CN111797993A

CN111797993A - 深度学习模型的评价方法、装置、电子设备及存储介质

Info

Publication number: CN111797993A
Application number: CN202010549757.1A
Authority: CN
Inventors: 苏英菲
Original assignee: Neusoft Reach Automotive Technology Shenyang Co Ltd
Current assignee: Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date: 2020-06-16
Filing date: 2020-06-16
Publication date: 2020-10-20
Anticipated expiration: 2040-06-16
Also published as: CN111797993B

Abstract

本发明公开了一种深度学习模型的评价方法、装置、电子设备及存储介质，所述方法包括：基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，以及基于所述评价指标参数对所述深度学习模型进行评价。本发明可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

Description

深度学习模型的评价方法、装置、电子设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种深度学习模型的评价方法、装置、电子设备及存储介质。

背景技术

深度学习模型训练的整体框架包括：获取样本图像，然后对样本图像进行预处理，然后将预处理后的图像输入已有模型(如，yolo模型等)中进行训练，并对训练的模型进行评价，进而基于评价结果确定继续训练或结束训练。

相关技术中采用的模型评价方式较为单一，无法实现准确的评价训练的深度学习模型，进而会影响训练出的深度学习模型的准确性。

发明内容

有鉴于此，本发明提出一种深度学习模型的评价方法、装置、电子设备及存储介质以解决上述技术问题。

为了达到上述目的，本发明所采用的技术方案为：

根据本发明实施例的第一方面，提出了一种深度学习模型的评价方法，包括：

基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；

基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；

基于所述评价指标参数对所述深度学习模型进行评价。

在一实施例中，所述基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，包括：

基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

在一实施例中，所述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，包括：

确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；

计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；

确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；

基于所述比值确定所述评价指标参数。

在一实施例中，所述基于所述比值确定所述评价指标参数，包括：

基于1与所述比值的差值确定所述评价指标参数。

获取所述预测边界框与所述实际边界框的交并比；

基于所述比值与所述交并比的乘积确定改进交并比；

基于所述改进交并比确定所述评价指标参数。

根据本发明实施例的第二方面，提出了一种深度学习模型的评价装置，包括：

顶点坐标确定模块，用于基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；

指标参数确定模块，用于基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标；

学习模型评价模块，用于基于所述评价指标参数对所述深度学习模型进行评价。

在一实施例中，所述指标参数确定模块还用于基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

在一实施例中，所述指标参数确定模块，包括：

差值确定单元，用于确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；

差值计算单元，用于计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；

比值确定单元，用于确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；

参数确定单元，用于基于所述比值确定所述评价指标参数。

在一实施例中，所述参数确定单元，还用于基于1与所述比值的差值确定所述评价指标参数。

在一实施例中，所述参数确定单元，还用于：

获取所述预测边界框与所述实际边界框的交并比；

基于所述比值与所述交并比的乘积确定改进交并比；

基于所述改进交并比确定所述评价指标参数。

根据本发明实施例的第三方面，提出了一种电子设备，所述电子设备包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

基于所述评价指标参数对所述深度学习模型进行评价。

根据本发明实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现：

基于所述评价指标参数对所述深度学习模型进行评价。

与现有技术相比较，本发明的深度学习模型的评价方法，通过基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，进而基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

附图说明

图1示出了根据本发明的一示例性实施例的深度学习模型的评价方法的流程图；

图2示出了根据本发明的又一示例性实施例的深度学习模型的评价方法的流程图；

图3A示出了根据本发明的如何基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数的示意图；

图3B示出了根据本发明的目标物体的预测边界框和实际边界框的示意图；

图4示出了根据本发明的如何基于所述比值确定所述评价指标参数的示意图；

图5示出了根据本发明的一示例性实施例的深度学习模型的评价装置的结构框图；

图6示出了根据本发明的另一示例性实施例的深度学习模型的评价装置的结构框图；

图7示出了根据本发明的一示例性实施例的电子设备的结构框图。

具体实施方式

以下将结合附图所示的具体实施例对本发明进行详细描述。但这些实施例并不限制本发明，本领域的普通技术人员根据这些实施例所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语实际、预测等来描述各种结构，但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。

图1示出了根据本发明的一示例性实施例的深度学习模型的评价方法的流程图。本实施例的方法可以应用于服务端(如，一台服务器或多台服务器组成的服务器集群等)。如图1所示，该方法包括以下步骤S101-S104：

在步骤S101中，基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标。

本实施例中，服务端可以基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标。

举例来说，当获取用于测试深度学习模型的测试图像后，可以将测试图像输入至该深度学习模型，以预测出测试图像中所述目标物体的预测边界框(如，第一BoundingBox)，进而可以获取该边界框的各个顶点坐标(即，第一顶点坐标)。

