模型能力检测方法、装置、电子设备和计算机可读介质

技术领域

本申请涉及计算机技术领域，具体涉及模型能力检测方法、装置、电子设备和计算机可读介质。

背景技术

近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。

目标检测(Object Detection)是一种找出给定图像中的物体，并确定物体的类别、大小和位置的技术，是计算机视觉相关业务的基础技术之一。通常，可通过训练数据训练目标检测模型，并通过测试数据对目标检测模型的检测结果进行分析，来评估目标检测模型的检测能力。

现有技术中，仅能够通过计算相关指标(如准确率、漏检率等)等方式来初步判断模型能力，无法对模型在多种特征下的能力进行细粒度分析。

发明内容

本申请实施例提出了模型能力检测方法、装置、电子设备和计算机可读介质，以解决现有技术中无法对模型在多种特征下的能力进行细粒度分析的技术问题。

第一方面，本申请实施例提供了一种模型能力检测方法，该方法包括：获取测试样本图像集，所述测试样本图像集包括各测试样本图像中目标对象的目标检测框；基于目标检测模型对各所述测试样本图像进行检测，得到各所述测试样本图像中的目标对象的实际检测框；基于各所述测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各所述测试样本图像所对应的实际检测框和目标检测框进行类型划分；确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于所述分布结果，对所述目标检测模型的模型能力进行分析。

第二方面，本申请实施例提供了一种模型能力检测装置，该装置包括：获取单元，被配置成获取测试样本图像集，所述测试样本图像集包括各测试样本图像中目标对象的目标检测框；检测单元，被配置成基于目标检测模型对各所述测试样本图像进行检测，得到各所述测试样本图像中的目标对象的实际检测框；分类单元，被配置成基于各所述测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各所述测试样本图像所对应的实际检测框和目标检测框进行类型划分；分析单元，被配置成确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于所述分布结果，对所述目标检测模型的模型能力进行分析。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中所描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中所描述的方法。

本申请实施例提供的模型能力检测方法、装置、电子设备和计算机可读介质，通过获取测试样本图像集，而后基于目标检测模型对各测试样本图像进行目标检测，得到各测试样本图像中的目标对象的实际检测框，之后基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，对各测试样本图像的实际检测框和目标检测框进行类型划分，最后确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，从而可以基于该分布结果，对目标检测模型的模型能力进行分析，由此实现了对模型能力的自动检测。由于在模型能力检测过程中考虑了各类型实际检测框和各类型目标检测框在不同维度特征下的分布，因此能够对模型在多种特征下的检测能力进行细粒度分析，提高了模型能力检测的深度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的模型能力检测方法的一个实施例的流程图；

图2是根据本申请的模型能力检测方法的又一个实施例的流程图；

图3是根据本申请的模型能力检测装置的一个实施例的结构示意图；

图4是用于实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，其示出了根据本申请的模型能力检测方法的一个实施例的流程100。上述模型能力检测方法可运行于各种电子设备，如服务器、平板电脑、膝上型便携计算机、台式计算机等。该模型能力检测方法，包括以下步骤：

步骤101，获取测试样本图像集。

在本实施例中，模型能力检测方法的执行主体(如上述电子设备)可以获取测试样本图像集。该测试样本图像集可以是用于对已训练的目标检测模型进行测试的样本图像集。

测试样本图像集中可包括多个测试样本图像以及各测试样本图像中的目标对象的目标检测框。每一个目标检测框可具有对应的类别信息(用于指示目标对象类别)和位置信息(如目标检测框的坐标)。

目标检测模型可用于对图像中的目标对象的类别和位置进行检测。目标对象可以是人、猫、狗等各种预先设定的对象。在利用目标检测模型对某图像进行目标检测后，可得到该图像的实际检测框，以及该实际检测框对应的类别识别结果(用于指示目标对象类别)、位置信息(如实际检测框的坐标)和置信度等信息。

实践中，测试样本图像集可由用户直接导入至上述执行主体中，也可以通过向上述执行主体发送能力检测请求时的方式，将测试样本图像集设置于请求数据中，由上述执行主体从请求数据中获取。

