[发明专利]图像模型的训练方法、电子设备、路侧设备及云控平台

说明书

本申请公开了一种图像模型的训练方法、装置和电子设备，涉及智能交通、深度学习等人工智能领域。具体实现方案为在图像模型每次训练开始前，获取每个类别的采样比例系数；基于采样比例系数，从每个类别的候选图像样本中采样出训练图像样本；基于每个类别采样的训练图像样本对图像模型进行训练，并获取每个类别的损失信息，其中损失信息用于下一次训练时获取采样比例系数；响应于训练出的图像模型收敛停止训练，生成目标图像模型。本申请实施例的训练方法，能够实现图像模型在训练的过程中可根据各类别的训练情况自适应的动态调整候选图像样本的采样比例，使得各类别可以较为均衡的得到训练，进而得到优质的图像模型。

技术领域

本申请涉及人工智能领域，具体涉及智能交通领域、深度学习领域。

背景技术

深度学习是一种数据驱动的方法，而数据质量的好坏直接决定了深度学习方法的上限，目前，提升深度学习算法的性能有两种方式：一方面不断的收集和标注数据；另一方面不断优化图像模型。

类别不平衡是目前大多数深度学习任务所面临的一个问题，该问题会导致深度学习算法的性能往往会偏向于样本数量多的类别，而样本数量少的类别因为没有足够多的样本而得不到有效的学习。

发明内容

本申请提供了一种图像模型的训练方法、电子设备、路侧设备及云控平台。

根据本申请的一方面，提供了一种图像模型的训练方法，包括：

在图像模型每次训练开始前，获取每个类别的采样比例系数；

基于所述采样比例系数，从每个类别的候选图像样本中采样出训练图像样本；

基于每个类别采样的所述训练图像样本对所述图像模型进行训练，并获取每个类别的损失信息，其中所述损失信息用于下一次训练时获取所述采样比例系数；

响应于训练出的图像模型收敛停止训练，生成目标图像模型。

根据本申请的另一方面，提供了一种图像模型的训练装置，包括：

第一获取模块，用于在图像模型每次训练开始前，获取每个类别的采样比例系数；

采样模块，用于基于所述采样比例系数，从每个类别的候选图像样本中采样出训练图像样本；

第二获取模块，用于基于每个类别采样的所述训练图像样本对所述图像模型进行训练，并获取每个类别的损失信息，其中所述损失信息用于下一次训练时获取所述采样比例系数；

图像模型生成模块，用于响应于训练出的图像模型收敛停止训练，生成目标图像模型。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述一方面实施例所述的图像模型的训练方法。

根据本申请的另一方面，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，所述计算机指令用于使所述计算机执行如上述一方面实施例所述的图像模型的训练方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述一方面实施例所述的图像模型的训练方法。

根据本申请的另一个方面，提供了一种路侧设备，包括上述一方面实施例所述的电子设备。

根据本申请的另一个方面，提供了一种云控平台，包括上述一方面实施例所诉的电子设备。