一种智能模型的升级方法及装置与流程

本申请涉及智能分析领域，特别涉及一种智能模型的升级方法及装置。

背景技术：

智能模型是通过对深度学习算法进行训练得到的。例如，人脸检测模型是通过大量的训练样本对深度学习算法进行训练得到的，训练样本包括两类，一类训练样本中包括人脸图像和被人工标注的标注信息，该标注信息可以为“是”，另一类训练样本包括非人脸图像和被人工标注的标注信息，该标注信息可以为“否”。训练得到的人脸检测模型可以检测摄像机拍摄的图像中是否包括人脸图像。

当在某个环境下训练的智能模型通常只应用到到该环境，如果应用到新环境下该智能模型的性能会发生降低现象。例如，对于人脸检测模型，训练人脸检测模型使用的训练样本中的人脸图像是中国人的人脸图像，训练出的人脸检测模型检测应用到检测中国人的人脸的环境时，人脸检测模型的性能较高，导致人脸检测模型检测人脸图像的精度随之较高。当将该人脸检测模型应用到欧洲或非洲等新环境下，用于检测白种人的人脸或黑种人的人脸，人脸检测模型的场景泛化性能降低，导致检测人脸图像的精度也会随之降低。

技术实现要素：

本申请提供了一种智能模型的升级方法及装置，提高智能模型的场景泛化性能。所述技术方案如下：

一方面，本申请提供了一种智能模型的升级方法，应用于第一设备，所述方法包括：

获取属于第一环境的输入数据，所述第一环境与待升级的第一智能模型的第二环境不同，所述第一智能模型是基于属于所述第二环境的第一样本数据进行训练得到的；

将所述输入数据输入到所述第一智能模型，获取所述第一智能模型对所述输入数据进行处理输出的所述输入数据对应的输出数据，所述输出数据包括置信度和目标框信息；

根据所述第一样本数据和所述输出数据训练所述第一智能模型得到第二智能模型。

可选的，所述根据所述第一样本数据和所述输出数据训练所述第一智能模型得到第二智能模型，包括：

根据所述输出数据，在所述输出数据对应的输入数据中设置标注信息，以得到属于第一环境的第二样本数据，所述标注信息用于表示所述输入数据中的目标是否为真实目标；

根据所述第二样本数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述第一设备根据所述输出数据，在所述输出数据对应的输入数据中设置标注信息，包括：

根据所述输出数据计算所述输出数据的价值得分，所述价值得分用于表示所述输出数据对应的输入数据作为第二样本数据的合适程度；

根据每个输出数据的价值得分，从所述每个输出数据中选择满足预设条件的输出数据；

根据所述选择的输出数据，在所述选择的输出数据对应的输入数据中设置标注信息。

可选的，所述根据所述输出数据，在所述输出数据对应的输入数据中设置标注信息之后，还包括：

显示第二样本数据，在检测到用户对所述第二样本数据中的标注信息进行的修正操作时，根据根据所述修正操作对所述标注信息进行修正。

可选的，所述根据所述第二样本数据和所述第一样本数据训练所述第一智能模型得到第二智能模型，包括：

根据所述第二样本数据、所述第二样本数据对应的输出数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述将所述输入数据输入到所述第一智能模型之前，还包括：

接收第二设备发送的属于第一环境的输入数据，所述输入数据是所述第二设备采集得到的。

可选的，所述根据所述第一样本数据和所述输出数据训练所述第一智能模型得到第二智能模型之后，还包括：

向第二设备发送所述第二智能模型，以使所述第二设备将所述第二设备中安装的所述第一智能模型升级为所述第二智能模型。

另一方面，本申请提供了一种智能模型的升级装置，所述装置包括：

第一获取模块，用于获取属于第一环境的输入数据，所述第一环境与待升级的第一智能模型所应用的第二环境不同，所述第一智能模型是基于属于所述第二环境的第一样本数据进行训练得到的；

第二获取模块，用于将所述输入数据输入到所述第一智能模型，获取所述第一智能模型对所述输入数据进行处理输出的所述输入数据对应的输出数据，所述输出数据包括置信度和目标框信息；

