[发明专利]模型训练方法、装置、计算机设备和可读存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取样本数据集，所述样本数据集包括对应虚拟仿真场景的第一样本数据集以及对应真实场景的第二样本数据集；

构建初始网络模型；

通过所述第一样本数据集对所述初始网络模型进行初次训练，得到初次训练完成的初始网络模型；

基于所述第二样本数据集对所述初次训练完成的初始网络模型进行二次训练，得到训练完成的目标网络模型。

2.根据权利要求1所述的方法，其特征在于，所述获取样本数据集，包括：

构建对应真实场景的虚拟仿真场景，并在所述虚拟仿真场景中添加虚拟相机；

通过所述虚拟相机对所述虚拟仿真场景进行样本数据的采集，生成对应所述虚拟仿真场景的第一样本数据集，所述第一样本数据集包括所述虚拟仿真场景中不同预设条件下的第一样本图像，各所述第一样本图像包括通过所述虚拟相机对虚拟仿真场景中的目标对象进行标注的标注信息；

采集真实场景中的多张第二样本图像，并对各所述第二样本图像进行标注，得到第二样本数据集。

3.根据权利要求1所述的方法，其特征在于，所述通过所述第一样本数据集对所述初始网络模型进行初次训练，得到初次训练完成的初始网络模型，包括：

初始化所述初始网络模型的网络权重；

将所述第一样本数据集输入初始化后的所述初始网络模型中，通过初始化后的所述初始网络模型对所述第一样本数据集进行特征提取，得到对应所述第一样本数据集的实际输出数据；

计算所述实际输出数据与所述第一样本数据集的差值；

判断所述差值是否小于或等于预设误差阈值，并当所述差值小于或等于所述预设误差阈值时，完成对所述初始网络模型的初次训练，得到初次训练完成的初始网络模型。

4.根据权利要求3所述的方法，其特征在于，所述判断所述差值是否小于或等于预设误差阈值之后，还包括：

当所述差值大于所述预设误差阈值时，根据所述差值对所述初始网络模型的网络权重进行更新，得到网络权重更新后的所述初始网络模型，并通过所述第一样本数据集对所述网络权重更新后的所述初始网络模型继续进行训练，直至所述差值小于或等于所述预设误差阈值，完成对所述初始网络模型的初次训练，得到初次训练完成的初始网络模型。

5.根据权利要求3所述的方法，其特征在于，所述将所述第一样本数据集输入初始化后的所述初始网络模型中，通过初始化后的所述初始网络模型对所述第一样本数据集进行特征提取，得到对应所述第一样本数据集的实际输出数据，包括：

从所述第一样本数据集中随机抽取一个随机样本，并将所述随机样本输入初始化后的所述初始网络模型中，通过初始化后的所述初始网络模型对所述随机样本进行卷积处理、下采样处理以及全连接处理中至少一种处理后，输出对应所述随机样本的实际输出数据。

6.根据权利要求1所述的方法，其特征在于，所述通过所述第一样本数据集对所述初始网络模型进行初次训练，得到初次训练完成的初始网络模型，包括：

将所述第一样本数据集分为第一训练数据集以及第一验证数据集；

通过所述第一训练数据集对所述初始网络模型进行初次训练，得到训练后的初始网络模型；

通过所述第一验证数据集对所述训练后的初始网络模型进行验证，并在验证通过后得到初次训练完成的初始网络模型。

7.根据权利要求6所述的方法，其特征在于，所述通过所述第一验证数据集对所述训练后的初始网络模型进行验证，并在验证通过后得到初次训练完成的初始网络模型，包括：

将所述第一验证数据集输入所述训练后的初始网络模型，生成对应所述训练后的初始网络模型的验证结果；

基于所述验证结果以及所述第一验证数据集，确定所述训练后的初始网络模型的正确率；

判断所述正确率是否大于或等于预设正确率阈值；

当所述正确率大于或等于预设所述正确率阈值时，确定验证通过，得到初次训练完成的初始网络模型。