[发明专利]模型优化方法、装置、设备和计算机可读存储介质

说明书

本发明提供了一种模型优化方法、装置、设备和计算机可读存储介质。模型优化装置包括：用户场景数据单元、训练测试数据集单元、模型及评估单元、模型训练及更新单元和用户场景推理单元。本发明中，用户场景数据单元首先获取用户场景数据，然后根据用户场景数据获取测试数据，可以解决目前模型优化装置提供者无法覆盖用户所有场景及训练数据的匮乏问题。本发明采用第二测试数据训练第一推理模型，采用第一测试数据对第二推理模型进行在线评估，推理模型的训练和推理是同时进行的，既提升算法的性能，又不占用推理模型使用的资源，实现在线训练、推理和用户使用的分离。

技术领域

本发明涉及模型优化的技术领域，具体而言，涉及一种模型优化方法、装置、设备和计算机可读存储介质。

背景技术

深度学习目标检测算法的性能好坏往往和实际的场景和数据集以及类别的分布有很大的关联，而算法的提供者在训练算法模型时并无法覆盖所有场景或者具有比较完备、类别充分的数据集，训练出的模型会导致在实际用户使用的过程中无法达到其训练的测试结果。

发明内容

本发明旨在解决上述技术问题的至少之一。

为此，本发明的第一目的在于提供一种模型优化方法。

本发明的第二目的在于提供一种模型优化装置。

本发明的第三目的在于提供一种模型优化设备。

本发明的第四目的在于提供一种计算机可读存储介质。

为实现本发明的第一目的，本发明的技术方案提供了一种模型优化方法，包括：获取用户场景数据；根据用户场景数据，获取第一测试数据；根据用户场景，在初始化模型库中，选取第一推理模型；采用第一测试数据对第一推理模型进行训练和评估，得到第二推理模型；判定是否达到扩充阈值条件，基于达到扩充阈值条件，对第一测试数据进行扩增，得到第二测试数据；采用第二测试数据对第二推理模型进行训练和评估，更新评估条件；根据评估条件和模型阈值，判定第二推理模型是否更换第一推理模型，基于采用第二推理模型更换第一推理模型，采用第二推理模型更新初始化模型库，设置第二推理模型为目标推理模型，否则，设置第一推理模型为目标推理模型；判定是否满足结束条件，基于达到结束条件，采用目标推理模型进行推理，基于未达到结束条件，继续对测试数据进行扩增，进行模型优化。

本技术方案首先获取用户场景数据，然后根据用户场景数据获取测试数据，可以解决目前算法提供者无法覆盖用户所有场景及训练数据的匮乏问题。本技术方案中，评估第二推理模型后，更新评估条件，并且，设定模型阈值，根据模型阈值，判定第二推理模型是否更换第一推理模型，通过增加推理模型是否更新的判定和评估条件的自动更新，更好的了提升推理模型性能。

另外，本发明提供的技术方案还可以具有如下附加技术特征：

上述技术方案中，执行获取用户场景数据之前，还包括：构建初始化模型库，初始化模型包括轻量型初始化模型和/或中等初始化模型和/或重量型初始化模型。

通过设置三种初始化模型，使得模型选取更加灵活，更加贴近用户场景。

上述技术方案中，采用第一测试数据对第一推理模型进行训练和评估，包括：第一测试数据包括第一测评数据和第一训练数据，采用第一训练数据训练第一推理模型，采用第一测评数据评估第一推理模型，获取第一推理模型的指标值。

通过第一测试数据对第一推理模型进行训练和评估，第一测试数据基于用户场景数据，通过基于用户场景数据进行模型训练，使得推理模型能够覆盖用户场景及训练数据，进而，通过推理模型进行推理，得到符合用户场景的结果。