训练模块，用于根据所述第一样本数据和所述输出数据训练所述第一智能模型得到第二智能模型。

可选的，所述训练模块，包括：

设置单元，用于根据所述输出数据，在所述输出数据对应的输入数据中设置标注信息，以得到属于第一环境的第二样本数据，所述标注信息用于表示所述输入数据中的目标是否为真实目标；

训练单元，用于根据所述第二样本数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述设置单元，用于：

根据所述输出数据计算所述输出数据的价值得分，所述价值得分用于表示所述输出数据对应的输入数据作为第二样本数据的合适程度；

根据每个输出数据的价值得分，从所述每个输出数据中选择满足预设条件的输出数据；

根据所述选择的输出数据，在所述选择的输出数据对应的输入数据中设置标注信息。

可选的，所述装置还包括：

修正模块，用于显示第二样本数据，在检测到用户对所述第二样本数据中的标注信息进行的修正操作时，根据根据所述修正操作对所述标注信息进行修正。

可选的，所述训练单元，用于：

根据所述第二样本数据、所述第二样本数据对应的输出数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述装置还包括：

接收模块，用于接收第二设备发送的属于第一环境的输入数据，所述输入数据是所述第二设备采集得到的。

可选的，所述装置还包括：

发送模块，用于向第二设备发送所述第二智能模型，以使所述第二设备将所述第二设备中安装的所述第一智能模型升级为所述第二智能模型。

另一方面，本申请提供了一种电子设备，包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器用于执行所述可执行指令，以实现上述智能模型的升级方法的指令。

另一方面，本申请提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器加载并执行，以实现上述智能模型的升级方法的指令。

本申请实施例提供的技术方案可以包括以下有益效果：

通过获取第一智能模型对属于第一环境的输入数据进行处理输出的输出数据，根据第一样本数据和每个输出数据训练第一智能模型以得到第二智能模型。使得第二智能模型适用于第一环境，提高了第二智能模型的场景泛化性能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种智能模型的升级方法流程图；

图2是本申请实施例提供的另一种智能模型的升级方法流程图；

图3是本申请实施例提供的一种系统架构示意图；

图4是本申请实施例提供的另一种系统架构示意图；

图5是本申请实施例提供的一种智能模型的升级装置结构示意图；

图6是本申请实施例提供的一种终端结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

智能模型是通过对机器学习算法进行训练得到的。机器学习算法可以为深度学习算法等算法，例如可以为卷积神经网格等。例如，智能模型可以为人体检测模型、人脸检测模型、人脸识别模型、车辆检测模型或物体检测模型等中的至少一个。在训练机器学习算法时，通常使用属于第二环境的第一样本数据来训练深度学习算法，使训练得到的智能模型能够对属于第二环境的输入数据进行处理。

例如，以训练人脸检测模型为例，假设属于第二环境的输入数据为中国人的人脸图像数据，所以训练的人脸检测模型用于检测中国人的人脸图像。人脸检测模型是使用属于第二环境的第一样本数据对深度学习算法进行训练得到的。第一样本数据为图像数据，包括两类，一类第一样本数据包括中图人的人脸图像和标注信息，该标注信息可以为“是”，在该类第一样本数据中的中国人的人脸图像被人工标注。另一类第一样本数据包括的图像为非人脸图像，以及包括的标注信息可以为“否”，另一类第一样本数据包括的图像可以为车辆图像、建筑物图像或动物图像等中的至少一个。使用第一样本数据对机器学习算法进行训练可以得到用于检测中图人的人脸图像的人脸检测模型。

当摄像机安装有该人脸检测模型后，该摄像机拍摄图像，将拍摄的图像作为第二环境的输入数据输入到该人脸检测模型。该人脸检测模型对该输入数据进行处理，得到该输入数据对应的输出数据，该输出数据可以包括置信度和目标框信息等内容，目标框信息包括目标框位置和目标框尺寸。基于该置信度可以确定该输入数据中的位于该目标框信息对应的目标框内的图像是否为中国人的人脸图像。

