一种可定制目标检测算法的智能化云平台系统及操作方法与流程

本发明涉及一种智能化云平台系统及操作方法，更具体一种可定制目标检测算法的智能化云平台系统，属于深度学习的技术领域。

背景技术：

近年来，深度学习的发展逐渐成熟并得到了广泛的应用，尤其是基于视频识别的目标检测算法在过去几年深度学习的发展背景下取得了巨大的进展，检测性能得到明显提升。

目标检测是计算机视觉领域的一个重要任务，它可以识别一张图片的多个物体，并可以定位出不同物体，给出边界框。目标检测在一些场合已经比较成熟的应用，比如在无人驾驶的应用中，可以检测出车辆、行人、交通指示灯等目标；又比如在安防监控的应用中，可以检测人脸、人形、物体等。

目前主流的目标检测算法主要都是基于深度学习模型，其可以分成两大类：1)two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域(regionproposals)，然后对候选区域分类(一般还需要对位置精修)，这类算法的典型代表是fasterrcnn；2)one-stage检测算法，其不需要regionproposal阶段，直接产生物体的类别概率和位置坐标值，这类算法的典型代表是yolo。

目标检测还有很多公开的数据集，例如pascalvoc(thepascalvisualobjectclassification)是目标检测、分类、分割等领域一个有名的数据集，其包含约10000张带有边界框的图片用于训练和验证；还有一个著名的数据集是microsoft公司建立的mscoco(commonobjectsincontext)数据集，其对于目标检测任务，coco共包含80个类别，每年大赛的训练和验证数据集包含超过120000个图片，超过40000个测试图片。

虽然目标检测算法虽然已经有成熟的应用，但是其也存在一些问题。最主要的就是技术门槛高，开发周期长。根据深度学习中监督学习的特点，一个目标检测算法的开发步骤包括如下：标注样本、算法选型、网络训练、测试发布，整个开发过程并不简单，需要有丰富经验的深度学习算法工程师才能够完成，对普通用户来说技术水平很难达到，其限制了目标检测算法在更多小众场景中的推广。

技术实现要素：

为了解决上述现有技术问题，本发明目的在于提供具有可以解决普通用户在开门目标检测算法时候遇到的技术门槛高，开发周期长的问题的一种可定制目标检测算法的智能化云平台系统。

本发明的另一个目的在于提供具有可以将目标检测算法的开发步骤做到标准化、自动化、简易化、可以降低技术门槛，加快开发周期等技术的一种可定制目标检测算法的智能化云平台系统的操作方法。

为了实现上述目的，本发明是通过以下技术方案实现的：

一种可定制目标检测算法的智能化云平台系统，该系统包括算法发布平台以及带有操作接口的算法训练平台，所述算法训练平台通信连接有定制算法样本库、自动化脚本以及采样数据端，所述算法训练平台与算法发布平台间通信连接有定制算法模型，所述算法发布平台通信连接有测试客户端；

其中，所述采样数据端采集包含目标的图片并进行标注获得样本图片，所述算法训练平台接收采样数据端上传的样本图片并进行格式转换，转换成深度学习框架可接受的格式，所述自动化脚本进行算法训练，训练完成后自动将训练的算法更新到定制算法模型中形成算法模型，再通过算法发布平台完成该算法模型发布，所述算法发布平台对外提供api服务，所述测试客户端通过调用算法发布平台平台的api验证评估算法效果以实现更快的速度做出算法发布或调整。

作为一种改进，所述采样数据端包括深度学习图像标注工具、摄像设备，摄像设备采集图片传输给深度学习工具，深度学习工具对需要的特定的图片进行标注，所述摄像设备包括摄像机，所述学习图像标注工具包括yolo_mark、labelimg。

作为一种改进，所述深度学习框架可接受的格式包括lmdb，所述深度学习框架包括caffe。

本发明一种可定制目标检测算法的智能化云平台系统的操作方法，该系统操作步骤如下：

s1：新建算法：用户通过算法训练平台的操作接口填写算法的基本描述信息；

s2：选择算法模型：在算法训练平台支持的范围内指定图片检测的算法模型和网络结构，所述算法模型包括yolo、ssd、fasterrcnn，所述网络结构包括vgg、resnet、darknet；

s3：标注样本并上传到平台：安装摄像机进行采集包含目标的图片，通过深度学习图像标注工具对需要的特定目标图片进行标注获得样本图片，再将样本图片上传到算法训练平台的定制算法样本库中；

s4：网络训练：由样本图片上传完成事件触发运行；

s5：测试发布：算法发布平台对外提供api服务，测试客户端通过调用算法发布平台的api进行发送api请求，且指明algid以及要用的算法后等待应答，算法发布平台接收api请求，并根据algid找到对应的算法运行测试，最后将运行测试结果反馈给测试客户端以实现更快速验证评估算法效果并做出调整。

