本申請涉及深度學習，具體為一種基于深度學習的模型匹配方法及系統(tǒng)。

背景技術：

1、隨著機器學習等技術的迅猛發(fā)展，人工智能在各個領域之間的應用越來越廣泛，例如政府的評審工作在引入人工智能后，整體運行越來越全面，評審管理效率逐漸增強。

2、在人工智能的應用過程中，圖像識別和處理是重要的一環(huán)，例如在政府的評審工作中，通過采集人臉信息、監(jiān)控信息等獲取圖像數(shù)據(jù)，再通過人工智能進行圖像識別和視頻分析，幫助評審機構快速識別和分析相關信息，不僅能提高工作效率，還會提高評審的準確性。

3、然而，在現(xiàn)有技術中，雖然通過各種方法均能實現(xiàn)對圖像的獲取及識別，但是當被檢測者處于復雜環(huán)境中時，傳統(tǒng)的方法會產(chǎn)生檢測準確率的問題，進而導致檢測效果不好，并且大多數(shù)方法對于圖像識別都需要投入較多的算力資源，當硬件設備算力有限時，會出現(xiàn)識別效率低的問題，甚至會導致無法正常運行，而更新設備又會帶來額外成本，導致模型的匹配存在困難。

4、所以有必要提供一種基于深度學習的模型匹配方法及系統(tǒng)來解決上述問題。

5、需要說明的是，本背景技術部分中公開的以上信息僅用于理解本申請構思的背景技術，并且因此，它可以包含不構成現(xiàn)有技術的信息。

技術實現(xiàn)思路

1、基于現(xiàn)有技術中存在的上述問題，本申請所要解決的問題是：提供一種基于深度學習的模型匹配方法及系統(tǒng)，達到降低模型使用過程中的硬件性能需求，提高分析效率。

2、本申請解決其技術問題所采用的技術方案是：一種基于深度學習的模型匹配方法，該方法包括：

3、接收來自采集設備所采集的第一采集數(shù)據(jù)，該第一采集數(shù)據(jù)包括至少兩個區(qū)域的人員圖像；

4、對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集；

5、選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)；

6、對第一網(wǎng)絡模型進行微調(diào)，彌補調(diào)整參數(shù)過程中產(chǎn)生的性能損失。

7、在本申請的技術方案實施過程中，通過對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集，然后選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)，實現(xiàn)模型的輕量化改進，進而提高模型的匹配效果。

8、進一步的，所述訓練集、驗證集和測試集的比例為6:2:2。

9、進一步的，所述第一網(wǎng)絡模型為yolov5網(wǎng)絡模型。

10、進一步的，對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)進一步包括：

11、對第一網(wǎng)絡模型的主干網(wǎng)絡部分進行調(diào)整，并添加組合模塊替換第一網(wǎng)絡模型的主干網(wǎng)絡；

12、添加gsconv模塊，并對gsconv模塊進行混洗，生成gsconvns模塊，將yolov5網(wǎng)絡模型中部分卷積模塊替換為gsconvns模塊；

13、對生成的gsconvns模塊進行輕量化改進，并生成vov-gscsp模塊，用vov-gscsp模塊替換yolov5網(wǎng)絡模型中的c3模塊；

14、對產(chǎn)生替換后的yolov5模型進行模型通道剪枝操作。

15、進一步的，對輕量化設計后的yolov5模型進行模型通道剪枝進一步包括：

16、首先對整體模型進行稀疏訓練，對不同的通道進行區(qū)分以便識別出冗余通道；

17、對網(wǎng)絡模型中卷積模塊中的bn層引入縮放因子，每個通道的輸出與通道因子呈正相關，通過縮放因子的大小進行通道識別篩選；

18、使bn層部分通道的縮放因子趨于零，并對趨于零的通道進行剪枝操作。

19、進一步的，所述剪枝操作包含bn層的迭代過程，所述bn層的迭代過程公式如下：

20、

21、

22、

23、

24、其中μb和σb為對輸入求得的均值和標準差,m為當前的min?i-batch大小，ε是防止標準差為零，加入的正則化參數(shù)，進行歸一化處理得到對輸入進行重構得到zout，β為偏置項，γ為bn層引入的縮放因子，每個通道的輸出與縮放因子正相關。