虽然智能模型用于对属于第二环境的输入数据进行处理，但是有时也会使用智能模型对属于新环境的数据进行数据，为了便于说明称新环境为第一环境，即将智能模型应用到第一环境中。智能模型应用到第一环境中，智能模型的性能可能发生降低，导致智能模型在对属于第一环境的输入数据进行处理时，智能模型输出的处理结果的精度可有降低。例如，将训练出来的人脸检测模型应用到白种人或黑种人，用于检测白种人的人脸图像或检测黑种人的人脸图像时，人脸检测模型的性能会下降，人脸检测模型在检测白种人的人脸图像或黑种人的人脸图像的精度也随之降低。

为了使智能模型能够适应第一环境，本申请可以通过如下任一实施例对智能模型进行自动升级，使得到升级后的智能模型能够应用于第一环境时，也不会出现性能下降的现象，对第一环境的输入数据进行处理，提高对第一环境的输入数据进行处理的精度。

参见图1，本申请实施例了一种智能模型的升级方法，该升级方法可以为在线升级，也可以为离线升级，应用于第一设备。所述方法包括：

步骤101：获取属于第一环境的输入数据，第一环境与待升级的第一智能模型的第二环境不同，第一智能模型是基于属于第二环境的第一样本数据进行训练得到的。

步骤102：将该输入数据输入到第一智能模型，获取第一智能模型对该输入数据进行处理输出的该输入数据对应的输出数据，该输出数据包括置信度和目标框信息。

步骤103：根据第一样本数据和该输出数据训练第一智能模型得到第二智能模型。

在本申请实施例中，获取第一智能模型对属于第一环境的输入数据进行处理输出的输出数据，根据第一样本数据和每个输出数据训练第一智能模型以得到第二智能模型。使得第二智能模型适用于第一环境，提高了第二智能模型的场景泛化性能。

参见图2，本申请实施例提供了一种智能模型的升级方法，该升级方法可以为在线升级，也可以为离线升级。该方法包括：

步骤201：第一设备获取属于第一环境的至少一个输入数据，第一环境与待升级的第一智能模型的第二环境不同，第一智能模型是基于属于第二环境的第一样本数据对机器学习算法进行训练得到的。

第一设备可以为摄像机、服务器、台式电脑或平板电脑等。第一设备可以是安装有第一智能模型，第一设备可以与其他设备组成网络，也可以不与其他设备组成网络。参见图3，第一设备可以与至少一个第二设备组成网络，第二设备可以安装有第一智能模型。在此种情况下，第一设备和第二设备可以为摄像机等设备。第一设备可以采集属于第一环境的至少一个输入数据，在第一设备和第二设备组成网络时，第一设备还可以接收第二设备采集属于第一环境的至少一个输入数据。其中，在第一设备和第二设备为摄像机时，第一设备采集的输入数据为图像数据，第二设备采集的输入数据为图像数据。

参见图4，管理设备和至少一个端设备组成的网络，管理设备可以为服务器、台式电脑或平板电脑等，其内可以保存有第一智能模型。端设备可以为摄像机等，其内安装有第一智能模型。第一设备可以为某个端设备，或者，可以为管理设备。在第一设备为管理设备时，第二设备为至少一个端设备，第二设备采集第一环境的输入数据，向第一设备发送该输入数据，第一设备接收该输入数据。第一设备为某个端设备，第二设备可以为其他端设备，第一设备可以采集输入数据或接收第二设备发送的输入数据。

输入数据可以为图像数据等。例如，以待升级的第一智能模型为用于检测中国人的人脸图像的人脸检测模型，安装该人脸检测模型的第一设备为第一摄像机，也就是说属于第二环境的输入数据为第一摄像机在中国拍摄的图像。现将该人脸检测模型应用在欧洲，用于检测白种人的人脸图像，也就是说属于第一环境的输入数据是第一摄像机在欧洲拍摄的图像。第一摄像机可以对白种人进行拍摄得到包括白种人人脸图像的图像数据，此时第一摄像机拍摄的图像数据为属于第一环境的输入数据。假设存在安装有待升级的人脸检测模型的第二摄像机，第二摄像机对白种人进行拍摄得到包括白种人人脸图像的图像数据，然后向第一摄像机发送拍摄的图像数据。第一摄像头接收该图像数据，并与自己拍摄的图像数据合并组成属于第一环境的多个输入数据。

