【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能，特別涉及一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化系統(tǒng)及方法。
技術(shù)介紹
1、在目標(biāo)檢測(cè)和圖像處理領(lǐng)域，深度學(xué)習(xí)模型的性能很大程度上取決于其處理多尺度信息的能力。傳統(tǒng)的單輸入單輸出頸部結(jié)構(gòu)，如在許多卷積神經(jīng)網(wǎng)絡(luò)（cnn）中所見，因其固定的感受野大小而受到限制。感受野，即網(wǎng)絡(luò)內(nèi)部神經(jīng)元可以接觸到的輸入?yún)^(qū)域，對(duì)于模型感知不同尺度的目標(biāo)至關(guān)重要。固定的感受野意味著模型無法有效處理尺度變化大的目標(biāo)，成為目標(biāo)檢測(cè)任務(wù)中的一個(gè)問題。
2、為了增強(qiáng)特征整合能力，引入了如rfb（receptive?field?block）這樣的模塊。rfb通過使用不同擴(kuò)張率的卷積來擴(kuò)大感受野，從而允許模型捕獲到更多尺度的信息。盡管這種方法在一定程度上提高了模型處理多尺度信息的能力，但它依然需要手動(dòng)設(shè)定不同的擴(kuò)張率，這缺乏自適應(yīng)多尺度處理的能力，無法最優(yōu)化地適應(yīng)各種場(chǎng)景。
3、最近，yolo（you?only?look?once）v8架構(gòu)在目標(biāo)檢測(cè)領(lǐng)域獲得了廣泛的應(yīng)用，這得益于其高效的檢測(cè)能力和優(yōu)越的性能。yolov8采用的頸部結(jié)構(gòu)設(shè)計(jì)用于整合不同層級(jí)的特征，但在多尺度處理方面仍有改進(jìn)空間。基于這些現(xiàn)有技術(shù)的局限性，本文提出了一種算法優(yōu)化方案，該方案結(jié)合了yolov8的基本架構(gòu)和rfb模塊的設(shè)計(jì)思想，以實(shí)現(xiàn)自適應(yīng)的多尺度特征融合。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)通過設(shè)置自適應(yīng)多尺度離散特征融合模塊（amdfm），增強(qiáng)網(wǎng)絡(luò)對(duì)不同尺度特征的感知和處理能力。
2、本專利技
3、獲取yolov8模型；
4、在yolov8模型中嵌入空間注意力模塊；
5、改進(jìn)頸部網(wǎng)絡(luò)，以增強(qiáng)對(duì)不同尺度特征的提取能力；具體為：
6、采用yolof的單輸入單輸出方法，對(duì)特征圖進(jìn)行多尺度的特征增強(qiáng)提取后，進(jìn)行自適應(yīng)特征融合操作；
7、將頸部網(wǎng)絡(luò)的輸出結(jié)果輸入到解耦檢測(cè)頭；
8、訓(xùn)練模型，以獲得可以部署的改進(jìn)后模型。
9、優(yōu)選的，所述改進(jìn)頸部網(wǎng)絡(luò)包括如下步驟：
10、使用多尺度特征融合模塊amdfm的單輸入單輸出結(jié)構(gòu)替換原來的路徑聚合網(wǎng)絡(luò)panet，所述多尺度特征融合模塊amdfm包括：若干個(gè)卷積塊conv、擴(kuò)張混合卷積塊dmconv和自適應(yīng)特征融合模塊asff，若干所述conv用于接收輸入特征圖；
11、構(gòu)建多個(gè)分支，通過分支上的卷積核為1的conv塊進(jìn)行通道維度變換；
12、其中一個(gè)分支內(nèi)的conv塊作為殘差連接至輸出，其余分支的conv塊分別與不同擴(kuò)張率的擴(kuò)張混合卷積dmconv連接；
13、將三個(gè)分支進(jìn)行拼接輸入自適應(yīng)特征融合模塊asff，通過對(duì)不同尺度特征圖賦予可學(xué)習(xí)權(quán)重，將三個(gè)dmconv分支的輸出與權(quán)重相乘后相加完成自適應(yīng)多尺度特征融合；所述asff模塊中包括四個(gè)卷積層。
14、優(yōu)選的，所述將三個(gè)分支進(jìn)行拼接輸入自適應(yīng)特征融合模塊asff，通過對(duì)不同尺度特征圖賦予可學(xué)習(xí)權(quán)重，將三個(gè)dmconv分支的輸出與權(quán)重相乘后相加完成自適應(yīng)多尺度特征融合，包括：
15、三個(gè)卷積層用于接收dmconv的輸出，三個(gè)卷積層的輸出經(jīng)過拼接操作整合后輸入到第四個(gè)卷積層，第四個(gè)卷積層的輸出經(jīng)過歸一化指數(shù)函數(shù)softmax函數(shù)，生成三個(gè)權(quán)重值；
16、三個(gè)dmconv的輸出與權(quán)重相乘后相加，以完成自適應(yīng)特征融合。