在一些场景中，上述执行主体可维护有模型能力检测工具。该工具可具备导入模型文件、推理逻辑以及数据集的功能。其中，数据集可包括但不限于训练样本图像集和测试样本图像集。通过将模型文件、推理逻辑以及数据集导入到该工具中，即可自动进行推理并获取测试样本图像集中各测试样本图像的推理结果。

步骤102，基于目标检测模型对各测试样本图像进行检测，得到各测试样本图像中的目标对象的实际检测框。

在本实施例中，上述执行主体可以将测试样本图像集中的各测试样本图像分别输入至目标检测模型，得到目标检测模型分别输出的各测试样本图像的检测结果。检测结果中可包括实际检测框以及实际检测框对应的类别识别结果(用于指示目标对象类别)、位置信息(如实际检测框的坐标)和置信度等信息。需要说明的是，每一个目标检测模型的检测结果中可包含一个或多个实际检测框。

在一些可选的实现方式中，上述执行主体还可以预先获取目标检测模型的一个或多个参数，如可包括但不限于置信度阈值、IoU(Intersection over Union，交并比)阈值等。上述一个或多个参数可由用户配置。在将各测试样本图像分别输入至目标检测模型后，即可通过上述目标检测模型对各上述测试样本图像进行检测，得到各上述测试样本图像中的目标对象的候选检测框。对于每一个测试样本图像，上述执行主体可以从该测试样本图像所对应的候选检测框中，选取置信度小于置信度阈值的候选检测框，作为该测试样本图像中的目标对象的实际检测框。由此，可对候选检测框进行过滤，得到有效的实际检测框。

步骤103，基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各测试样本图像所对应的实际检测框和目标检测框进行类型划分。

在本实施例中，上述执行主体可以基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对实际检测框和目标检测框进行类型划分。其中，实际检测框可划分为正确检测框和误检框。目标检测框可划分为正确检出框和漏检框。上述执行主体可以通过对每个测试样本图像的实际检测框和目标检测框进行匹配，并基于匹配结果，确定该测试样本图像的实际检测框和目标检测框的类型。

作为示例，对于每一个测试样本图像的每一个实际检测框，若该实际检测框与该测试样本图像的各目标检测框均不匹配，则可将该实际检测框确定为误检框。若该测试样本图像的目标检测框中存在与该实际检测框匹配的相匹配目标检测框、该实际检测框的置信度大于置信度阈值、且该实际检测框的置信度大于与该相匹配目标检测框匹配的其余实际检测框的置信度，则可以将该实际检测框确定为正确检测框。对于每一个测试样本图像的每一个目标检测框，若该目标检测框与该测试样本图像的任一正确检测框匹配，则可该将目标检测框确定为正确检出框。若该目标检测框与该测试样本图像的各正确检测框均不匹配，则可将该目标检测框确定为漏检框。

在一些可选的实现方式中，可基于实际检测框与该目标检测框对应的目标对象类别以及用户预先配置的交并比阈值，来进行实际检测框和目标检测框的匹配。具体地，对于每一个测试样本图像的每一个实际检测框和每一个目标检测框，可确定该实际检测框与该目标检测框对应的目标对象类别是否相同，并确定该实际检测框与该目标检测框的交并比是否大于交并比阈值。若该实际检测框与该目标检测框对应的目标对象类别相同且交并比大于交并比阈值，可确定该实际检测框与该目标检测框匹配。反之，若该实际检测框与该目标检测框对应的目标对象类别不同，或者，交并比小于或等于交并比阈值，可确定该实际检测框与该目标检测框不匹配。

步骤104，确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于分布结果，对目标检测模型的模型能力进行分析。

在本实施例中，上述执行主体可以首先统计各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果。例如，可统计正确检出框在不同维度特征下的分布结果、漏检框在不同维度特征下的分布结果、正确检测框在不同维度特征下的分布结果以及误检框在不同维度特征下的分布结果。分布结果可以采用分布图或者分布列表等形式表示。