步骤202：第一设备将该多个输入数据输入到第一智能模型，获取第一智能模型对每个输入数据进行处理输出的每个输入数据对应的输出数据，该输出数据至少包括置信度和目标框信息。

对于输入到第一智能模型的每个输入数据，第一智能模型对该输入数据进行处理，输出该输入数据对应的输出数据，该输出数据实质是第一智能模型对该输入数据进行处理得到的处理结果。该输出数据包括置信度和目标框信息。

可选的，该目标框信息可以包括目标框位置和目标框尺寸，该输出数据还可以包括数据类别、高层语义特征、时间、点位或描述等至少一个特征。

置信度是第一智能模型基于高层语义特征得到的。

例如，第一摄像机将属于第一环境的图像数据输入到人脸检测模型，人脸检测模型对输入的每个图像数据进行检测，并输出每个图像数据对应的输出数据。对于任一个图像数据，该输出数据包括置信度和目标框信息，目标框信息包括目标框位置和目标框尺寸。在该图像数据中基于该目标框位置和目标框尺寸可以确定一个目标框，该目标框框出的图像为人脸检测模型检测出的人脸图像，该置信度表示该检测出的人脸图像是真实的人脸图像的概率。

步骤203：对于每个输出数据，第一设备根据该输出数据对该输出数据对应的输入数据设置标注信息，以得到属于第一环境的第二样本数据。

标注信息可以为“是”或“否”，在第二样本数据中的标注信息为“是”，表示在第二样本数据中目标框所框起的目标图像为真实目标。在第二样本数据中的标注信息为“否”，表示在第二样本数据中目标框所框起的目标图像不是真实目标。

本步骤中可以通过如下2031至2033的操作来实现，该2031至2033的操作分别为：

2031：第一设备根据该输出数据计算该输出数据的价值得分，该价值得分用于表示该输出数据对应的输入数据作为第二样本数据的合适程度。

第一设备中可以安装有用于计算价值得到的智能分析模型，第一设备可以向该智能分析模型输入该输出数据，智能分析模型根据该输出数据包括的置信度和目标框信息等内容计算出该输出数据的价值得分。

智能分析模型是事先对深度学习算法等算法进行训练得到的，例如智能分析模型是事先对卷积神经网络等算法进行训练得到的。事先可以设置多个训练样本，每个训练样本包括智能模块输出的输出数据和人工对该输出数据进行标记的价值得分。将该训练样本输入到深度学习算法中，然后开始训练深度学习算法，该训练过程为：

深度学习算法根据该输出数据计算出该输出数据的价值得分，将计算的价值得分与人工对该输出数据进行标记的价值得分进行比较，得到得分差值，根据该得分差值调整深度学习算法的参数。重复上述训练过程，以训练出智能分析模型。

输出数据包括的置信度越低，智能分析模型输出的该输出数据的价值得分可能越高。反之，输出数据包括的置信度越高，智能分析网络输出的该输出数据的价值得分可能越低。

2032：第一设备根据每个输出数据的价值得分，从每个输出数据中选择满足预设条件的输出数据。

第一设备可以从每个输出数据中选择价值得分超过预设得分阈值的输出数据，或者，第一设备可以从每个输出数据中选择价值得分最大的预设数目个输出数据。

可选的，输出数据还可以数据类别，可以根据每个输出数据包括的数据类别，对输出数据进行分类。对于任一个数据类别，从该数据类别对应的输出数据中，根据每个输出数据的价值得分选择预设个数个满足预设条件的输出数据。这样可以均衡地选择各数据类别的输出数据。

2033：对于选择的每个输出数据，第一设备根据该输出数据在该输出数据对应的输入数据中设置标注信息，以得到属于第一环境的第二样本数据。

对于每个选择的输出数据，该输出数据包括置信度和目标框信息，该目标框信息可以包括目标框位置和目标尺寸。根据该输出数据中的目标框信息，在该输出数据对应的输入数据中确定出目标框。根据该置信度确定该目标框框出的目标是否为真实目标，根据确定的结果为该目标设置标注信息。

