一种基于深度学习的模型匹配方法及系统与流程

本申请涉及深度学习，具体为一种基于深度学习的模型匹配方法及系统。

背景技术：

1、随着机器学习等技术的迅猛发展，人工智能在各个领域之间的应用越来越广泛，例如政府的评审工作在引入人工智能后，整体运行越来越全面，评审管理效率逐渐增强。

2、在人工智能的应用过程中，图像识别和处理是重要的一环，例如在政府的评审工作中，通过采集人脸信息、监控信息等获取图像数据，再通过人工智能进行图像识别和视频分析，帮助评审机构快速识别和分析相关信息，不仅能提高工作效率，还会提高评审的准确性。

3、然而，在现有技术中，虽然通过各种方法均能实现对图像的获取及识别，但是当被检测者处于复杂环境中时，传统的方法会产生检测准确率的问题，进而导致检测效果不好，并且大多数方法对于图像识别都需要投入较多的算力资源，当硬件设备算力有限时，会出现识别效率低的问题，甚至会导致无法正常运行，而更新设备又会带来额外成本，导致模型的匹配存在困难。

4、所以有必要提供一种基于深度学习的模型匹配方法及系统来解决上述问题。

5、需要说明的是，本背景技术部分中公开的以上信息仅用于理解本申请构思的背景技术，并且因此，它可以包含不构成现有技术的信息。

技术实现思路

1、基于现有技术中存在的上述问题，本申请所要解决的问题是：提供一种基于深度学习的模型匹配方法及系统，达到降低模型使用过程中的硬件性能需求，提高分析效率。

2、本申请解决其技术问题所采用的技术方案是：一种基于深度学习的模型匹配方法，该方法包括：

3、接收来自采集设备所采集的第一采集数据，该第一采集数据包括至少两个区域的人员图像；

4、对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；

5、选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数；

6、对第一网络模型进行微调，弥补调整参数过程中产生的性能损失。

7、在本申请的技术方案实施过程中，通过对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集，然后选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数，实现模型的轻量化改进，进而提高模型的匹配效果。

8、进一步的，所述训练集、验证集和测试集的比例为6:2:2。

9、进一步的，所述第一网络模型为yolov5网络模型。

10、进一步的，对标准数据集进行训练，并在训练过程中调整训练参数进一步包括：

11、对第一网络模型的主干网络部分进行调整，并添加组合模块替换第一网络模型的主干网络；

12、添加gsconv模块，并对gsconv模块进行混洗，生成gsconvns模块，将yolov5网络模型中部分卷积模块替换为gsconvns模块；

13、对生成的gsconvns模块进行轻量化改进，并生成vov-gscsp模块，用vov-gscsp模块替换yolov5网络模型中的c3模块；

14、对产生替换后的yolov5模型进行模型通道剪枝操作。

15、进一步的，对轻量化设计后的yolov5模型进行模型通道剪枝进一步包括：

16、首先对整体模型进行稀疏训练，对不同的通道进行区分以便识别出冗余通道；

17、对网络模型中卷积模块中的bn层引入缩放因子，每个通道的输出与通道因子呈正相关，通过缩放因子的大小进行通道识别筛选；

18、使bn层部分通道的缩放因子趋于零，并对趋于零的通道进行剪枝操作。

19、进一步的，所述剪枝操作包含bn层的迭代过程，所述bn层的迭代过程公式如下：

20、

21、

22、

23、

24、其中μb和σb为对输入求得的均值和标准差,m为当前的min i-batch大小，ε是防止标准差为零，加入的正则化参数，进行归一化处理得到对输入进行重构得到zout，β为偏置项，γ为bn层引入的缩放因子，每个通道的输出与缩放因子正相关。

25、一种基于深度学习的模型匹配系统，该系统包括：

26、接收模块，用于接收来自采集设备所采集的第一采集数据，该第一采集数据包括至少两个区域的人员图像；

27、预处理模块，用于对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；

28、模型训练参数调整模块，用于选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数；

29、模型微调模块，用于对第一网络模型进行微调，弥补调整参数过程中产生的性能损失。

30、进一步的，所述模型训练参数调整模块包括：

31、主干网络调整模块，用于对第一网络模型的主干网络部分进行调整，并添加组合模块替换第一网络模型的主干网络；

32、混洗模块，用于添加gsconv模块，并对gsconv模块进行混洗，生成gsconvns模块，将yolov5网络模型中部分卷积模块替换为gsconvns模块；

33、轻量化改进模块，用于对生成的gsconvns模块进行轻量化改进，并生成vov-gscsp模块，用vov-gscsp模块替换yolov5网络模型中的c3模块；

34、剪枝模块，用于对产生替换后的yolov5模型进行模型通道剪枝操作。

35、本申请的有益效果是：本申请提供的一种基于深度学习的模型匹配方法及系统，通过对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集，然后选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数，实现模型的轻量化改进，进而提高模型的匹配效果。

36、除了上面所描述的目的、特征和优点之外，本申请还有其它的目的、特征和优点。下面将参照图，对本申请作进一步详细的说明。

技术特征：

1.一种基于深度学习的模型匹配方法，其特征在于：该方法包括：

2.根据权利要求1所述的一种基于深度学习的模型匹配方法，其特征在于：所述训练集、验证集和测试集的比例为6:2:2。

3.根据权利要求1所述的一种基于深度学习的模型匹配方法，其特征在于：所述第一网络模型为yolov5网络模型。

4.根据权利要求1所述的一种基于深度学习的模型匹配方法，其特征在于：对标准数据集进行训练，并在训练过程中调整训练参数进一步包括：

5.根据权利要求4所述的一种基于深度学习的模型匹配方法，其特征在于：对轻量化设计后的yolov5模型进行模型通道剪枝进一步包括：

6.根据权利要求5所述的一种基于深度学习的模型匹配方法，其特征在于：所述剪枝操作包含bn层的迭代过程，所述bn层的迭代过程公式如下：

7.一种基于深度学习的模型匹配系统，其特征在于：该系统包括：

8.根据权利要求7所述的一种基于深度学习的模型匹配系统，其特征在于：所述模型训练参数调整模块包括：

9.根据权利要求7所述的一种基于深度学习的模型匹配系统，其特征在于：用于实施如权利要求1至6任一项所述的基于深度学习的模型匹配方法。

技术总结本申请公开了一种基于深度学习的模型匹配方法及系统，属于深度学习技术领域，包括：接收来自采集设备所采集的第一采集数据；对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集；选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数；对第一网络模型进行微调，弥补调整参数过程中产生的性能损失。在本申请的技术方案实施过程中，通过对第一采集数据进行预处理，并将预处理后的图像制作为标准数据集，该标准数据集包括训练集、验证集和测试集，然后选用第一网络模型对标准数据集进行训练，并在训练过程中调整训练参数，实现模型的轻量化改进，进而提高模型的匹配效果。技术研发人员：于洋,曾文献,勾智楠,朱晓莲,孙磊,吕鹏受保护的技术使用者：河北引潮者科技服务有限公司技术研发日：技术公布日：2024/9/9