其中，特征维度可以包括但不限于以下至少一项：目标对象类别、框高(即实际检测框高度)、框宽(即实际检测框宽度)、框最大重叠比、框宽高比、置信度、框到图像顶部距离、框到图像左侧距离、框内亮度、框内清晰度、框内颜色等。

以框宽为例，若需要针对框宽对各类型实际检测框和各类型目标检测框的分布进行统计，则可以分别统计正确检出框、漏检框、正确检测框以及误检框在不同框宽下的数量。而后，基于正确检出框在不同框宽下的数量，得到正确检出框在框宽这一特征下的分布结果；基于漏检框在不同框宽下的数量，得到漏检框在框宽这一特征下的分布结果；基于正确检测框在不同框宽下的数量，得到正确检测框在框宽这一特征下的分布结果；基于误检框在不同框宽下的数量，得到误检框在框宽这一特征下的分布结果。

在本实施例中，在统计得到各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果后，上述执行主体可以对分布结果进行进一步分析，确定各出各类型实际检测框和各类型目标检测框的各分布结果的分析结果，如正确检出框80％为亮度较高(如高于亮度阈值)的框、误检框70％为宽高比较低(如低于宽高比阈值)的框等。最后，将各类型实际检测框和各类型目标检测框的分析结果进行汇总，得到模型能力分析结果。此处，模型能力分析结果可以以检测报告等形式进行呈现。本申请实施例对模型能力分析结果的呈现方式不作限定。

本申请的上述实施例提供的方法，通过获取测试样本图像集，而后基于目标检测模型对各测试样本图像进行目标检测，得到各测试样本图像中的目标对象的实际检测框，之后基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，对各测试样本图像的实际检测框和目标检测框进行类型划分，最后确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，从而可以基于该分布结果，对目标检测模型的模型能力进行分析，由此实现了对模型能力的自动检测。由于在模型能力检测过程中考虑了各类型实际检测框和各类型目标检测框在不同维度特征下的分布，因此能够对模型在多种特征下的检测能力进行细粒度分析，提高了模型能力检测的深度。

在一些可选的实施例中，分布结果可以以分布图的形式表示。在确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果时，上述执行主体可以首先提取各测试样本图像的实际检测框和目标检测框的至少一个维度的特征值，上述至少一个维度的特征值即为至少一个维度的特征的值。而后，上述执行主体可以基于所提取的特征值，对各类型实际检测框和各类型目标检测框在不同维度特征下的分布进行统计，得到各类型实际检测框在不同维度特征下的分布图以及各类型目标检测框在不同维度特征下的分布图。

其中，至少一个维度的特征可包括但不限于以下至少一项：目标对象类别、框高(即实际检测框高度)、框宽(即实际检测框宽度)、框最大重叠比、框宽高比、置信度、框到图像顶部距离、框到图像左侧距离、框内亮度、框内清晰度、框内颜色。相应地，不同维度特征下的分布图可包括但不限于以下至少一项：目标对象类别分布图、框高分布图、框宽分布图、框最大重叠比分布图、框宽高比分布图、实际检测框置信度分布图、框到图片顶部距离分布图、框到图片左侧距离分布图、框内亮度分布图、框内清晰度分布图、框内颜色分布图。

此处，各分布图中可显示有直角坐标系，直角坐标系中可以体现出分布信息。目标对象类别分布图的横轴可以为目标对象类别，纵轴可以为框的数量。框高分布图的横轴可以为框的高度，纵轴可以为框的数量。框宽分布图的横轴可以为框的宽度，纵轴可以为框的数量。框最大重叠比分布图的横轴可以为最大重叠比，纵轴可以为框的数量。其中，对于实际检测框，其最大重叠比表示该实际检测框与目标检测框的IoU值，目标检测框即为与该实际检测框具有最大IoU的目标检测框。同理，对于目标检测框，其最大重叠比表示该目标检测框与目标实际检测框的IoU值，目标实际检测框即为与该目标检测框具有最大IoU的实际检测框。框宽高比分布图的横轴可以为宽高比，纵轴可以为框的数量。置信度分布图的横轴可以为置信度值，纵轴可以为框的数量。此处，各类型实际检测框可具有置信度分布图，各类型目标检测框可不具有置信度分布图。框到图像顶部距离分布图的横轴可以为框到图像最上方的距离，纵轴可以为框的数量。框到图像左侧距离分布图的横轴可以为框到图像最左边的距离，纵轴可以为框的数量。框内亮度分布图的横轴可以为框内区域图像的亮度，纵轴可以为框的数量。框内亮度分布图的横轴可以为框内区域图像的清晰度，纵轴可以为框的数量。框内亮度分布图的横轴可以为框内区域图像的颜色，纵轴可以为框的数量。