在该置信度超过预设置信度阈值时，可以确定该目标框在该输入数据中框出的目标为真实目标，为该目标设置的标注信息为“是”，标注信息“是”用于表示该目标为真实的目标。在该置信度未超过预设置信度阈值时，可以确定该目标框在该输入数据中框出的目标不是真实目标，为该目标设置的标注信息为“否”，标注信息“否”用于表示该目标不是真实的目标。

例如，以第一智能模型为人脸检测模型为例，每个输出数据对应的输入数据为图像数据。对于每个输出数据，根据该输出数据包括的目标框信息在该输出数据对应的图像数据中确定目标框，以及根据该置信度确定该目标框住的目标是否为人脸图像，根据该确定结果为该目标设置标注信息。

在第二样本数据中设置的标注信息可能有误，即第二样本数据中的目标可能不是真实的目标，但标注的标注信息为“是”，或者，第二样本数据中的目标可能是真实的目标，但标注的标注信息为“否”。

为了提高设置标注信息的精度，以提高第二样本数据的精度，可以显示第二样本数据，以让用户进行确认。在用户确认出第二样本数据中的标注信息有误时，用户可以对第二样本数据中的标注信息进行修正。

在实现时：显示第二样本数据，在检测到用户对第二样本数据中的标注信息进行的修正操作时，根据根据该修正操作对第二样本数据中的标注信息进行修正。

在显示第二样本数据时，还可以显示一个修正按钮。如果用户发现第二样本数据中的标注信息有误，可以点击该修改按钮触发修改操作。在第二样本数据中的标注信息为“是”的情况，将第二样本数据中的该标注信息修改为“否”。在第二样本数据中的标注信息为“否”的情况，将第二样本数据中的该标注信息修改为“是”。

步骤204：第一设备根据第一样本数据和第二样本数据训练第一智能模型得到第二智能模型。

第一智能模型是基于属于第二环境的第一样本数据对机器学习算法进行训练得到的。第一样本数据是人工进行标注得到的，在使用第一样本数据训练出第一智能模型后可以保存第一样本数据。第一样本数据可以保存在服务器中，也可以直接保存在第一设备中。

在第一样本数据保存在服务器中，第一设备可以从服务器中下载第一样本数据，在第一样本数据保存第一设备中，第一设备可以直接获取保存的第一样本数据。

在保存第一样本数据时，还可以保存第一智能模型的版本号，即可以存在第一样本数据与第一智能模型的版本号的对应关系。在该对应关系中，第一智能模型的版本号对应的第一样本数据可以是图像数据，也可以是通过第一智能模型对该图像数据进行转换得到的高层语义特征。由于该对应关系可能会随着第一智能模型安装在不同的设备上，为了增加隐私性，该对应关系中的与第一智能模型的版本号对应的第一样本数据以高层语义特征的形式存在。

在本步骤中，根据第一智能模型的版本号从该对应关系中查询对应的第一样本数据，根据该查询的第一样本数据和第二样本数据训练第一智能模型得到第二智能模型。

如果从该对应关系中没有查询出对应的第一样本数据，可以进行错误提示。或者，可以确定一版本号，该版本号低于第一智能模型的版本号，根据确定的版本号从该对应关系中查询对应的第一样本数据。将该查询的第一样本数据输入到转换模型，该转换模型用于将输入的第一样本数据转换成与第一智能模型的版本号相对应的第一样本数据。获取该转换模型输出的与第一智能模型的版本号相对应的第一样本数据，根据该获取的第一样本数据和第二样本数据训练第一智能模型得到第二智能模型。

可选的，确定的版本号是与第一智能模型的版本号相差最小的版本号。

转换模型是事先通过训练数据对深度学习算法进行训练得到的。该训练数据包括第一版本号对应的样本数据和第二版本号对应的样本数据，第一版本号小于第二版本号。将该训练数据输入到深度学习算法。深度学习算法转换第一版本号对应的样本数据，得到第二版本号对应的样本数据。深度学习算法根据转换得到的第二版本号对应的样本数据和输入的第二版本号对应的样本数据调整的参数。深度学习算法重复上述过程，不断地调整自身的参数。在停止训练后得到的深度学习算法即为转换模型。

