一种图像处理方法、装置、存储介质及电子设备与流程

本说明书涉及人工智能，尤其涉及一种图像处理方法、装置、存储介质及电子设备。

背景技术：

1、随着人工智能技术的进步，人工智能应用于不同的场景，比如：图像处理场景、语音识别场景等。

2、目前，针对人工智能中的机器学习模型，其入门难度和门槛都是比较高的，开发机器学习模型需要高昂的成本以及专业人才积累。在开发机器学习模型过程中，需要大规模的数据采集和标注，以及长时间的模型训练和调试。而高昂的前期投入和难以预期的最终效果，是很多想要进军人工智能领域的人望而却步。因此，一个无需算法基础也能定制高精度机器学习模型的方法，是非常迫切需要的。

技术实现思路

1、本说明书实施例提供一种图像处理方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。

2、本说明书实施例采用下述技术方案：

3、本说明书提供的一种图像处理方法，包括：

4、获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；

5、基于所述分类标签，对所述数据进行打标，得到标注数据；

6、响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；

7、基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；

8、将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；

9、将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。

10、可选地，基于所述分类标签，对所述数据进行打标，具体包括：

11、基于所述分类标签，确定所述分类标签下的分类类别；

12、将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；

13、基于所述数据所属的分类类别，对所述数据进行打标。

14、可选地，在得到标注数据之后，所述方法还包括：

15、通过对象存储方式，将所述标注数据存储于网络文件系统中。

16、可选地，所述训练偏好包括：偏好模型训练速度快、偏好模型精度高、平衡；

17、响应于所述用户选择的训练偏好，确定出待训练模型，具体包括：

18、确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；

19、基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。

20、可选地，将所述标注数据挂载到所述容器中，具体包括：

21、通过文件存储的网络共享方式，将存储于网络文件系统中的标注数据挂载到所述容器中。

22、可选地，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，具体包括：

23、根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；

24、将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。

25、可选地，所述方法还包括：

26、在训练所述待训练模型的过程中，实时监测所述待训练模型的状态，所述状态包括：正在训练、训练成功、训练失败中的一个；

27、若所述状态为训练失败，则对所述待训练模型进行重新训练。

28、可选地，将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务，具体包括：

29、在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；

30、将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。

31、可选地，将所述训练后模型部署于所述用户对应的目标设备，具体包括：

32、根据分布式系统中每个设备所能使用的最大算力资源以及执行所述图像处理任务所需的算力资源，从所述分布式系统中确定出执行所述图像处理任务所需的各设备，作为所述用户对应的各目标设备；其中，所述分布式系统是由多个设备所构成的分布式网络；

33、将所述训练后模型分别部署于各目标设备中。

34、本说明书提供的一种图像处理装置，包括：

35、获取模块，用于获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；

36、打标模块，用于基于所述分类标签，对所述数据进行打标，得到标注数据；

37、确定模块，用于响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；

38、构建运行环境模块，用于基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；

39、训练模块，用于将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；

40、部署模块，用于将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。

41、可选地，所述打标模块，具体用于基于所述分类标签，确定所述分类标签下的分类类别；将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；并基于所述数据所属的分类类别，对所述数据进行打标。

42、可选地，所述确定模块，具体用于确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。

43、可选地，所述训练模块，具体用于根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。

44、可选地，所述部署模块，具体用于在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。

45、本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像处理方法。

46、本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的图像处理方法。

47、本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

48、本说明书实施例中通过人工智能平台在获取到用户上传的数据之后，对数据进行自动标注，得到标注数据。根据接收到的用户针对模型的训练偏好，确定出待训练模型。基于标注数据和训练参数，对待训练模型进行训练，得到训练后模型，并将训练后模型进行部署，以使用户调用训练后模型执行图像处理任务。在此方法中，通过人工智能平台实现数据的标注、模型的训练以及模型的部署，无需开发人员自己开发模型，另外，基于用户的训练偏好，选择出适合的待训练模型，可以提高人工智能平台的服务质量。