一种物体检测方法、装置、终端设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种物体检测方法、装置、终端设备及存储介质。

背景技术

随着人工智能技术的快速发展，各种人工智能产品顺应而生，具有移动功能的智能产品，在行驶过程中对路况进行自主判断，需要检测物体实现避障等功能。

对在移动中的智能产品由于移动速度问题，会使得对目标检测算法的性能、准确率的要求非常高，但目前移动功能的智能产品多采用激光、超声雷达、红外等传感器或传统算法检测障碍物的效率较低。

发明内容

本申请实施例提供了一种物体检测方法、装置、终端设备及存储介质，旨在解决现具有移动功能的智能产品对目标检测的效率低的问题。

第一方面，本申请实施例提供了一种物体检测方法，包括：

对预设的优化网络模型进行训练，得到预训练的优化网络模型；

对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型；

在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果。

在一个实施例中，在获得检测结果之后，还包括：当所述检测结果包括目标物体时，获得所述目标物体的类型和位置；

根据所述目标物体的类型和位置，执行所述目标物体类型和位置对应的操作。

在一个实施例中，所述在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果之前，包括：

通过TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型。

在一个实施例中，所述通过TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型，包括：

将所述目标网络模型转换为预设格式的目标网络模型；

将所述预设格式的目标网络模型加载至TensorRT框架模型中，得到已加载预设格式的目标网络模型的TensorRT引擎模型。

在一个实施例中，通过所述目标网络模型进行目标物体检测，获得检测结果，包括：

通过所述TensorRT引擎模型进行目标物体检测，获得所述检测结果。

在一个实施例中，所述对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型，包括：

根据预设压缩算法对所述预训练的优化网络模型进行网络结构剪枝和网络权重剪枝，得到目标网络模型。

在一个实施例中，所述优化网络模型基于YOLOv5模型构建且以MobileNetV3的small模型为骨干网络。

第二方面，本申请实施例提供了一种物体检测装置，包括：

训练模块，用于对预设的优化网络模型进行训练，得到预训练的优化网络模型；

剪枝模块，用于对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型；

检测模块，用于在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述物体检测方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现上述物体检测方法的步骤。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述现上述物体检测方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例可通过对预设的优化网络模型进行训练，得到预训练的优化网络模型；对预训练的优化网络模型进行模型剪枝，得到目标网络模块，在获取到目标图像时，通过目标网络模型进行目标物体检测，获得检测结果。由于对优化网络模型进行训练后再进行剪枝可提高物体检测的准确率和减少运算时间，从而提高了目标检测效率。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的物体检测方法的流程示意图；

图2是本申请另一实施例提供的物体检测方法的流程示意图

图3是本申请一实施例提供的物体检测装置的结构示意图；

图4是本申请一实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的物体检测方法，可以应用于机器人，所述机器人具体可以是移动机器人，所述移动机器人具体可以是智能车。机器人还可以是服务机器人、娱乐机器人、军用机器人、农业机器人等，本申请实施例对机器人的具体类型不作任何限制。

如在一种应用场景下，本申请实施例提供的物体检测方法应用于智能小车，如自动驾驶智能小车通常利用摄像头作为传感器，通过自动寻迹算法，在特定路径上完成自动寻迹行驶任务。为了使智能小车具备AI能力，在自主寻迹行驶中还需要对道路状况进行自主判断，例如对道路上的红绿灯做出停止、行驶的信号反馈，对障碍物(如行人、其他车辆、障碍物体)输出其准确位置信息，对交通标志正确识别。本申请实施例的物体检测方法能实现智能小车除路径识别外的识别需求，可高效输出各类目标物体的位置信息，支持小车做出对应的决策，能体现智能小车的AI能力。

为了说明本申请所述的技术方案，下面通过以下实施例来进行说明。

请参阅图1，本申请实施例提供的一种物体检测方法，包括：

步骤S101，对预设的优化网络模型进行训练，得到预训练的优化网络模型。

具体地，可预先基于轻量级网络模型构建优化网络模型，根据需要识别的多种物体类型，准备大量的包含所述多种类型物体的样本图像，每个样本图像中包括对物体进行分类标注出物体对应的物体类别。将准备大量的样本图像对预设的优化网络模型进行训练，直至优化网络模型的预设损失函数收敛为止，判定优化网络模型为已经训练好的网络模型(即预训练的优化网络模型)。预设的损失函数可以是交叉熵损失函数或者均方误差损失函数等类型的损失函数。通过得到的预训练的优化网络对进行目标物体检测，在检测到目标物体时确定物体类别和物体的位置信息。

