本发明涉及人工智能，尤其涉及一种目标检测模型的训练方法、装置、设备、介质和产品。
背景技术：
1、安全帽是工人在施工现场的重要防护工具，但由于各种原因，很多工人选择不佩戴。因此，实时监控工人是否佩戴安全帽十分重要。由于工地环境危险复杂，采用人眼识别无法进行实时且全面的监控，近年来，随着机器视觉技术的不断发展，目标检测在此领域应用广泛，安全帽检测告警技术广泛应用于各种工作场所。
2、然而，发明人发现现有技术至少存在如下问题：目前的安全帽检测技术大多采用基于深度神经网络的双阶段检测算法，或者基于深度神经网络的单阶段检测算法。其中，双阶段检测算法计算量大，处理速度慢，不适合实时检测任务，且需要进行两个阶段的处理(物体定位和图像分类)，增加了计算开销，对硬件要求较高；而单阶段检测算法对小目标的检测效果不如双阶段检测算法，由于同时进行目标定位和分类，可能导致定位精度较低，对于高密度和重叠的目标，检测效果可能不佳。
技术实现思路
1、本发明实施例的目的是提供一种目标检测模型的训练方法、装置、设备、介质和产品，通过负样本加权来训练单阶段检测模型，有效提高模型训练精度，从而提高目标检测精度，且适用于实时检测任务。
2、为实现上述目的，本发明实施例提供了一种目标检测模型的训练方法，包括：
3、获取样本数据集；所述样本数据集包括正样本数据、负样本数据和无标注样本数据；
4、在所述样本数据集中划分得到训练数据集；
5、采用所述训练数据集进行模型训练，得到训练完成的目标检测模型；其中，在训练过程中所述负样本数据和所述无标注样本数据在损失函数中的权重为所述正样本数据的预设倍数；所述目标检测模型用于对输入的待检测数据进行处理，输出所述待检测数据中的目标框及类别。
6、作为上述方案的改进，所述正样本数据为包含满足预设位置关系的目标物品和目标参照物的图像；
7、所述负样本数据为包含满足预设位置关系的非目标物品和目标参照物的图像，或包含目标参照物且与其满足预设位置关系的区域无物品的图像；
8、所述无标注样本数据为仅包含目标物品的图像，或包含满足预设位置关系的目标物品和非目标参照物的图像。
9、作为上述方案的改进，所述负样本数据在损失函数中的权重为所述正样本数据的1.5倍；所述无标注样本数据在损失函数中的权重为所述正样本数据的1.2倍。
10、作为上述方案的改进，在得到训练完成的目标检测模型之后，所述方法还包括：
11、在所述样本数据集中划分得到测试数据集；
12、采用所述测试数据集对所述目标检测模型进行测试，计算平均精确度和交并比值；
13、根据所述平均精确度和所述交并比值评估所述目标检测模型是否满足预设的性能要求；
14、若不满足所述性能要求，则对所述目标检测模型进行重新训练，直到满足所述性能要求，得到最终的目标检测模型。
15、作为上述方案的改进，在得到训练完成的目标检测模型之后，所述方法还包括：
16、根据所述目标检测模型的输出结果，推送相应的告警信息；
17、接收用户对所述告警信息的反馈信息；其中，所述反馈信息包括指示所述告警信息为误报情况的误报反馈信息；
18、当接收到所述误报反馈信息时，将所述待检测数据作为样本数据，加入所述样本数据集，用于对所述目标检测模型进行重新训练。
19、作为上述方案的改进，所述当接收到所述误报反馈信息时，将所述待检测数据作为样本数据，加入所述样本数据集，用于对所述目标检测模型进行重新训练，包括：
20、当接收到所述误报反馈信息时，将所述待检测数据作为备选样本数据；
21、统计所述误报反馈信息的累计数量；
22、当所述累计数量达到预设阈值时，将所有所述备选样本数据进行数据增强处理和标注处理；
23、将处理后的备选样本数据作为样本数据，加入所述样本数据集，用于对所述目标检测模型进行重新训练。
24、作为上述方案的改进，所述数据增强处理包括旋转、翻转、裁剪、颜色调整和/或添加噪声。
25、作为上述方案的改进，所述目标检测模型采用efficientdet系列网络模型；在训练过程中，将所述efficientdet系列网络模型的模型参数进行调整，所述模型参数包括输出类别数、权重标准差、类别预测偏置、批大小和学习率。
26、本发明实施例提供了一种目标检测模型的训练装置，包括：
27、样本数据获取模块，用于获取样本数据集；所述样本数据集包括正样本数据、负样本数据和无标注样本数据；
28、训练数据获取模块，用于在所述样本数据集中划分得到训练数据集；
29、模型训练模块，用于采用所述训练数据集进行模型训练，得到训练完成的目标检测模型；其中，在训练过程中所述负样本数据和所述无标注样本数据在损失函数中的权重为所述正样本数据的预设倍数；所述目标检测模型用于对输入的待检测数据进行处理，输出所述待检测数据中的目标框及类别。
30、本发明实施例提供了一种目标检测模型的训练设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的目标检测模型的训练方法。
31、本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的目标检测模型的训练方法。
32、本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令被处理器执行时实现如上述任意一项所述的目标检测模型的训练方法
33、与现有技术相比，本发明公开的目标检测模型的训练方法、装置、设备、介质和产品，基于单阶段检测的模型，对训练环节的样本数据做了结构性的丰富和补充，并通过负样本加权训练的方式，这种加权策略能确保模型在训练过程中对于负样本有更高的敏感性，从而提高其在实际场景中对于目标物品和非目标物品区分的准确率。本发明能够有效提高模型训练精度，从而提高目标检测精度，明显减少误判，提高对各类目标检测场景的告警的准确度和灵敏度。且处理速度较快，相比于双阶段检测模型更适用于实时检测任务，减少了计算开销。
1.一种目标检测模型的训练方法，其特征在于，包括：
2.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述正样本数据为包含满足预设位置关系的目标物品和目标参照物的图像；
3.如权利要求2所述的目标检测模型的训练方法，其特征在于，所述负样本数据在损失函数中的权重为所述正样本数据的1.5倍；所述无标注样本数据在损失函数中的权重为所述正样本数据的1.2倍。
4.如权利要求1所述的目标检测模型的训练方法，其特征在于，在得到训练完成的目标检测模型之后，所述方法还包括：
5.如权利要求1所述的目标检测模型的训练方法，其特征在于，在得到训练完成的目标检测模型之后，所述方法还包括：
6.如权利要求5所述的目标检测模型的训练方法，其特征在于，所述当接收到所述误报反馈信息时，将所述待检测数据作为样本数据，加入所述样本数据集，用于对所述目标检测模型进行重新训练，包括：
7.如权利要求6所述的目标检测模型的训练方法，其特征在于，所述数据增强处理包括旋转、翻转、裁剪、颜色调整和/或添加噪声。
8.如权利要求1至7任一项所述的目标检测模型的训练方法，其特征在于，所述目标检测模型采用efficientdet系列网络模型；在训练过程中，将所述efficientdet系列网络模型的模型参数进行调整，所述模型参数包括输出类别数、权重标准差、类别预测偏置、批大小和学习率。
9.一种目标检测模型的训练装置，其特征在于，包括：
10.一种目标检测模型的训练设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的目标检测模型的训练方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至9中任意一项所述的目标检测模型的训练方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令被处理器执行时实现如权利要求1至9中任意一项所述的目标检测模型的训练方法。