17、優(yōu)選的，所述dmconv的結(jié)構(gòu)包括：若干普通卷積層和若干擴(kuò)張卷積層，所述普通卷積層和擴(kuò)張卷積層串聯(lián)；通過普通卷積層和擴(kuò)張卷積層串聯(lián)、拼接和通道混洗的操作，獲得離中心點(diǎn)更廣泛區(qū)域特征之間的聯(lián)系，以更好的學(xué)習(xí)圖像中目標(biāo)的空間位置信息和散射特性。
18、優(yōu)選的，還包括以下步驟：
19、調(diào)節(jié)擴(kuò)張率，使dmconv可以獲得不同感受野融合的效果，以保證對(duì)輸入的特征圖數(shù)據(jù)利用是連續(xù)的，不會(huì)損失信息；所述dmconv參數(shù)量和計(jì)算量與conv塊一致。
20、優(yōu)選的，所述對(duì)改進(jìn)后模型進(jìn)行訓(xùn)練，以獲得可以部署的模型，包括：
21、從數(shù)據(jù)庫中獲取圖像數(shù)據(jù)，然后對(duì)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，構(gòu)成數(shù)據(jù)集，將數(shù)據(jù)集以7：2：1的比例隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；
22、設(shè)置訓(xùn)練參數(shù)；利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的模型權(quán)重文件；
23、利用測(cè)試集對(duì)訓(xùn)練后模型進(jìn)行性能評(píng)估，評(píng)價(jià)指標(biāo)包括精確率、召回率、map、參數(shù)量、計(jì)算量、運(yùn)行速度中的一種或者多種；
24、所述數(shù)據(jù)集中的圖片尺寸包括但不限于：800×800像素、1000×1000像素、1200×1200像素。
25、優(yōu)選的，所述從數(shù)據(jù)庫中獲取圖像數(shù)據(jù)，然后對(duì)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，包括：
26、采用mosaic數(shù)據(jù)增強(qiáng)方式對(duì)數(shù)據(jù)集中的圖像進(jìn)行預(yù)處理，具體為：對(duì)圖片進(jìn)行隨機(jī)縮放、剪裁、排列的方式進(jìn)行拼接，以增強(qiáng)改進(jìn)后模型的魯棒性。
27、優(yōu)選的，所述設(shè)置訓(xùn)練參數(shù)；利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，包括：
28、將訓(xùn)練集中的圖像縮放為640?×?640像素，優(yōu)化器為sgd，動(dòng)量因子大小為0.937，初始學(xué)習(xí)率為0.01，權(quán)重衰減為0.0005，每次實(shí)驗(yàn)進(jìn)行300個(gè)輪次epoch，以達(dá)到模型收斂避免過擬合，保留在驗(yàn)證集上評(píng)價(jià)最好的模型作為最終的訓(xùn)練結(jié)果，檢測(cè)時(shí)iou閾值為0.5，置信度閾值為0.2；
29、所述準(zhǔn)確率、召回率計(jì)算公式如下：
30、
31、，
32、其中，表示正確檢測(cè)的目標(biāo)個(gè)數(shù)，表示錯(cuò)誤檢測(cè)的目標(biāo)個(gè)數(shù)，是未檢測(cè)到的目標(biāo)個(gè)數(shù)；
33、平均精確率的計(jì)算公式如下：
34、
35、，其中，表示不同置信度閾值iou下的準(zhǔn)確率p-召回率r曲線下的面積；表示各類的平均精確率，表示第個(gè)平均準(zhǔn)確率；
36、模型參數(shù)量和每秒浮點(diǎn)運(yùn)算次數(shù)定義為：
37、
38、，其中表示卷積核大小，和分別表示卷積層輸入和輸出的通道數(shù)，和表示輸出特征圖的高和寬；
39、每秒幀數(shù)用于衡量算法的整體檢測(cè)速度，計(jì)算公式如下：
40、，其中表示時(shí)間長(zhǎng)度。
41、本專利技術(shù)還提供一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化系統(tǒng)，包括處理器和與處理器連接的通信模塊、存儲(chǔ)器、圖像采集裝置和顯示器，所述系統(tǒng)用于執(zhí)行所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法。
42、本專利技術(shù)還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行以實(shí)現(xiàn)所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法。
43、本專利技術(shù)的有益效果：