本实施例中，该深度学习模型可以为预先采用训练样本图像，并利用设定的模型训练方法进行训练的深度学习模型。值得说明的是，该设定的模型训练方法可以基于实际业务需要进行设置，本实施例对此不进行限定。

可以理解的是，上述测试图像与深度学习模型的用途相匹配。举例来说，若上述深度学习模型的用途是在自动驾驶领域实现车辆周围环境内的物体识别，则上述测试图像可以包括车辆周围环境的图像，且目标物体可以为该图像中的车辆或障碍物等物体。

在一可选的实施例中，上述测试图像可以由安装在车辆上设定位置的单目摄像头等装置进行采集。其中，该测试图像的类型可以由开发人员根据实际需要进行设置，本实施例对此不进行限定。

在步骤S102中，基于所述第一顶点坐标与第二顶点坐标确定评价指标参数。

本实施例中，当基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标后，可以基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，其中，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标。

举例来说，当获取用于测试深度学习模型的测试图像后，可以采用人工标注或自动标注等方式，在该测试图像中标注目标物体的实际边界框(如，第二Bounding Box)，进而可以获取该边界框的各个顶点坐标(即，第二顶点坐标)。

值得说明的是，上述在测试图像中标注目标物体的预测边界框的方式可以参见相关技术中的解释和说明，本实施例对具体的标注方式不进行限定。

进一步地，当确定上述第一顶点坐标与第二顶点坐标后，可以基于所述第一顶点坐标与第二顶点坐标确定评价指标参数。

在另一实施例中，上述基于所述第一顶点坐标与第二顶点坐标确定评价指标参数的方式可以参见下述图2所示实施例，在此先不进行详述。

在步骤S103中，基于所述评价指标参数对所述深度学习模型进行评价。

本实施例中，当基于所述第一顶点坐标与第二顶点坐标确定评价指标参数后，可以基于所述评价指标参数对所述深度学习模型进行评价。

举例来说，当基于所述第一顶点坐标与第二顶点坐标确定评价指标参数后，可以将该评价指标参数与设定阈值进行比较，进而可以基于得出的比较结果对所述深度学习模型进行评价。

值得说明的是，上述设定阈值的大小可以由开发人员根据实际业务需要进行设置，本实施例对此不进行限定。

在另一实施例中，上述基于所述评价指标参数对所述深度学习模型进行评价还可以参见下述图3A所示实施例，在此先不进行详述。

由上述技术方案可知，本实施例通过基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，进而基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

图2示出了根据本发明的又一示例性实施例的深度学习模型的评价方法的流程图；本实施例的方法可以应用于服务端(如，一台服务器或多台服务器组成的服务器集群等)。如图2所示，该方法包括以下步骤S201-S204：

在步骤S201中，基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标。

在步骤S202中，基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

本实施例中，当基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标后，可以基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，其中，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标。

进一步地，当确定上述第一顶点坐标与第二顶点坐标后，可以基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

在另一实施例中，上述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数的方式可以参见下述图3A所示实施例，在此先不进行详述。

在步骤S203中，基于所述评价指标参数对所述深度学习模型进行评价。

其中，步骤S201和S203的相关解释和说明可以参见上述实施例，在此不进行赘述。

由上述技术方案可知，本实施例通过基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，进而基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

图3A示出了根据本发明的如何基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数的示意图；本实施例在上述实施例的基础上以如何基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数为例进行示例性说明。如图3A所示，上述步骤S202中所述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，可以包括以下步骤S301-S304：

在步骤S301中，确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值。

本实施例中，当确定第一顶点坐标与所述第二顶点坐标后，可以确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值。

举例来说，图3B示出了根据本发明的目标物体的预测边界框和实际边界框的示意图。如图3B所示，当确定目标物体的预测边界框(即，图中所示的实线框100)和实际边界框(即，图中所示的虚线框200)后，可以获取预测边界框的各个顶点坐标D1(x_d1,y_d1)、D2(x_d2,y_d2)、D3(x_d3,y_d3)和D4(x_d4,y_d4)，以及实际边界框的各个顶点坐标G1(x_g1,y_g1)、G2(x_g2,y_g2)、G3(x_g3,y_g3)和G4(x_g4,y_g4)。

由图3B所示的内容可知，x_d1＝x_d3＝x_{d min}，x_d2＝x_d4＝x_{d max}，x_g1＝x_g3＝x_{G min}，x_g2＝x_g4＝x_{g max}；yd₁＝yd₂＝y_{d min}，y_d3＝y_d4＝y_{d max}，y_g1＝y_g2＝y_{g m}i_n，y_g3＝y_g4＝y_{g max}。

