一种模型训练方法、装置、设备及存储介质与流程

本发明实施例涉及皮肤痤疮检测和护肤领域，尤其涉及一种模型训练方法、装置、设备及存储介质。

背景技术：

1、皮肤病总是扰乱人们的正常生活。痤疮是最常见的皮肤病之一，它是寻常性痤疮的常见形式，不仅在青春期达到高峰，而且也困扰着许多成年人。大约80%的青少年患有痤疮，大约3%的男孩和12%的女孩即使成年也无法治愈，更为严重的是，许多痤疮患者因为脸上留下的疤痕和色素而失去信心，产生抑郁情绪，与此同时，医疗资源分布不均使偏远地区的人们无法获得高质量的医疗服务。

2、痤疮严重程度分级，是皮肤科医生做出正确诊断和个性化治疗的重要步骤。目前业界有使用深度学习对痤疮严重程度进行分级，但训练样本比较少,且没有考虑到标签之间的模糊性。由于痤疮的外观相似，严重程度相近，因此对痤疮进行准确的计数和分级的鲁棒性比较低。痤疮识别模型也容易过拟合，训练调参难，训练周期长。

技术实现思路

1、本发明实施例提供一种模型训练方法、装置、设备及存储介质，能够更好地捕捉图像中的特征，提高痤疮识别模型的泛化能力，为后续的目标模型训练节省了计算资源和时间成本，且提高了痤疮识别准确性，为痤疮的诊断提供依据。

2、第一方面，本发明实施例提供了一种模型训练方法，包括：

3、获取第一图像样本集，其中，所述第一图像样本集包括：面部图像样本和样本对应的识别结果；

4、基于所述第一图像样本集对主干网络进行预训练，得到预训练后的主干网络；

5、根据预训练后的主干网络、第一分支全连接层以及第二分支全连接层确定第一模型；

6、基于第二图像样本集对所述第一模型进行训练，得到目标模型，其中，所述第二图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量。

7、可选的，基于第二图像样本集对所述第一模型进行训练，得到目标模型，包括：

8、将所述第二图像样本集中的面部图像样本输入预训练后的主干网络，得到面部图像样本对应的目标特征数据；

9、将所述面部图像样本对应的目标特征数据输入第一分支全连接层，得到预测痤疮数量；

10、将所述面部图像样本对应的目标特征数据输入第二分支全连接层，得到预测痤疮等级；

11、根据预测痤疮数量、预测痤疮数量对应的计数类别信息以及面部图像样本对应的痤疮数量生成第一损失函数；

12、根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数；

13、根据所述第一损失函数和所述第二损失函数训练所述第一模型的参数，得到目标模型。

14、可选的，根据预测痤疮数量、预测痤疮数量对应的计数类别信息以及面部图像样本对应的痤疮数量生成第一损失函数，包括：

15、根据预测痤疮数量和面部图像样本对应的痤疮数量生成mse损失函数；

16、根据所述预测痤疮数量对应的计数类别信息和面部图像样本对应的痤疮数量生成计数分类损失函数；

17、根据所述计数分类损失函数和所述mse损失函数生成第一损失函数。

18、可选的，根据预测痤疮等级、面部图像样本对应的痤疮等级以及预测痤疮数量对应的痤疮等级生成第二损失函数，包括：

19、根据所述预测痤疮数量对应的痤疮等级和面部图像样本对应的痤疮等级生成痤疮等级损失函数；

20、根据所述预测痤疮等级和面部图像样本对应的痤疮等级生成等级分类损失函数；

21、根据痤疮等级损失函数和所述等级分类损失函数生成第二损失函数。

22、可选的，所述第一模型还包括：目标全连接层，所述目标全连接层位于预训练后的主干网络之后，第一分支全连接层和第二分支全连接层之前；

23、相应的，将所述第二图像样本集中的面部图像样本输入预训练后的主干网络，得到面部图像样本对应的目标特征数据，包括：

24、将所述第二图像样本集中的面部图像样本输入预训练后的主干网络，得到面部图像样本对应的初始特征数据；

25、提取所述面部图像样本对应的初始特征数据中的第一特征数据；

26、将所述面部图像样本对应的第一特征数据输入目标全连接层，得到所述面部图像样本对应的目标特征数据。

27、可选的，还包括：

28、采集目标对象面部图像；

29、将所述目标对象面部图像输入所述目标模型，得到所述目标对象面部图像对应的痤疮等级和痤疮数量。

30、可选的，基于所述第一图像样本集对主干网络进行预训练，得到预训练后的主干网络，包括：

31、将所述第一图像样本集中的面部图像样本输入主干网络，得到预测识别结果；

32、根据所述预测识别结果和所述面部图像样本对应的识别结果生成的目标函数训练所述主干网络的参数；

33、返回执行将将所述第一图像样本集中的面部图像样本输入主干网络，得到预测识别结果的操作；

34、直至满足训练终止条件，得到预训练后的主干网络。

35、第二方面，本发明实施例提供了一种模型训练装置，包括：

36、获取模块，用于获取第一图像样本集，其中，所述第一图像样本集包括：面部图像样本和样本对应的识别结果；

37、第一训练模块，用于基于所述第一图像样本集对主干网络进行预训练，得到预训练后的主干网络；

38、确定模块，用于根据预训练后的主干网络、第一分支全连接层以及第二分支全连接层确定第一模型；

39、第二训练模块，用于基于第二图像样本集对所述第一模型进行训练，得到目标模型，其中，所述第二图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量。

40、第三方面，本发明实施例提供了一种电子设备，所述电子设备包括：

41、至少一个处理器；以及

42、与所述至少一个处理器通信连接的存储器；其中，

43、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的模型训练方法。

44、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型训练方法。

45、本发明实施例通过获取第一图像样本集，其中，所述第一图像样本集包括：面部图像样本和样本对应的识别结果；基于所述第一图像样本集对主干网络进行预训练，得到预训练后的主干网络；根据预训练后的主干网络、第一分支全连接层以及第二分支全连接层确定第一模型；基于第二图像样本集对所述第一模型进行训练，得到目标模型，其中，所述第二图像样本集包括：面部图像样本、面部图像样本对应的痤疮等级以及面部图像样本对应的痤疮数量；解决了现有技术中痤疮识别模型容易过拟合，训练调参难，训练周期长的问题，能够更好地捕捉图像中的特征，提高痤疮识别模型的泛化能力，为后续的目标模型训练节省了计算资源和时间成本；且提高了痤疮识别的准确性，为痤疮的诊断提供依据。

46、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。