作为一种改进，所述网络训练中运行流程包括：

a)从定制算法样本库中下载标注的样本图片；

b)对样本图片进行格式转换，转成深度学习框架可接受的格式以满足深度学习框架对的输入数据格式的要求；

c)调用自动化脚本完成算法训练；

d)训练完成后将算法更新到定制算法模型中去，供算法发布平台使用。

有益效果：可以解决普通用户在开门目标检测算法时候遇到的技术门槛高，开发周期长的问题；可以将一个目标检测算法的开发步骤做到标准化、自动化、简易化；可以降低技术门槛，加快开发周期。

附图说明

图1是本发明原理结构示意图。

具体实施方式

以下结合说明书附图，对本发明作进一步说明，但本发明并不局限于以下实施例。

一种可定制目标检测算法的智能化云平台系统，该系统包括算法发布平台以及带有操作接口的算法训练平台，所述算法训练平台通信连接有定制算法样本库、自动化脚本以及采样数据端，所述算法训练平台与算法发布平台间通信连接有定制算法模型，所述算法发布平台通信连接有测试客户端；

其中，所述采样数据端采集包含目标的图片并进行标注获得样本图片，所述采样数据端包括深度学习图像标注工具、摄像设备，具体由摄像设备采集图片传输给深度学习工具，深度学习工具对需要的特定的图片进行标注，摄像设备包括摄像机，学习图像标注工具包括yolo_mark、labelimg；

所述算法训练平台接收采样数据端上传的样本图片并进行格式转换，转换成深度学习框架可接受的格式，所述深度学习框架可接受的格式包括lmdb，所述深度学习框架包括caffe；

所述自动化脚本进行算法训练，训练完成后自动将训练的算法更新到定制算法模型中形成算法模型，再通过算法发布平台完成该算法模型发布；

所述算法发布平台对外提供api服务，所述测试客户端通过调用算法发布平台平台的api验证评估算法效果以实现更快的速度做出算法发布或调整。

本发明一种可定制目标检测算法的智能化云平台系统，通过预先设置一些主流的目标检测的算法模型(yolo、ssd、fastrcnn)供用户选择，目前目标检测算法的算法模型(yolo、ssd、fastrcnn等)已经比较成熟，并且已经做到较优效果，用户只需要根据自己的资源情况选择对应的算法模型，而不用重复整个算法训练过程。用户往算法训练平台上传其所关注的样本图片，则系统知道要检测哪些目标图片，可以通过自动化脚本来实现监督学习的标准化训练过程，因此系统通过将整个目标检测的算法开发过程自动化，降低目标检测算法的开发门槛。

本发明一种可定制目标检测算法的智能化云平台系统的操作方法，该系统操作步骤如下：

s1：新建算法：用户通过算法训练平台的操作接口填写算法的基本描述信息；

s2：选择算法模型：在算法训练平台支持的范围内指定图片检测的算法模型和网络结构，所述算法模型包括yolo、ssd、fasterrcnn，所述网络结构包括vgg、resnet、darknet，目标检测算法的发展已经相对比较成熟，基于主流的算法类型都已经可以做到较优效果，差异仅是资源开销的问题。用户通过选择算法模型并指定网络结构可以自由的平衡网络性能和资源开销的矛盾；

s3：标注样本并上传到平台：安装摄像机进行采集包含目标的图片，通过深度学习图像标注工具对需要的特定目标图片进行标注获得样本图片，再将样本图片上传到算法训练平台的定制算法样本库中，学习图像标注工具包括yolo_mark、labelimg；

s4：网络训练：由样本图片上传完成事件触发运行，所述网络训练中运行流程包括：

a)从定制算法样本库中下载标注的样本图片，如图1所示样本图片包括jpg格式；

b)对样本图片进行格式转换，转成深度学习框架可接受的格式以满足深度学习框架对的输入数据格式的要求；

c)调用自动化脚本完成算法训练，自动化脚本包括：a.制作1mdb、b：训练脚本、c：模型发布；

d)训练完成后将算法更新到定制算法模型中去，供算法发布平台使用；

s5：测试发布：算法发布平台对外提供api服务，测试客户端通过调用算法发布平台的api进行发送api请求，且指明algid以及要用的算法后等待应答，算法发布平台接收api请求，并根据algid找到对应的算法运行测试，最后将运行测试结果反馈给测试客户端以实现更快速验证评估算法效果并做出调整，如图1所示定制算法模型中，algid111对应的模型为111.model，algid222对应的模型为222.model，所述不同algid均对应相应的模型。

最后，需要注意的是，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。