[发明专利]一种网络模型训练的控制方法、系统

说明书

本申请涉及一种网络模型训练的控制方法、系统、计算机设备和存储介质。所述方法包括：客户端获取训练请求，并发送至云服务中间端；其中，所述训练请求包括网络模型类型、训练数据和训练任务标识；所述云服务中间端接收所述训练请求，解析得到所述训练数据，并将其保存至数据库，并根据所述网络模型和训练任务标识，将所述训练请求转换成第一消息体发送至计算服务端；所述计算服务端根据所述第一消息体，从所述数据库下载训练数据对网络模型进行训练。采用本方法能够实现网络模型的自动下发和训练。

技术领域

本申请涉及计算机技术领域，特别是涉及一种网络模型训练的控制方法、系统。

背景技术

随着计算机（领域）技术的发展，出现了神经网络技术，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。现有通过神经网络技术实现根据产品表面图像进行质量检测，也称为工业视觉检测技术；具体为，利用精密的光学成像技术，对空间规则分布的工业产品进行成像获取感兴趣目标，通过数字化技术生成多维图像，并结合数字图像预处理生成待识别图像，随后由质检人员对图像收集筛选，精细标注，并将其交付于工业视觉算法专家进行模型的训练，而后将训练好的(深度学习)模型交付于质检人员部署于工业视觉质检系统中。

工业场景的产量巨大，产生的图像数据非常庞大，在对模型的训练过程中，质检人员需要收集大量的用于训练的数据，压缩上传至服务器，工业视觉算法专家在下载数据进行模型训练，非常耗费双方的沟通精力和时间，导致训练准备工作效率非常低。现有比较成熟的有偿工业视觉平台，如百度工业视觉智能平台、腾讯工业云、阿里云平，这些工业视觉平台都只能针对单一场景进行定制化服务，且其内部核心技术未公开，很难在其上进行二次开发，以适应于新的工业场景的应用。

神经网络在图像识别领域取得了巨大的成功，但为了达到大多数厂商要求的极低产品漏杀率和过杀率，需要质检人员在实际流水线生产过程中不断的增加有标签数据、交付于相关算法人员持续不断的优化模型，以提高模型的准召。因此，亟需一种能够便于质检人员进行训练数据上传、便于工业视觉算法专家对模型训练过程进行维护的网络模型训练的控制方法和系统。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现网络模型的自动下发和训练的网络模型训练的控制方法、系统。

一种网络模型训练的控制方法，所述方法包括：

客户端获取训练请求，并发送至云服务中间端；其中，所述训练请求包括网络模型类型、训练数据和训练任务标识；

所述云服务中间端接收所述训练请求，解析得到所述训练数据，并将其保存至数据库，并根据所述网络模型类型和训练任务标识，将所述训练请求转换成第一消息体发送至计算服务端；

所述计算服务端根据所述第一消息体，从所述数据库下载训练数据对网络模型进行训练。

在其中一个实施例中，所述云服务中间端接收所述训练请求，解析所述训练数据并保存至数据库，并根据所述网络模型类型和训练任务标识，将所述训练请求转换成第一消息体发送至计算服务端，包括：所述云服务中间端接收所述训练请求，解析得到所述训练数据，并将其保存至数据库；所述云服务中间端根据网络模型和训练任务标识，生成用于控制网络模型进行训练的第一消息体；其中，所述的第一消息体的格式为Json格式，所述的第一消息体带有特定命令；所述云服务中间端将所述第一消息体，通过RocketMQ组件发送至计算服务端。

在其中一个实施例中，所述第一消息体包括键和值，所述键包括命令键、类型、任务识别符、数据设置、标签和名称中的一种或多种，所述值为所述键的具体的值。

在其中一个实施例中，所述特定命令包括发起训练、停止训练、重启训练、计算资源反馈中至少一种。