一种自适应的深度学习检测模型后处理方法与流程

本发明涉及人工智能深度学习，尤其涉及一种自适应的深度学习检测模型后处理方法。

背景技术：

1、人工智能得到快速发展和大量应用得益于深度学习的发展。而深度学习最先广泛成熟应用的是计算机视觉模型，各种视觉模型不断涌现。目前计算机视觉在业界应用最常见和广泛的是计算机视觉中的检测模型，检测模型主要用来识别图像的物体类别和位置。如进行自动驾驶的障碍物识别、交通标识识别，工业中的缺陷识别、安防中的人脸识别等。

2、目前深度学习目标检测模型结构多样，包括一阶段、二阶段，archor free、archorbase、transformer等模型结构。目前业界应用广较泛的是yolo系列模型。行业应用yolo的时间先后不同，在实际应用中会存在多个不同版本和结构的模型。用户在应对服务器、移动端及不同硬件平台时也会根据需要选择不同backbone的模型。在实际模型部署预测推理时，需要对模型输出的结果进行后处理以便应用进行后续业务逻辑处理。

3、实际中由于模型结构的差异和版本的不同，需要采取不同的模型后处理方式。如是否需要decode、是否需要nms、是否需要对维度、通道等进行变换。目前处理是针对一种模型单独进行处理，在更换模型或者升级模型时，如果模型结构变化，需要根据模型结构和输出调整后处理逻辑。

4、目前深度学习检测模型结构多样，包括一阶段、二阶段，archor free、archorbase等模型结构，transformer也开始应用，而不同模型输出结构差异太大，应用在使用这些模型时，需要对模型有比较深入了解，根据模型结构对模型输出进行后处理，包括解码(decode)，shape转化(包括通道顺序、维度等)，nms以及过滤，resize及transpose等，非常复杂。如果使用错误会造成模型预测结果不正确。

5、目前处理是针对一种模型单独进行处理，在更换模型或者升级模型时，如果模型结构变化，需要根据模型结构和输出调整后处理逻辑，否则会造成模型预测结果不正确，非常容易出错。

6、因此，现有技术存在缺陷，需要改进。

技术实现思路

1、本发明的目的是克服现有技术的不足，提供一种自适应的深度学习检测模型后处理方法。

2、本发明的技术方案如下：提供一种自适应的深度学习检测模型后处理方法，包括如下步骤：

3、步骤1：自动分析模型的结构；

4、步骤2：分析模型的输入维度信息；

5、步骤3：分析模型的输出维度信息；

6、步骤4：根据上述信息执行相应的后处理逻辑。

7、进一步地，所述步骤1中，依次对模型的结构以及骨干网络类型进行分析。

8、进一步地，所述步骤4中，后处理执行调度的模块包括：decode、nms、reshape、filter、resize以及transpose。

9、采用上述方案，本发明提供的方法使应用无需关注模型结构和特征，可以快速方便获取模型处理结果，能更快速应用深度学习视觉检测等模型进行工业缺陷检测、自动驾驶、安防等领域应用。在调整输入、模型结构模型迭代后可以快速上线。无需关注和调整模型的后处理逻辑，减少应用开发调试工作量，大大提升应用开发效率。将应用深度学习模型门槛降低，应用和硬件开发工程师无需深入了解模型结构也可快速应用人工智能及深度学习模型解决应用问题。

技术特征：

1.一种自适应的深度学习检测模型后处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的自适应深度学习检测模型后处理方法，其特征在于，所述步骤1中，依次对模型的结构以及骨干网络类型进行分析。

3.根据权利要求1所述的自适应深度学习检测模型后处理方法，其特征在于，所述步骤4中，后处理执行调度的模块包括：decode、nms、reshape、filter、resize以及transpose。

技术总结
本发明公开一种自适应的深度学习检测模型后处理方法。本发明提供的方法使应用无需关注模型结构和特征，可以快速方便获取模型处理结果，能更快速应用深度学习视觉检测等模型进行工业缺陷检测、自动驾驶、安防等领域应用。在调整输入、模型结构模型迭代后可以快速上线。无需关注和调整模型的后处理逻辑，减少应用开发调试工作量，大大提升应用开发效率。将应用深度学习模型门槛降低，应用和硬件开发工程师无需深入了解模型结构也可快速应用人工智能及深度学习模型解决应用问题。

技术研发人员：成飞,赖宝华
受保护的技术使用者：深圳市鼎飞技术有限公司
技术研发日：
技术公布日：2024/3/11