第一设备将第一样本数据和第二样本数据输入到第一智能模型，第一智能模型根据该第一样本数据和第二样本数据进行训练。训练过程为：

第一智能模型将第一样本数据和第二样本数据均作为样本数据，对于每个样本数据，根据该样本数据检测出该样本数据中的目标，将检测的目标与该样本数据中的标注信息进行比较，得到差异信息，根据该差异信息调整第一智能模型的参数。重复上述训练过程，以训练出第二智能模型。

可选的，可以第一样本数据、第二样本数据对应的输出数据和第二样本数据输入到第一智能模型，以使第一智能模型根据第二样本数据、第二样本数据对应的输出数据和第一样本数据训练第一智能模型得到第二智能模型。

在第一设备安装有第一智能模型的情况下，第一设备可以将自身安装的第一智能模型升级为第二智能模型。

第一设备还可以将第一智能模型发送给第二设备，第二设备还可以将自身安装的第一智能模型升级为第二智能模型。

可选的，对于图3所示的场景，第一设备和每个第二设备均可以按上述方式得到第二智能模型。或者，对于图3所示的场景，管理设备和每个端设备均可以按上述方式得到第二智能模型。

对于任一个设备(可以为第一设备、第二设备、管理设备或端点设备)，可以事先在该设备中设置多个测试数据。对于每个测试数据，该测试数据包括属于第一环境的输入数据和该输入数据对应的输出数据。该设备可以将每个测试数据包括的输入数据输入到第二智能模型，获取第二智能模型输出的每个测试数据包括的每个输入数据对应的输出数据。根据每个测试数据包括的输出数据和每个测试数据包括的输入数据对应的输出数据，获取正确率。

该设备可以向其他设备发送该正确率，以及接收其他设备发送的正确率。该设备的获取的正确率大于其他每个设备发送的正确率，则安装的第一智能模型升级为自身得到的第二智能模型，以及向其他每个设备发送自身得到的第二智能模型。其他每个设备接收该第二智能模型，将自身安装的第一智能模型升级为接收的第二智能模型。

该设备的获取的正确率小于某一个或多个其他设备发送的正确率，则该设备接收正确率最大的一个其他设备发送的第二智能模型，将自身安装的第一智能模型升级为接收的第二智能模型。

在本申请实施例中，获取第一智能模型对属于第一环境的输入数据进行处理输出的输出数据，根据每个输出数据在每个输出数据对应的输入数据中设置标注信息，得到属于第一环境的第二样本数据。根据第二样本数据和第一样本数据训练第一智能模型以得到第二智能模型。使得第二智能模型适用于第一环境，提高了第二智能模型的性能。可以实现自动升级第一智能模型，减小人力资源，提高升级效率和提高了智能模型对环境的场景泛化适应性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

参见图5，本申请实施例提供了一种智能模型的升级装置，所述装置300包括：

第一获取模块301，用于获取属于第一环境的输入数据，所述第一环境与待升级的第一智能模型的第二环境不同，所述第一智能模型是基于属于所述第二环境的第一样本数据对机器学习算法进行训练得到的；

第二获取模块302，用于将所述输入数据输入到所述第一智能模型，获取所述第一智能模型对所述输入数据进行处理输出的所述输入数据对应的输出数据，所述输出数据包括置信度和目标框信息；

训练模块303，用于根据所述第一样本数据和所述输出数据训练所述第一智能模型得到第二智能模型。

可选的，所述训练模块303，包括：

设置单元，用于根据所述输出数据，在所述输出数据对应的输入数据中设置标注信息，以得到属于第一环境的第二样本数据，所述标注信息用于表示所述输入数据中的目标是否为真实目标；