在一个实施例中，所述优化网络模型基于YOLOv5模型构建且以MobileNetV3的small模型为骨干网络。

具体地，在YOLOv5基础上构建网络模型，YOLOv5的模型大小主要分为l(large)、m(middle)、s(small)，不同的网络宽度、不同的参数量可以将YOLOv5的算法应用于不同性能需求的场景。由于本申请的执行终端是具备移动的智能产品，选择基于s模型，也就是参数量最小的网络结构作为基准网络，以适用于耗时短、精度高的场景。但是即使是最小参数量的YOLOv5的s模型，运行在具备移动的智能产品上也是仍然比较耗时，为了进一步压缩模型大小，还需要对模型进行轻量化，YOLOv5的原始backbone使用的是跨阶段局部网络(CSPNet)，其l、m、s不同大小的模型只是在模型深度和通道数上进行了缩放，其本质结构没有发生变化。因此CSPNet堆叠而成的backbone对于s模型来说也比较重，因此本申请采用对部署移动端较为友好的mobilenetv3的small模型作为骨干网络(backbone)，可进一步压缩模型大小。

步骤S102，对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型。

具体地，预训练的优化网络模型中的参数已经是在训练过程中已调整完成的参数，但是会存在对模型最终的检测性能几乎没有影响的参数，因此可通过剪枝算法剪除模型中这些对最终检测性能几乎没有影响的参数。

在一个实施例中，所述对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型，包括：根据预设压缩算法对所述预训练的优化网络模型进行网络结构剪枝和网络权重剪枝，得到目标网络模型。

具体地，对网络模型的剪枝算法可以是进行网络结构剪枝和网络权重剪枝，网络结构剪枝可以是对网络模型中的滤波器、通道等结构化参数进行剪枝，从而实现模型压缩与加速。对网络权重剪枝可以是通过剪裁网络模型中单独的权重参数进行模型压缩。如可通过Intel开源的神经网络压缩库Distiller提供的分析压缩算法进行网络结构剪枝、网络权重剪枝。

在一种应用中对结构化参数小于第一预设阈值的参数对应的滤波器进行剪删除，将结构化参数小于第二预设阈值的参数对应的通道判定是不重要的通道，对该通道进行删除，从而可降低模型的复杂度。

步骤S103，在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果。

具体地，在执行终端移动的过程中，可通过图像传感器(如摄像头)采集图像，称为目标图像，将采集到的目标图像，通过目标网络模型进行目标物体检测，得到检测结果。检测结果具体可以是在检测到目标物体时，输出目标物体的在图像中的位置信息和所述目标物体的分类标签。

在一个实施例中，所述在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果之前，包括：通过TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型。

具体地，TensorRT技术可以对已经预训练的目标网络模型进行优化部署，可提高模型的推理速度，并且可在存在多个目标物体时，更能提高模型对目标物体检测的实时性，因此采用TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型。如TensorRT框架模型可以使用NVIDIA的图形处理器(Graphics Processing Unit，GPU)。

在一个实施例中，所述通过TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型包括：将所述目标网络模型转换为预设格式的目标网络模型；将所述预设格式的目标网络模型加载至TensorRT框架模型中，得到已加载预设格式的目标网络模型的TensorRT引擎模型。

具体地，TensorRT支持开放神经网络交换(Open Neural Network Exchange，NNOX)模型，将目标网络模型先转换为ONNX模型，再转换为TensorRT的引擎(engine)模型。如可根据ONNX接口插件将目标网络模型转换为ONNX模型，将目标网络模型转化为ONNX模型文件，即.onnx文件。再使用TensorRT框架模型加载已转化为ONNX模型文件，生成TensorRT的引擎(engine)模型，即为已加载预设格式的目标网络模型的TensorRT引擎模型。TensorRT引擎模型采用FP16(16位浮点数)而非FP32(32位浮点数)的engine模型，进一步减小模型大小，FP16的模型能够达到速度加倍的同时只有少量的精度损失。