44、1、本專利技術(shù)中，構(gòu)建了多個(gè)分支，通過分支上的卷積核為1的conv塊進(jìn)行通道維度變換，其中一個(gè)分支內(nèi)的conv塊作為殘差連接至輸出，其余分本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述方法應(yīng)用于目標(biāo)檢測(cè)算法YOLOv8模型，包括：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述改進(jìn)頸部網(wǎng)絡(luò)包括如下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述將三個(gè)分支進(jìn)行拼接輸入自適應(yīng)特征融合模塊ASFF，通過對(duì)不同尺度特征圖賦予可學(xué)習(xí)權(quán)重，將三個(gè)DMConv分支的輸出與權(quán)重相乘后相加完成自適應(yīng)多尺度特征融合，包括：
4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述DMConv的結(jié)構(gòu)包括：若干普通卷積層和若干擴(kuò)張卷積層，所述普通卷積層和擴(kuò)張卷積層串聯(lián)或并聯(lián)；通過普通卷積層和擴(kuò)張卷積層串聯(lián)、拼接和通道混洗的操作，獲得離中心點(diǎn)更廣泛區(qū)域特征之間的聯(lián)系，以更好的學(xué)習(xí)圖像中目標(biāo)的空間位置信息和散射特性。
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，還包括以下步驟：
6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，
7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述從數(shù)據(jù)庫中獲取圖像數(shù)據(jù)，然后對(duì)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，包括：
8.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法，其特征在于，所述設(shè)置訓(xùn)練參數(shù)；利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，包括：
9.一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化系統(tǒng)，包括處理器和與處理器連接的通信模塊、存儲(chǔ)器、圖像采集裝置和顯示器，其特征在于，所述系統(tǒng)用于執(zhí)行上述權(quán)利要求1-8中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行以實(shí)現(xiàn)上述權(quán)利要求1-8中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)技術(shù)的AI算法優(yōu)化方法。
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法，其特征在于，所述方法應(yīng)用于目標(biāo)檢測(cè)算法yolov8模型，包括：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法，其特征在于，所述改進(jìn)頸部網(wǎng)絡(luò)包括如下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法，其特征在于，所述將三個(gè)分支進(jìn)行拼接輸入自適應(yīng)特征融合模塊asff，通過對(duì)不同尺度特征圖賦予可學(xué)習(xí)權(quán)重，將三個(gè)dmconv分支的輸出與權(quán)重相乘后相加完成自適應(yīng)多尺度特征融合，包括：
4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法，其特征在于，所述dmconv的結(jié)構(gòu)包括：若干普通卷積層和若干擴(kuò)張卷積層，所述普通卷積層和擴(kuò)張卷積層串聯(lián)或并聯(lián)；通過普通卷積層和擴(kuò)張卷積層串聯(lián)、拼接和通道混洗的操作，獲得離中心點(diǎn)更廣泛區(qū)域特征之間的聯(lián)系，以更好的學(xué)習(xí)圖像中目標(biāo)的空間位置信息和散射特性。
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的ai算法優(yōu)化方法，其...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曹德水，
申請(qǐng)(專利權(quán))人：干將未來科技產(chǎn)業(yè)杭州有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。