[发明专利]训练多目标检测模型的方法、检测方法及相关装置

说明书

本申请实施例涉及目标检测技术领域，公开了一种训练多目标检测模型的方法，训练集包括多个具有人脸的图像，各图像标注有真实标签，该真实标签包括至少一个项目的硬标签。然后将训练集分别输入至少一个单目标检测模型，得到各图像对应的各项目的软标签，将图像对应的各软标签作为真实标签进行标注，使得各图像标注的真实标签包括至少一个硬标签和至少一个软标签。最后，将训练集输入卷积神经网络进行训练，迭代调参，得到该多目标检测模型。通过上述训练方式，能够实现用一个多个目标检测模型即可检测多个项目的分类及定位，能够有效减少模型部署成本。另一方面，通过借用部分项目的软标签作为真实标签，能够减少标注成本。

技术领域

本申请实施例涉及目标检测技术领域，尤其涉及一种训练多目标检测模型的方法、检测方法及相关装置。

背景技术

脸部皮肤检测技术越来地应用在多个领域中。例如，在化妆品研发领域中，需要针对脸部皮肤问题，例如皱纹、黑头或黑眼圈等，设计化妆产品或推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同脸部皮肤情况进行不同程度的美化特效。

当前较为常见的脸部皮肤检测技术，主要利用训练好的目标检测模型对脸部皮肤进行检测，自动检测脸部某单一皮肤问题，例如，单独检测出皱纹、单独检测出黑头或单独检测出黑眼圈。所以一张待预测的图片，需要分别经过多个模型才能获得多个维度的结果，这导致服务输出结果慢，模型部署占用的内存多，资源开销大，部署费用高体验差等缺点。

发明内容

本申请实施例主要解决的技术问题是提供一种训练多目标检测模型的方法、检测方法及相关装置，能够实现用一个模型检测多个目标的分类及定位，有效减少模型部署成本。

为解决上述技术问题，第一方面，本申请实施例中提供给了一种训练多目标检测模型的方法，包括：

获取训练集，所述训练集包括多个具有人脸的图像，所述训练集中的各图像标注有真实标签，所述真实标签包括至少一个项目的硬标签，所述项目为一个人脸中可识别的目标对象；

将所述训练集分别输入至少一个单目标检测模型，得到所述训练集中各图像对应的各项目的软标签，并将所述图像对应的各软标签作为所述真实标签进行标注；

将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型。

在一些实施例中，所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型，包括：

将所述训练集输入卷积神经网络，得到所述训练集中各图像的预测标签；

根据所述训练集中各图像的预测标签和真实标签，计算总损失；

根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。

在一些实施例中，所述根据所述训练集中各图像的预测标签和真实标签，计算总损失，包括：

若目标项目对应硬标签，则对所述目标项目对应的硬标签进行softmax处理后，再代入交叉熵损失函数计算所述目标项目的损失；

若所述目标项目对应软标签，则将所述目标项目对应的软标签直接代入所述交叉熵损失函数计算所述目标项目的损失，其中，所述目标项目为所述图像对应的任意一个项目；

根据所述训练集中图像对应的各所述项目的损失，分别计算各所述项目对应的平均损失；

将各所述项目的平均损失进行加权求和，得到所述总损失。

在一些实施例中，所述根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型，还包括：

在训练的第一阶段，将具有较大平均损失的项目对应的权重调小，将具有较小平均损失的项目对应的权重调大，以计算所述总损失；