模型保存方法、装置、电子设备、路侧设备及云控平台.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114282663A(43)申请公布日2022.04.05(21)申请号202110456107.7(22)申请日2021.04.26(71)申请人阿波罗智联（北京）科技有限公司地址100176北京市大兴区经济技术开发区瑞合西二路7号院1号楼1层101(72)发明人夏春龙(74)专利代理机构北京市铸成律师事务所11313代理人郭丽祥杨瑾瑾(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书3页说明书10页附图4页(54)发明名称模型保存方法、装置、电子设备、路侧设备及云控平台(57)摘要本公开提供了一种用于图像处理的模型保存方法、装置、电子设备及存储介质，涉及智能交通、计算机视觉和深度学习技术领域。具体实现方案为：将样本图像数据输入神经网络模型进行前向传播，得到目标输出结果；根据所述目标输出结果与标签数据计算损失，得到损失函数；根据所述损失函数的反向传播对所述神经网络模型进行训练；达到所述神经网络模型动态保存条件的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型。采用本公开，可以实现动态的模型保存，提高模型性能且减少耗时。CN114282663ACN114282663A权利要求书1/3页1.一种用于图像处理的模型保存方法，所述方法包括：将样本图像数据输入神经网络模型进行前向传播，得到目标输出结果；根据所述目标输出结果与标签数据计算损失，得到损失函数；根据所述损失函数的反向传播对所述神经网络模型进行训练；达到所述神经网络模型动态保存条件的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型。2.根据权利要求1所述的方法，还包括：将所述神经网络模型的模型迭代次数、所述神经网络模型的损失值中的至少一种作为所述动态保存条件。3.根据权利要求2所述的方法，其中，所述达到所述神经网络模型动态保存条件的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型，包括：所述神经网络模型的模型迭代次数大于预设迭代阈值的情况下执行所述模型保存操作，将所保存的模型作为所述训练后的目标模型。4.根据权利要求2所述的方法，其中，所述达到所述神经网络模型动态保存条件的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型，包括：所述神经网络模型的损失值大于预设属性损失值的情况下执行所述模型保存操作，将所保存的模型作为所述训练后的目标模型。5.根据权利要求4所述的方法，其中，所述神经网络模型的损失值大于预设属性损失值的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型，包括：获取历史累计的损失函数平均值与当前累计的损失函数平均值之间的损失差值；所述神经网络模型的损失值为所述损失差值的情况下，所述损失差值大于所述预设属性损失值则执行所述模型保存操作，将所保存的模型作为所述训练后的目标模型。6.一种图像处理方法，所述方法包括：将待处理图像输入训练后的目标模型，所述训练后的目标模型根据权利要求1‑5的训练方法训练获得；根据所述训练后的目标模型，对所述待处理图像执行包括图像分类、图像识别、图像分割中的至少一种图像处理。7.一种视频处理方法，所述方法包括：从待处理视频数据流中提取出多个图像帧；将所述多个图像帧输入训练后的目标模型，所述训练后的目标模型根据权利要求1‑5的训练方法训练获得；根据所述训练后的目标模型，对所述多个图像帧执行包括图像分类、图像识别、图像分割中的至少一种图像处理，得到图像处理结果；根据所述图像处理结果，对所述待处理视频数据流中的目标对象执行包括识别、定位中的至少一种视频处理。8.一种用于图像处理的模型保存装置，所述装置包括：前向处理模块，用于将样本图像数据输入神经网络模型进行前向传播，得到目标输出结果；损失运算模块，用于根据所述目标输出结果与标签数据计算损失，得到损失函数；2CN114282663A权利要求书2/3页训练模块，用于根据所述损失函数的反向传播对所述神经网络模型进行训练；保存模块，用于达到所述神经网络模型动态保存条件的情况下执行模型保存操作，将所保存的模型作为训练后的目标模型。9.根据权利要求8所述的装置，其中，所述保存模块，用于：将所述神经网络模型的模型迭代次数、所述神经网络模型的损失值中的至少一种作为所述动态保存条件。10.根据权利要求9所述的装置，其中，所述保存模块，用于：所述神经网络模型的模型迭代次数大于预设迭代阈值的情况下执行所述模型保存操作，将所保存的模型作为所述训练后的目标模型。11.根据权利要求9所述的装置，其中，所述保存模块，用于：所述神经网络模型的损失值大于预设属性损失值的情况下执行所述模型保存操作，将所保存的模型作为所述训练后