通过所述目标网络模型进行目标物体检测，获得检测结果，包括：通过所述TensorRT引擎模型进行目标物体检测，获得所述检测结果。

具体地，将已加载预设格式的目标网络模型的TensorRT引擎模型进行目标物体检测，获得所述检测结果。

在一个实施例中，在获得检测结果之后，还包括步骤S201至步骤S202：

步骤S201，当所述检测结果包括目标物体时，获得所述目标物体的类型和位置。

具体地，当上述检测结果是检测到目标物体时，根据检测结果确定所述目标物体的类型和位置。

步骤S202，根据所述目标物体的类型和位置，执行所述目标物体类型和位置对应的操作。

具体地，根据检测结果确定所述目标物体的类型和位置，该位置是执行终端对于图像坐标系下目标物体的位置，根据执行终端的标定参数将图像坐标系下目标物体的位置转化为世界坐标系下目标物体的位置，根据目标物体的类型和世界坐标系下目标物体的位置执行对应预关联的联动操作。如在检测出目标物体的类型是红灯，根据红灯的位置确定与红灯的距离，执行红灯类型下与该距离预关联的操作，从而可确定物体类型(如行人、其他车辆、障碍物体)和位置，并根据物体类型和位置做出对应的反馈。

本申请实施例可通过对预设的优化网络模型进行训练，得到预训练的优化网络模型；对预训练的优化网络模型进行模型剪枝，得到目标网络模块，在获取到目标图像时，通过目标网络模型进行目标物体检测，获得检测结果。由于对优化网络模型进行训练后再进行剪枝可提高物体检测的准确率和减少运算时间，从而提高了目标检测效率。

本申请实施例还提供一种物体检测装置，用于执行上述物体检测方法实施例中的步骤。物体检测装置可以是终端设备中的虚拟装置(virtual appliance)，由终端设备的处理器运行，也可以是终端设备本身。

如图3所示，本申请实施例提供的物体检测装置300包括：

训练模块301，用于对预设的优化网络模型进行训练，得到预训练的优化网络模型；

剪枝模块302，用于对所述预训练的优化网络模型进行模型剪枝，得到目标网络模型；

检测模块303，用于在获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果。

在一个实施例中，所述物体检测装置还包括：

获得模块，用于当所述检测结果包括目标物体时，获得所述目标物体的类型和位置；

执行模块，用于根据所述目标物体的类型和位置，执行所述目标物体类型和位置对应的操作。

在一个实施例中，所述物体检测装置还包括：

优化模块，用于获取到目标图像时，通过所述目标网络模型进行目标物体检测，获得检测结果之前，通过TensorRT框架模型，对所述目标网络模型进行优化，得到TensorRT引擎模型。

在一个实施例中，所述优化模块具体包括：

转换单元，用于将所述目标网络模型转换为预设格式的目标网络模型；

加载单元，用于将所述预设格式的目标网络模型加载至TensorRT框架模型中，得到已加载预设格式的目标网络模型的TensorRT引擎模型。

在一个实施例中，所述检测模块具体用于：通过所述TensorRT引擎模型进行目标物体检测，获得所述检测结果。

在一个实施例中，所述剪枝模块具体用于：根据预设压缩算法对所述预训练的优化网络模型进行网络结构剪枝和网络权重剪枝，得到目标网络模型。

在一个实施例中，所述优化网络模型基于YOLOv5模型构建且以MobileNetV3的small模型为骨干网络。

本申请实施例可通过对预设的优化网络模型进行训练，得到预训练的优化网络模型；对预训练的优化网络模型进行模型剪枝，得到目标网络模块，在获取到目标图像时，通过目标网络模型进行目标物体检测，获得检测结果。由于对优化网络模型进行训练后再进行剪枝可提高物体检测的准确率和减少运算时间，从而提高了目标检测效率。

如图4所示，本发明的一个实施例还提供一种终端设备400包括：处理器401，存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如物体检测程序。所述处理器401执行所述计算机程序403时实现上述各个物体检测方法实施例中的步骤。所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图3所示模块301至303的功能。

示例性的，所述计算机程序403可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备400中的执行过程。例如，所述计算机程序403可以被分割成训练模块，剪枝模块，检测模块，各模块具体功能在上述实施例中已有描述，此处不再赘述。

所述终端设备400可以是具有移动功能的机器人，或者桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401，存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。