基于多层架构的视频人工智能训练平台的制作方法

本发明涉及视频技术领域，尤其涉及一种基于多层架构的视频人工智能训练平台。

背景技术：

目前的人工智能处理视频识别以及视频人工智能算法的优化过程，基本都是采用高运算能力的计算机来作为人工智能计算单元，通过开发出某个人工智能算法后，把人工智能算法装载到计算单元，通过大量的数据样本进行人工智能算法优化，最终得到一个较为认可的人工智能算法。这种人工智能算法的优化和学习过程，是受到很大限制的，在大量数据样本方面，往往存在需要大量采集数据样本的工作；然而在这个学习训练的过程，往往由于数据采集的样本不够多，或者数据采集的样本涵盖的特殊信息不充分，因此导致人工智能学习训练的效果不理想，导致人工智能算法在实际应用中无法应对一些特殊的情况。并且，对于即使有足够多的人工智能数据样本，存在人工智能算法的结果需要人文来判断错对的问题，如果没有足够多的人力来确定人工智能算法的结果的错对，人工智能算法的优化、深度学习就无从说起。

技术实现要素：

基于此，本发明实施例的目的在于提供一种基于多层架构的视频人工智能训练平台，以解决上述存在的问题。

为达到上述目的，本发明实施例采用以下技术方案：

一种基于多层架构的视频人工智能训练平台，包括：若干平台节点，其中，每个平台节点都具有固定的权限值，每个平台节点都具有人工智能计算单元、视频标签标注单元、视频信号接入单元；

所述人工智能计算单元可执行不同的人工智能算法，实现多路视频输入不同的结构化分析；所述视频标签标注单元可对接入的视频信号进行标签标注；

当各个所述平台节点建立通信后，依据各自的权限值来确定各个所述平台节点的从属关系；

当两个平台节点的权限值相等时，这个两个平台节点之间只作为节点的数据整合和交互，互相之间没有分配数据资源权力；

当一个平台节点的权限值比另一平台节点的权限值大时，权限值大的为平台上级节点；权限值小的为平台下级节点；

平台上级节点获得平台下级节点的资源管理分配权限后，对平台下级节点的全部资源进行调度；其中，每个平台节点的资源包括：视频输入资源、每个节点人工智能计算资源、系统存储资源、标签标注资源。

其中，每个所述平台节点都包括主服务器和从服务器；其中，主服务器包括视频输入资源主服务、每个节点人工智能计算资源主服务、系统存储资源主服务、标签标注资源主服务；从服务器包括视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；

所述对平台下级节点的全部资源进行调度包括：平台上级节点启动主服务器，平台下级节点启动从服务器；通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度。

其中，所述通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度包括：

平台上级节点的主服务器同时调用多个平台下级节点的从服务器的视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；

平台上级节点把调用的平台下级节点的输出结果进行统计分析。

其中，所述通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度包括：

平台上级节点的主服务器依据平台下级节点的从服务器的资源占用率来调用对应的视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；平台上级节点把调用的平台下级节点的输出结果进行统计分析。

利用本发明方案，通过每个节点的视频输入和其他信息输入，能够获得大量的数据样本；同时，该训练平台的每个节点都具有人工智能计算能力，通过顶层节点的统一分配，将能够实现大规模的运算集合，获得巨大的运算能力；训练平台中还集中了大量的标签标注信息，通过这些标注信息，可以减少在人工智能学习中大量的人为判断结果的工作量，因此本训练平台大大的加快了人工智能的优化能力和优化时间。

附图说明

附图是用来提供对本发明的进一步理解，并构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但不应构成对本发明的限制。在附图中，

图1是本发明提出的一种基于多层架构的视频人工智能训练平台的结构示意图。

图2是本发明提出的平台上级节点对平台下级节点进行调用的示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

一种基于多层架构的视频人工智能训练平台，包括：若干平台节点，其中，每个平台节点都具有固定的权限值，每个平台节点都具有人工智能计算单元、视频标签标注单元、视频信号接入单元；

