一种软硬件一体化的人工智能图像识别数据处理方法

技术领域

本发明涉及人工智能数据搜索与发布方法技术领域，具体为一种软硬件一体化的人工智能图像识别数据处理方法。

背景技术

随着人工智能技术的发展，可以通网络模型识别出图像内容中包含的文本，这些图像识别结果可以应用于图像分类、广告识别等，在通过网络模型对图像进行文本识别的过程中，对于确定出的任意一个可能的文字，所进行处理流程都是一致的，也就是说，待识别文本的数量或待识别的图像数量会直接影响网络模型需要处理的数据量。

现有的基于深度学习模式的图像识别技术应用很复杂，包括图像数据的标注、深度学习框架的搭建、算法模型代码的编辑、算法模型的训练、算法模型的优化、模型冻结和导出、模型部署等，还涉及到多种硬件，包括核心处理单元、GPU、TPU、存储、网络等，用户的学习成本非常高，用户要使用深度学习实现图像识别的难度大。

发明内容

本发明的目的在于提供一种软硬件一体化的人工智能图像识别数据处理方法，以解决上述背景技术中提出的现有的基于深度学习模式的图像识别技术应用很复杂，用户的学习成本非常高，用户要使用深度学习实现图像识别的难度大的问题。

为实现上述目的，本发明提供如下技术方案：一种软硬件一体化的人工智能图像识别数据处理方法，该软硬件一体化的人工智能图像识别数据处理方法具体包括：

步骤一：根据知识库的描述，按照图像标注规则，使用图像标注工具，对图像数据进行标注，接着选择常用的数据增强方法，使用图像增强工具，通过CPU硬件和GPU硬件结合，对图像数据进行增强；

步骤二：根据知识库描述，选择最合适的人工神经网络，使用深度学习网络搭建工具，对训练网络进行模型搭建，具体方法包括：通过计算机对图像进行识别，包括对图像中的目标进行分类，以及对图像中的目标进行查找，使用编程语言，搭建人工神经网络模型；

步骤三：根据知识库描述，使用深度学习训练引擎工具，通过已搭建的数据训练模型，通过GPU对已标注的数据进行算法模型训练；

步骤四：根据知识库描述，选择常用的网络优化方法，使用优化工具对算法模型进行优化；

步骤五：根据知识库描述，把已经训练完成的数据模型部署到模拟应用环境中，通过边缘CPU或TPU完成算法模型与应用的集成。

优选的，所述步骤一的具体方法包括：1)在给定的数据集中去掉噪声图片；2)规范图片文件格式；3)给图片分类；4)统一文件命名；5)规范存储介质；6)设计存储路径；7)标注人脸图像；8)标注人体图像；9)标注手势图像；10)标注道路场景；11)标注目标对象；12)旋转图片；13)拉伸图片；14)平移图片；15)变换图片颜色。

优选的，所述步骤三中具体方法包括：1)请使用深度学习框架；2)设置训练模型参数；3)定义丢失参数；4)确定训练样本；5)确定测试样本；6)定义正负样本；7)使用可视化工具；8)将训练结果可视化；9)分析准确率、召回率，验证算法模型。

优选的，所述步骤四的具体方法包括：1)使用梯度下降法；2)使用随机梯度下降法；3)使用小批量随机梯度下降法；4)使用动量优化法；5)使用自适应梯度下降法；所述步骤四中需要做的工作包括：1)分析深度学习性能；2)使用Timeline工具,配置线程优化性能；3)压缩模型。

优选的，所述步骤五中的具体方法包括：将优化后的算法模型部署上线，在模拟的应用场景中调用图像识别服务，验证数据推理结果。

与现有技术相比，本发明的有益效果是：

通过本方法构建数据处理平台系统，可以一站式完成人工智能图像识别数据标注、数据预处理、深度学习模型构建、模型优化、模型测试和模型部署的一系列步骤，平台系统支持用户完成人工智能图像识别领域里图像分类、目标检测、语义分割和图像生成的基本任务，是一套适用于人工智能图像识别科研、教学、实训、开发和生产的完整体系，通过构建软硬件一体化的数据处理平台系统，帮助用户快速启动和实现人工智能项目，节省普通行业及业务领域中对图像识别技术的学习与应用的时间成本和人力资源成本，实现人工智能与业务的快速融合，可广泛适用于人工智能图像识别科研、教学、实训、开发和生产等领域。

附图说明

图1为本发明系统模块图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例：

请参阅图1，本发明提供一种技术方案：一种软硬件一体化的人工智能图像识别数据处理方法，该软硬件一体化的人工智能图像识别数据处理方法具体包括：

步骤一：根据知识库的描述，按照图像标注规则，使用图像标注工具，对图像数据进行标注，接着选择常用的数据增强方法，使用图像增强工具，通过CPU硬件和GPU硬件结合，对图像数据进行增强；

步骤二：根据知识库描述，选择最合适的人工神经网络，使用深度学习网络搭建工具，对训练网络进行模型搭建，具体方法包括：通过计算机对图像进行识别，包括对图像中的目标进行分类，以及对图像中的目标进行查找，使用编程语言，搭建人工神经网络模型；

步骤三：根据知识库描述，使用深度学习训练引擎工具，通过已搭建的数据训练模型，通过GPU对已标注的数据进行算法模型训练；

步骤四：根据知识库描述，选择常用的网络优化方法，使用优化工具对算法模型进行优化；

步骤五：根据知识库描述，把已经训练完成的数据模型部署到模拟应用环境中，通过边缘CPU或TPU完成算法模型与应用的集成。

所述步骤一的具体方法包括：1)在给定的数据集中去掉噪声图片；2)规范图片文件格式；3)给图片分类；4)统一文件命名；5)规范存储介质；6)设计存储路径；7)标注人脸图像；8)标注人体图像；9)标注手势图像；10)标注道路场景；11)标注目标对象；12)旋转图片；13)拉伸图片；14)平移图片；15)变换图片颜色。

所述步骤三中具体方法包括：1)请使用深度学习框架；2)设置训练模型参数；3)定义丢失参数；4)确定训练样本；5)确定测试样本；6)定义正负样本；7)使用可视化工具；8)将训练结果可视化；9)分析准确率、召回率，验证算法模型。

所述步骤四的具体方法包括：1)使用梯度下降法；2)使用随机梯度下降法；3)使用小批量随机梯度下降法；4)使用动量优化法；5)使用自适应梯度下降法；所述步骤四中需要做的工作包括：1)分析深度学习性能；2)使用Timeline工具,配置线程优化性能；3)压缩模型。

所述步骤五中的具体方法包括：将优化后的算法模型部署上线，在模拟的应用场景中调用图像识别服务，验证数据推理结果。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。