通过分别提取各测试样本图像的实际检测框和目标检测框的至少一个维度的特征值，并基于所提取的特征值，对各类型实际检测框和各类型目标检测框在不同维度特征下的分布进行统计，得到各类型实际检测框在不同维度特征下的分布图以及各类型目标检测框在不同维度特征下的分布图，能够对模型在多种情况下的检测能力进行细粒度统计和分析，提高了模型能力检测的深度。同时，以分布图的形式对分布结果进行呈现，可提高分布结果的可视性。

进一步参考图2，其示出了模型能力检测方法的又一个实施例的流程200。该模型能力检测方法的流程200，包括以下步骤：

步骤201，获取测试样本图像集和用于训练目标检测模型的训练样本图像集。

在本实施例中，模型能力检测方法的执行主体可以获取测试样本图像集和用于训练目标检测模型的训练样本图像集。

测试样本图像集中可包括大量的测试样本图像以及各测试样本图像中目标对象的目标检测框。每一个目标检测框可具有对应的类别信息(用于指示目标对象类别)和位置信息(如目标检测框的坐标)。

训练样本图像集中可包括大量的训练样本图像以及各训练样本图像中的目标对象的目标检测框。同理，每一个目标检测框可具有对应的类别信息(用于指示目标对象类别)和位置信息(如目标检测框的坐标)。

步骤202，基于目标检测模型对各测试样本图像进行目标检测，得到各测试样本图像中的目标对象的实际检测框。

本实施例中的步骤202可参见上述实施例中的描述，此处不再赘述。

步骤203，基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各测试样本图像所对应的实际检测框和目标检测框进行类型划分。

本实施例中的步骤203可参见上述实施例中的描述，此处不再赘述。

步骤204，确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于分布结果，对目标检测模型的模型能力进行分析。

本实施例中的步骤204可参见上述实施例中的描述，此处不再赘述。

步骤205，分别提取各测试样本图像所对应的目标检测框的第一特征向量和各训练样本图像所对应的目标检测框的第二特征向量。

在本实施例中，上述执行主体可以提取各测试样本图像所对应的目标检测框的特征，得到每个测试样本图像所对应的每个目标检测框的第一特征向量(可称为第一特征向量)；同理，上述执行主体可以提取各训练样本图像所对应的目标检测框的特征，得到每个训练样本图像所对应的每个目标检测框的特征向量(可称为第二特征向量)。

其中，目标检测框的特征可包括但不限于以下至少一项：目标对象类别、框高、框宽、框最大重叠比、框宽高比、框到图像顶部距离、框到图像左侧距离、框内亮度、框内清晰度、框内颜色等。

步骤206，对第一特征向量进行聚类，得到至少一个第一聚类中心向量，以及，对第二特征向量进行聚类，得到至少一个第二聚类中心向量。

在本实施例中，上述执行主体可以采用聚类算法(如K均值聚类算法等)对所提取到的第一特征向量进行聚类，得到至少一个第一聚类，每个第一聚类可具有一个聚类中心向量。同理，上述执行主体可以采用相同的聚类算法对所提取到的第二特征向量进行聚类，得到至少一个第二聚类，每个第二聚类可具有一个聚类中心向量。其中，第一特征向量的聚类结果即为相应的测试样本图像的聚类结果，第二特征向量的聚类结果即为相应的训练样本图像的测试结果。