其中，x_{d min}为第一顶点的横坐标的最小值；x_{d max}为第一顶点的横坐标的最大值；x_{g min}为第二顶点的横坐标的最小值；x_{g max}为第二顶点的横坐标的最大值；y_{d min}为第一顶点的纵坐标的最小值；y_{d max}为第一顶点的纵坐标的最大值；y_{g min}为第二顶点的纵坐标的最小值；y_{g max}为第二顶点的纵坐标的最大值。

在此基础上，可以基于以下式子(1)～(4)计算出第一顶点与第二顶点的横坐标的最大值之间的第一差值diff₁、横坐标的最小值之间的第二差值diff₂、纵坐标的最大值之间的第三差值diff₃以及纵坐标的最小值之间的第四差值diff₄:

diff₁＝x_{d max}-x_{g max}； (1)

diff₂＝x_{d min}-x_{g min}； (2)

diff₃＝y_{d max}-y_{g max}； (3)

diff₄＝y_{d min}-y_{g min}； (4)

在步骤S302中，计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值。

仍参见图3B所示实施例，可以基于以下式子(5)～(6)计算第二顶点的横坐标的最大值与最小值之间的第五差值diff₅、纵坐标的最大值与最小值之间的第六差值diff₆：

diff₅＝x_{g max}-x_{g min}； (5)

diff₆＝y_{g max}-x_{g min}。 (6)

在步骤S303中，确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值。

在此基础上，可以基于以下式子(7)确定所述第一差值diff₁、所述第二差值diff₂、所述第三差值diff₃以及所述第四差值diff₄的绝对值之和与所述第五差值diff₅和所述第六差值diff₆的绝对值之和的比值β：

β＝(|diff₁|+|diff₂|+|diff₃|+|diff₄|)/(|diff₅|+|diff₆|)； (7)

在步骤S304中，基于所述比值确定所述评价指标参数。

本实施例中，当计算出上述比值β后，可以基于所述比值确定所述评价指标参数。

本实施例中，可以基于1与上述比值的差值确定所述评价指标参数。

即基于以下式子(8)计算评价指标参数α：

α＝1-β。 (8)

由此可知，0<α<1,且当实际边界框的面积大于预测边界框的面积越多时，α越接近于0；反之,当实际边界框的面积小于预测边界框的面积越多时，α越接近于1。

值得说明的是，预测边界框与实际边界框的交并比IOU的数值越大，表明当前深度学习模型的准确性越高。然而，若IOU较小的情况下(如，小于设定值0.5等)，如果预测边界框的面积大于或等于实际边界框的面积，则可以确保车辆的安全性；反之，若预测边界框小于实际边界框的面积，则可能无法确保车辆的安全性。因此，本实施例中可以通过评价指标参数α的大小对所述深度学习模型进行评价，即α越接近于0，可以判定当前深度学习模型预测的结果的安全性越低；而当α越接近于1，可以判定当前深度学习模型预测的结果的安全性越高，如此即可以提高模型评价的合理性和准确性。

在另一实施例中，上述基于所述比值确定所述评价指标参数的方式还可以参见下述图4所示实施例，在此先不进行详述。

由上述描述可知，本实施例通过确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值，并计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值，以及确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值，进而基于所述比值确定所述评价指标参数，可以实现准确地确定评价指标参数，进而可以实现后续基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

图4示出了根据本发明的如何基于所述比值确定所述评价指标参数的示意图。本实施例在上述实施例的基础上以如何基于所述比值确定所述评价指标参数为例进行示例性说明。如图4所示，上述步骤S304中所述基于所述比值确定所述评价指标参数，可以包括以下步骤S401-S403：

在步骤S401中，获取所述预测边界框与所述实际边界框的交并比。

本实施例中，当确定目标物体的预测边界框与实际边界框后，可以获取所述预测边界框与所述实际边界框的交并比。

具体地，上述预测边界框与实际边界框的交并比可以如下式(9)所示：

IOU＝(A∩B)/(A∪B) (9)

式中，IOU表示上述预测边界框与实际边界框的交并比，A表示上述预测边界框，B表示上述实际边界框。

在步骤S402中，基于所述比值与所述交并比的乘积确定改进交并比。

本实施例中，当获取所述预测边界框与所述实际边界框的交并比后，可以基于所述比值与所述交并比的乘积确定改进交并比。

具体地，上述改进交并比可以如下式(10)所示：

IOU_改＝β·IOU (10)

在步骤S403中，基于所述改进交并比确定所述评价指标参数。

可以理解的是，上述预测边界框与所述实际边界框的交并比IOU的数值越大，表明当前深度学习模型的准确性越高。然而，若IOU较小的情况下(如，小于设定值0.5等)，如果预测边界框Bounding Box的面积大于或等于实际边界框Bounding Box的面积，则可以确保车辆的安全性；反之，若预测边界框Bounding Box小于实际边界框Bounding Box的面积，则可能无法确保车辆的安全性。因此，本实施例中通过结合交并比以及比值β对所述深度学习模型进行评价，即改进的交并比IOU_改的数值越大，表明当前深度学习模型的准确性越高，所预测的结果的安全性越高；反之，则当前深度学习模型的准确性越低，所预测的结果的安全性越低。

