAS)进程，该IVAS进程集成了目标检测以及目标识别这两种功能。在目标识别的过程中，每路IPC会将拍摄的视频流实时发送给IVAS进程，当IVAS进程接收到视频流后，IVAS进程会调用基于GPU硬件的深度学习算法，根据视频流进行目标检测，检测到目标的信息后对目标进行识别，输出目标识别的结果。

其中，IVAS进程会获取IPC的数量，根据IPC的数量，确定GPU的数量，调度该数量个GPU进行目标检测以及目标识别。例如，如果共有n路IPC，IVAS进程确定需要m个GPU来识别这n路IPC输出的视频流，则会调度m个GPU进行目标检测以及目标识别，其中，m和n为正整数。

采用上述方法进行目标分析时，如果IPC的数量不变，则调度的GPU的数量也会固定不变，那么如果输入的视频流中目标的个数较少，计算资源在进行目标识别时就会出现空闲，导致计算资源的使用率不高，造成计算资源的浪费；而如果输入的视频流出现的目标较多，计算资源在进行目标识别时就会不足，造成目标识别的时延过长，进而造成丢失包含目标的数据。

发明内容

本申请实施例提供了一种目标分析方法、装置、系统、节点设备及存储介质，能够解决相关技术中目标个数少时会出现的计算资源使用率低、资源浪费的问题或者目标个数多时会出现的计算资源不足、目标识别时延过长的技术问题。所述技术方案如下：

第一方面，提供了一种目标分析方法，所述方法包括：

调度第一计算资源通过基于深度学习的目标检测模型进行目标检测，得到第一结果；

根据所述第一结果的数据量，调整第二计算资源的数量，所述第二计算资源与所述第一计算资源不同；

调度经过数量调整后的所述第二计算资源，通过基于深度学习的目标识别模型对所述第一结果进行目标识别，得到第二结果。

本实施例提供的方法，通过将目标检测和目标识别从集中由同一计算资源执行，改进为分散在不同的计算资源执行，让目标检测与目标识别成为两种相互独立的过程，再根据目标检测的结果的数据量，来动态地调整进行目标分析的计算资源的数量，从而可以灵活地调整进行目标检测的计算资源与进行目标识别的计算资源之间的比例，当出现的目标稀疏时，目标检测的结果的数据量会较小，那么通过减少进行目标识别的计算资源，可以避免计算资源进行目标识别时出现空闲而导致的资源浪费的问题。而当出现的目标密集时，目标检测的结果的数据量就会较大，那么通过让更多的计算资源进行目标分析，可以避免进行目标识别的计算资源不足的情况，从而降低目标识别的时延，进而避免目标识别的时延过长造成的数据丢失问题。