可选的，在对第一特征向量进行聚类后，上述执行主体还可以随机从各聚类对应的测试样本图像中选取若干(如5个)测试样本图像进行展示。同理，在对第二特征向量进行聚类后，上述执行主体还可以随机从各聚类对应的训练样本图像中选取若干(如5个)测试样本图像进行展示。由此，可便于用户了解训练样本图像和测试样本图像的视觉效果。

步骤207，对于每一个第一聚类中心向量，若该第一聚类中心向量与各第二聚类中心向量的距离均大于距离阈值，则将属于该第一聚类中心向量所对应聚类的训练样本确定为待增加的训练样本。

在本实施例中，对于每一个第一聚类中心向量，上述执行主体可以利用欧氏距离等方式检测该第一聚类中心向量与各个第二聚类中心向量的距离。若该第一聚类中心向量与各个第二聚类中心向量的距离均大于距离阈值，则可以将属于该第一聚类中心向量所对应聚类的训练样本确定为待增加的训练样本。进一步地，可以显示用于指示增加目标聚类的训练样本图像的建议信息。

可以理解的是，对于某一个第一聚类中心向量，当各个第二聚类中心向量与该第一聚类中心向量的距离均大于距离阈值时，意味着测试样本图像集中该聚类(即该第一聚类中心向量对应的聚类)对应的测试样本图像与训练样本图像集中的样本图像差异较大，即训练样本图像集中缺少该类型的训练样本图像，目标检测模型对该类型的图像的检测能力较弱。此时建议增加该类型的训练数据，有助于对模型进行针对性的优化，从而提高模型的泛化性。

在本实施例的一些可选的实现方式中，对于每一个第一聚类中心向量，若该第一聚类中心向量与各第二聚类中心向量的距离均大于距离阈值，则上述执行主体还可以从测试样本图像集中选取属于该第一聚类中心向量所对应聚类的至少一个测试样本图像，并显示上述至少一个测试样本图像。由此，可以直观地向用户展示出需要增加的训练样本图像的视觉效果，以使用户清楚知晓需增加的训练样本图像的类型，便于用户进行训练样本图像的获取以及后续进行模型改进。

从图2中可以看出，与图1对应的实施例相比，本实施例中的模型能力检测方法的流程200涉及了基于目标检测框的特征向量对测试样本图像和训练样本图像进行聚类，并基于聚类结果对训练样本图像集中所缺少的训练样本图像的类型进行定位的步骤。由此，本实施例描述的方案可以自动定位出模型存在的问题，有助于用户对模型进行针对性的优化，从而提高模型的泛化性。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种模型能力检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例的模型能力检测装置300包括：获取单元301，被配置成获取测试样本图像集，上述测试样本图像集包括各测试样本图像中目标对象的目标检测框；检测单元302，被配置成基于目标检测模型对各上述测试样本图像进行检测，得到各上述测试样本图像中的目标对象的实际检测框；分类单元303，被配置成基于各上述测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各上述测试样本图像所对应的实际检测框和目标检测框进行类型划分；分析单元304，被配置成确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于上述分布结果，对上述目标检测模型的模型能力进行分析。

在本实施例的一些可选的实现方式中，上述检测单元302，进一步被配置成：将各上述测试样本分别输入至上述目标检测模型，通过上述目标检测模型对各上述测试样本图像进行检测，得到各上述测试样本图像中的目标对象的候选检测框；对于每一个测试样本图像，从该测试样本图像所对应的候选检测框中，选取置信度小于置信度阈值的候选检测框，作为该测试样本图像中的目标对象的实际检测框。

在本实施例的一些可选的实现方式中，上述分类单元303，进一步被配置成：对于每一个测试样本图像所对应的每一个实际检测框，若该实际检测框与该测试样本图像的各目标检测框均不匹配，则将该实际检测框确定为误检框；若该实际检测框同时满足以下条件，则将该实际检测框确定为正确检测框：该测试样本图像的目标检测框中存在与该实际检测框相匹配目标检测框、该实际检测框的置信度大于置信度阈值、该实际检测框的置信度大于与上述相匹配目标检测框匹配的其余实际检测框的置信度。