25、一種基于深度學習的模型匹配系統(tǒng)，該系統(tǒng)包括：

26、接收模塊，用于接收來自采集設備所采集的第一采集數(shù)據(jù)，該第一采集數(shù)據(jù)包括至少兩個區(qū)域的人員圖像；

27、預處理模塊，用于對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集；

28、模型訓練參數(shù)調(diào)整模塊，用于選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)；

29、模型微調(diào)模塊，用于對第一網(wǎng)絡模型進行微調(diào)，彌補調(diào)整參數(shù)過程中產(chǎn)生的性能損失。

30、進一步的，所述模型訓練參數(shù)調(diào)整模塊包括：

31、主干網(wǎng)絡調(diào)整模塊，用于對第一網(wǎng)絡模型的主干網(wǎng)絡部分進行調(diào)整，并添加組合模塊替換第一網(wǎng)絡模型的主干網(wǎng)絡；

32、混洗模塊，用于添加gsconv模塊，并對gsconv模塊進行混洗，生成gsconvns模塊，將yolov5網(wǎng)絡模型中部分卷積模塊替換為gsconvns模塊；

33、輕量化改進模塊，用于對生成的gsconvns模塊進行輕量化改進，并生成vov-gscsp模塊，用vov-gscsp模塊替換yolov5網(wǎng)絡模型中的c3模塊；

34、剪枝模塊，用于對產(chǎn)生替換后的yolov5模型進行模型通道剪枝操作。

35、本申請的有益效果是：本申請?zhí)峁┑囊环N基于深度學習的模型匹配方法及系統(tǒng)，通過對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集，然后選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)，實現(xiàn)模型的輕量化改進，進而提高模型的匹配效果。

36、除了上面所描述的目的、特征和優(yōu)點之外，本申請還有其它的目的、特征和優(yōu)點。下面將參照圖，對本申請作進一步詳細的說明。

技術特征：

1.一種基于深度學習的模型匹配方法，其特征在于：該方法包括：

2.根據(jù)權利要求1所述的一種基于深度學習的模型匹配方法，其特征在于：所述訓練集、驗證集和測試集的比例為6:2:2。

3.根據(jù)權利要求1所述的一種基于深度學習的模型匹配方法，其特征在于：所述第一網(wǎng)絡模型為yolov5網(wǎng)絡模型。

4.根據(jù)權利要求1所述的一種基于深度學習的模型匹配方法，其特征在于：對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)進一步包括：

5.根據(jù)權利要求4所述的一種基于深度學習的模型匹配方法，其特征在于：對輕量化設計后的yolov5模型進行模型通道剪枝進一步包括：

6.根據(jù)權利要求5所述的一種基于深度學習的模型匹配方法，其特征在于：所述剪枝操作包含bn層的迭代過程，所述bn層的迭代過程公式如下：

7.一種基于深度學習的模型匹配系統(tǒng)，其特征在于：該系統(tǒng)包括：

8.根據(jù)權利要求7所述的一種基于深度學習的模型匹配系統(tǒng)，其特征在于：所述模型訓練參數(shù)調(diào)整模塊包括：

9.根據(jù)權利要求7所述的一種基于深度學習的模型匹配系統(tǒng)，其特征在于：用于實施如權利要求1至6任一項所述的基于深度學習的模型匹配方法。

技術總結
本申請公開了一種基于深度學習的模型匹配方法及系統(tǒng)，屬于深度學習技術領域，包括：接收來自采集設備所采集的第一采集數(shù)據(jù)；對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集；選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)；對第一網(wǎng)絡模型進行微調(diào)，彌補調(diào)整參數(shù)過程中產(chǎn)生的性能損失。在本申請的技術方案實施過程中，通過對第一采集數(shù)據(jù)進行預處理，并將預處理后的圖像制作為標準數(shù)據(jù)集，該標準數(shù)據(jù)集包括訓練集、驗證集和測試集，然后選用第一網(wǎng)絡模型對標準數(shù)據(jù)集進行訓練，并在訓練過程中調(diào)整訓練參數(shù)，實現(xiàn)模型的輕量化改進，進而提高模型的匹配效果。

技術研發(fā)人員：于洋,曾文獻,勾智楠,朱曉蓮,孫磊,呂鵬
受保護的技術使用者：河北引潮者科技服務有限公司
技術研發(fā)日：
技術公布日：2024/9/9