训练单元，用于根据所述第二样本数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述设置单元，用于：

根据所述输出数据计算所述输出数据的价值得分，所述价值得分用于表示所述输出数据对应的输入数据作为第二样本数据的合适程度；

根据每个输出数据的价值得分，从所述每个输出数据中选择满足预设条件的输出数据；

根据所述选择的输出数据，在所述选择的输出数据对应的输入数据中设置标注信息。

可选的，所述装置300还包括：

修正模块，用于显示第二样本数据，在检测到用户对所述第二样本数据中的标注信息进行的修正操作时，根据根据所述修正操作对所述标注信息进行修正。

可选的，所述训练单元，用于：

根据所述第二样本数据、所述第二样本数据对应的输出数据和所述第一样本数据训练所述第一智能模型得到第二智能模型。

可选的，所述装置300还包括：

接收模块，用于接收第二设备发送的属于第一环境的输入数据，所述输入数据是所述第二设备采集得到的。

可选的，所述装置300还包括：

发送模块，用于向第二设备发送所述第二智能模型，以使所述第二设备将所述第二设备中安装的所述第一智能模型升级为所述第二智能模型。

在本申请实施例中，第二获取模块获取第一智能模型对属于第一环境的输入数据进行处理输出的输出数据，训练模块根据第一样本数据和每个输出数据训练第一智能模型以得到第二智能模型。使得第二智能模型适用于第一环境，提高了第二智能模型的场景泛化性能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6示出了本发明一个示例性实施例提供的终端400的结构框图。该终端400可以是便携式移动终端，比如：平板电脑、、笔记本电脑或台式电脑。

通常，终端400包括有：处理器401和存储器402。

处理器401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器401可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

存储器402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的智能模型的升级方法。

在一些实施例中，终端400还可选包括有：外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地，外围设备包括：射频电路404、触摸显示屏405、摄像头406、音频电路407、定位组件408和电源409中的至少一种。

外围设备接口403可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中，处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上；在一些其他实施例中，处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路404用于接收和发射rf(radiofrequency，射频)信号，也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路404包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wirelessfidelity，无线保真)网络。在一些实施例中，射频电路404还可以包括nfc(nearfieldcommunication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏405用于显示ui(userinterface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时，显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时，显示屏405还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏405可以为一个，设置终端400的前面板；在另一些实施例中，显示屏405可以为至少两个，分别设置在终端400的不同表面或呈折叠设计；在再一些实施例中，显示屏405可以是柔性显示屏，设置在终端400的弯曲表面上或折叠面上。甚至，显示屏405还可以设置成非矩形的不规则图形，也即异形屏。显示屏405可以采用lcd(liquidcrystaldisplay，液晶显示屏)、oled(organiclight-emittingdiode,有机发光二极管)等材质制备。

摄像头组件406用于采集图像或视频。可选地，摄像头组件406包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtualreality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器401进行处理，或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路407还可以包括耳机插孔。

定位组件408用于定位终端400的当前地理位置，以实现导航或lbs(locationbasedservice，基于位置的服务)。定位组件408可以是基于美国的gps(globalpositioningsystem，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源409用于为终端400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于：加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。

加速度传感器411可以检测以终端400建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号，控制触摸显示屏405以横向视图或纵向视图进行用户界面的显示。加速度传感器411还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器412可以检测终端400的机体方向及转动角度，陀螺仪传感器412可以与加速度传感器411协同采集用户对终端400的3d动作。处理器401根据陀螺仪传感器412采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器413可以设置在终端400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在终端400的侧边框时，可以检测用户对终端400的握持信号，由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时，由处理器401根据用户对触摸显示屏405的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器414用于采集用户的指纹，由处理器401根据指纹传感器414采集到的指纹识别用户的身份，或者，由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器401授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置终端400的正面、背面或侧面。当终端400上设置有物理按键或厂商logo时，指纹传感器414可以与物理按键或厂商logo集成在一起。

光学传感器415用于采集环境光强度。在一个实施例中，处理器401可以根据光学传感器415采集的环境光强度，控制触摸显示屏405的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏405的显示亮度；当环境光强度较低时，调低触摸显示屏405的显示亮度。在另一个实施例中，处理器401还可以根据光学传感器415采集的环境光强度，动态调整摄像头组件406的拍摄参数。

接近传感器416，也称距离传感器，通常设置在终端400的前面板。接近传感器416用于采集用户与终端400的正面之间的距离。在一个实施例中，当接近传感器416检测到用户与终端400的正面之间的距离逐渐变小时，由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态；当接近传感器416检测到用户与终端400的正面之间的距离逐渐变大时，由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图6中示出的结构并不构成对终端400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。