在本实施例的一些可选的实现方式中，上述分类单元303，进一步被配置成：对于每一个测试样本图像所对应的每一个实际检测框和每一个目标检测框，确定该实际检测框与该目标检测框对应的目标对象类别是否相同，以及，确定该实际检测框与该目标检测框的交并比是否大于交并比阈值。

在本实施例的一些可选的实现方式中，上述分类单元303，进一步被配置成：对于每一个测试样本图像所对应的每一个目标检测框，若该目标检测框与该测试样本图像的任一正确检测框匹配，则该将目标检测框确定为正确检出框；若该目标检测框与该测试样本图像的各正确检测框均不匹配，则将该目标检测框确定为漏检框。

在本实施例的一些可选的实现方式中，分析单元304，进一步被配置成：针对各上述测试样本图像，分别提取上述测试样本图像的实际检测框和目标检测框在至少一个维度下的特征值；基于所提取的特征值，对各类型实际检测框和各类型目标检测框在不同维度特征下的分布进行统计，得到各类型实际检测框在不同维度特征下的分布图以及各类型目标检测框在不同维度特征下的分布图。

在本实施例的一些可选的实现方式中，上述不同维度特征下的分布图包括以下至少一项：目标对象类别分布图、框高分布图、框宽分布图、框最大重叠比分布图、框宽高比分布图、框置信度分布图、框到图像顶部距离分布图、框到图像左侧距离分布图、框内亮度分布图、框内清晰度分布图、框内颜色分布图。

在本实施例的一些可选的实现方式中，上述装置还包括问题定位单元，被配置成：获取用于训练上述目标检测模型的训练样本图像集，上述训练样本图像集中包括各训练样本图像中的目标对象的目标检测框；分别提取各上述测试样本图像所对应的目标检测框的第一特征向量和各上述训练样本图像所对应的目标检测框的第二特征向量；对上述第一特征向量进行聚类，得到至少一个第一聚类中心向量，以及，对上述第二特征向量进行聚类，得到至少一个第二聚类中心向量；对于每一个第一聚类中心向量，若该第一聚类中心向量与各第二聚类中心向量的距离均大于距离阈值，则将属于该第一聚类中心向量所对应聚类的训练样本确定为待增加的训练样本。

在本实施例的一些可选的实现方式中，上述装置还包括问题显示单元，被配置成：对于每一个第一聚类中心向量，若该第一聚类中心向量与各第二聚类中心向量的距离均大于距离阈值，从上述测试样本图像集中选取属于该第一聚类中心向量所对应聚类的至少一个测试样本图像，并显示上述至少一个测试样本图像。

其中，本申请实施例提供的装置可实现图1至图2所示方法实施例的全部内容，该装置中各个单元的具体功能的实现可参考图1至图2所示实施例，此处不再赘述。

本申请的上述实施例提供的装置，通过获取测试样本图像集，而后基于目标检测模型对各测试样本图像进行目标检测，得到各测试样本图像中的目标对象的实际检测框，之后基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，对各测试样本图像的实际检测框和目标检测框进行类型划分，最后确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，从而可以基于该分布结果，对目标检测模型的模型能力进行分析，由此实现了对模型能力的自动检测。由于在模型能力检测过程中考虑了各类型实际检测框和各类型目标检测框在不同维度特征下的分布，因此能够对模型在多种特征下的检测能力进行细粒度分析，提高了模型能力检测的深度。

下面参考图4，其示出了用于实现本申请的一些实施例的电子设备的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁盘、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本申请的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本申请的一些实施例的方法中限定的上述功能。

需要说明的是，本申请的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取测试样本图像集，测试样本图像集包括各测试样本图像中目标对象的目标检测框；基于目标检测模型对各测试样本图像进行检测，得到各测试样本图像中的目标对象的实际检测框；基于各测试样本图像所对应的实际检测框与目标检测框的匹配情况，分别对各测试样本图像所对应的实际检测框和目标检测框进行类型划分；确定各类型实际检测框和各类型目标检测框在不同维度特征下的分布结果，并基于分布结果，对目标检测模型的模型能力进行分析。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++；还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)，上述网络包括局域网(LAN)或广域网(WAN)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、选取单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。