所述人工智能计算单元可执行不同的人工智能算法，实现多路视频输入不同的结构化分析；所述视频标签标注单元可对接入的视频信号进行标签标注；

当各个所述平台节点建立通信后，依据各自的权限值来确定各个所述平台节点的从属关系；

当两个平台节点的权限值相等时，这个两个平台节点之间只作为节点的数据整合和交互，互相之间没有分配数据资源权力；

当一个平台节点的权限值比另一平台节点的权限值大时，权限值大的为平台上级节点；权限值小的为平台下级节点；

平台上级节点获得平台下级节点的资源管理分配权限后，对平台下级节点的全部资源进行调度；其中，每个平台节点的资源包括：视频输入资源、每个节点人工智能计算资源、系统存储资源、标签标注资源。

作为一个示意，基于多层架构的视频人工智能训练平台结构图可参见图1。包括平台节点e、f、a、b、c，其中，平台节点的权限值：e＞f＞a＝b＝c；则，平台节点e为平台节点f的上级节点，平台节点f为平台节点a、b、c的上级节点，平台节点a、b、c为同一层级节点。

其中，每个所述平台节点都包括主服务器和从服务器；其中，主服务器包括视频输入资源主服务、每个节点人工智能计算资源主服务、系统存储资源主服务、标签标注资源主服务；从服务器包括视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；

所述对平台下级节点的全部资源进行调度包括：平台上级节点启动主服务器，平台下级节点启动从服务器；通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度。

平台上级节点具有可接收进行人工智能训练的输入请求，并把人工智能计算训练输出的功能。具体的实现过程是这样的：

当平台上级节点接收到训练输入请求时，开始检查主从服务器的资源池中的相关资源，通过主服务器与平台下级层节点的从服务器进行数据通信，实现资源调度。平台上级节点对应的平台下级层节点的数量可能非常多，因此可以依据一路视频输入的训练要求，同时启用平台下级节点计算功能进行并行计算，也可以同时把标签标注资源进行同时分配标识，就能迅速实现了某个视频输入的多个结果输出，在上级节点把相应的结果输出进行统计分析，因此就能得出了该人工智能算法在多个计算的结果输出，从而快速实现了训练结果的优化改进。

其中，所述通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度包括：

平台上级节点的主服务器同时调用多个平台下级节点的从服务器的视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；

平台上级节点把调用的平台下级节点的输出结果进行统计分析。

具体可参见图2，继图1所示结构，当平台节点f调用平台下级节点a、b、c时，通过平台节点f的主服务器同时调用平台下级节点a、b、c的从服务器的视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务。

优选地，可设置平台节点的资源调用需满足自身资源请求后，才允许平台上级节点的资源调用请求，其中，所述通过平台上级节点的主服务器对平台下级节点的从服务器进行资源调度包括：

平台上级节点的主服务器依据平台下级节点的从服务器的资源占用率来调用对应的视频输入资源从服务、人工智能计算资源从服务、系统存储资源从服务、标签标注资源从服务；平台上级节点把调用的平台下级节点的输出结果进行统计分析。

利用本发明方案，通过每个节点的视频输入和其他信息输入，能够获得大量的数据样本；同时，该训练平台的每个节点都具有人工智能计算能力，通过顶层节点的统一分配，将能够实现大规模的运算集合，获得巨大的运算能力；训练平台中还集中了大量的标签标注信息，通过这些标注信息，可以减少在人工智能学习中大量的人为判断结果的工作量，因此本训练平台大大的加快了人工智能的优化能力和优化时间。

只要不违背本发明创造的思想，对本发明的各种不同实施例进行任意组合，均应当视为本发明公开的内容；在本发明的技术构思范围内，对技术方案进行多种简单的变型及不同实施例进行的不违背本发明创造的思想的任意组合，均应在本发明的保护范围之内。