[发明专利]基于TensorRT的目标检测模型加速方法及装置

权利要求书

1.一种基于TensorRT的目标检测模型加速方法，其特征在于，所述方法包括以下步骤：

获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标检测的训练图像；

基于所述训练图像对预设的神经网络模型进行训练，提取到所述训练图像的高级特征图，得到对应的目标检测模型；

将所述目标检测模型转换为预设格式的模型，并根据预设的TensorRT引擎代码以及设定的TensorRT引擎参数构建TensorRT引擎，进而得到TensorRT加速后的目标检测模型；

所述获取初始检测图像数据集，并对所述初始检测图像数据集进行数据预处理得到目标检测的训练图像的步骤包括：

获取初始检测图像数据集，并对所述初始检测图像数据集中的图像进行旋转、缩放、色域变化，并按照预设方位将图像进行组合，以得到目标组合图像；

根据计算得到的缩放比例、缩放尺寸以及黑边填充数值对缩小的目标组合图像进行黑边填充，进而得到所述目标检测的训练图像；

或者，使用双线性插值法对放大的目标组合图像进行处理，得到所述目标检测的训练图像；

所述基于所述训练图像对预设的神经网络模型进行训练，提取到训练图像的高级特征图，得到对应的目标检测模型的步骤包括：

将所述目标检测的训练图像进行切片处理得到切片特征图；

对所述切片特征图进行整合拼接得到拼接特征图；

对所述拼接特征图进行卷积处理得到卷积特征图；

对所述卷积特征图进行批归一化处理得到归一化特征图；

对所述归一化特征图进行激活函数处理得到目标特征图；

根据所述切片特征图、拼接特征图、卷积特征图、归一化特征图以及所述目标特征图对所述预设的神经网络模型进行迭代训练，提取到所述训练图像的高级特征图，得到对应的所述目标检测模型。

2.如权利要求1所述的基于TensorRT的目标检测模型加速方法，其特征在于，该方法还包括步骤：

将所述高级特征图进行向量转换，得到与所述目标检测训练图像对应的目标图像向量；

基于预设的损失函数对所述目标图像向量进行损失计算，在神经网络里不断迭代训练，以缩小预测值与真实值的差距。

3.如权利要求2所述的基于TensorRT的目标检测模型加速方法，其特征在于，所述将所述高级特征图进行向量转换，得到与所述目标检测的训练图像对应的目标图像向量的步骤包括：

基于预设的SPP结构对所述高级特征图中的特征进行多尺度最大池化，再进行拼接，得到高级特征，所述预设的SPP结构包括三组不同的池化操作；

基于预设的FPN结构对所述高级特征进行增强，以适应不同尺度缩放的目标检测；

基于预设的PAN结构对增强后的高级特征进行融合，得到对应的所述目标图像向量。

4.如权利要求2所述的基于TensorRT的目标检测模型加速方法，其特征在于，在所述将所述目标检测模型转换为预设格式的模型，并根据预设的TensorRT引擎代码以及设定的TensorRT引擎参数构建TensorRT引擎，进而得到TensorRT加速后的目标检测模型的步骤之后，该方法还包括：

通过非极大值抑制筛选出最后的结果，抑制掉重复的预测坐标框和概率小的坐标框。