由上述描述可知，本实施例通过获取所述预测边界框与所述实际边界框的交并比，并基于所述比值与所述交并比的乘积确定改进交并比，基于所述改进交并比确定所述评价指标参数，可以实现准确地确定评价指标参数，进而可以实现后续基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

图5示出了根据本发明的一示例性实施例的深度学习模型的评价装置的结构框图；本实施例的装置可以应用于服务端(如，一台服务器或多台服务器组成的服务器集群等)。如图5所示，该装置包括：顶点坐标确定模块110、指标参数确定模块120和学习模型评价模块130，其中：

顶点坐标确定模块110，用于基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标；

指标参数确定模块120，用于基于所述第一顶点坐标与第二顶点坐标确定评价指标参数。

其中，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标。

学习模型评价模块130，用于基于所述评价指标参数对所述深度学习模型进行评价。

由上述描述可知，本实施例通过基于深度学习模型确定测试图像中目标物体的预测边界框的第一顶点坐标，并基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，所述第二顶点坐标包括所述测试图像中所述目标物体的实际边界框的顶点坐标，进而基于所述评价指标参数对所述深度学习模型进行评价，可以丰富对当前训练的深度学习模型的评价方式，实现准确的评价深度学习模型，并可以确保训练的深度学习模型的准确性。

图6示出了根据本发明的另一示例性实施例的深度学习模型的评价装置的结构框图；本实施例的装置可以应用于服务端(如，一台服务器或多台服务器组成的服务器集群等)。其中，顶点坐标确定模块210、指标参数确定模块220和学习模型评价模块230与前述图5所示实施例中的顶点坐标确定模块110、指标参数确定模块120和学习模型评价模块130的功能相同，在此不进行赘述。

如图6所示，指标参数确定模块220还可以用于基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

在一实施例中，指标参数确定模块220，可以包括：

差值确定单元221，用于确定所述第一顶点与所述第二顶点的横坐标的最大值之间的第一差值、横坐标的最小值之间的第二差值、纵坐标的最大值之间的第三差值以及纵坐标的最小值之间的第四差值；

差值计算单元222，用于计算所述第二顶点的横坐标的最大值与最小值之间的第五差值、纵坐标的最大值与最小值之间的第六差值；

比值确定单元223，用于确定所述第一差值、所述第二差值、所述第三差值以及所述第四差值的绝对值之和与所述第五差值和所述第六差值的绝对值之和的比值；

参数确定单元224，用于基于所述比值确定所述评价指标参数。

在一实施例中，上述参数确定单元224，还可以用于基于1与所述比值的差值确定所述评价指标参数。

在另一实施例中，参数确定单元224，还可以用于：

获取所述预测边界框与所述实际边界框的交并比；

基于所述比值与所述交并比的乘积确定改进交并比；

基于所述改进交并比确定所述评价指标参数。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明深度学习模型的评价装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本发明的深度学习模型的评价装置所在电子设备的一种硬件结构图，除了图7所示的处理器、网络接口、内存以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等；从硬件结构上来讲该设备还可能是分布式的设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现以下任务处理方法：

基于所述评价指标参数对所述深度学习模型进行评价。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本发明的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种深度学习模型的评价方法，其特征在于，包括：

基于所述评价指标参数对所述深度学习模型进行评价。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一顶点坐标与第二顶点坐标确定评价指标参数，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数，包括：

基于所述比值确定所述评价指标参数。

4.根据权利要求3所述的方法，其特征在于，所述基于所述比值确定所述评价指标参数，包括：

基于1与所述比值的差值确定所述评价指标参数。

5.根据权利要求3所述的方法，其特征在于，所述基于所述比值确定所述评价指标参数，包括：

获取所述预测边界框与所述实际边界框的交并比；

基于所述比值与所述交并比的乘积确定改进交并比；

基于所述改进交并比确定所述评价指标参数。

6.一种深度学习模型的评价装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述指标参数确定模块还用于基于所述第一顶点坐标与所述第二顶点坐标的差值确定所述评价指标参数。

8.根据权利要求7所述的装置，其特征在于，所述指标参数确定模块，包括：

参数确定单元，用于基于所述比值确定所述评价指标参数。

9.根据权利要求8所述的装置，其特征在于，所述参数确定单元，还用于基于1与所述比值的差值确定所述评价指标参数。

10.根据权利要求8所述的装置，其特征在于，所述参数确定单元，还用于：

获取所述预测边界框与所述实际边界框的交并比；

基于所述比值与所述交并比的乘积确定改进交并比；

基于所述改进交并比确定所述评价指标参数。

11.一种电子设备，其特征在于，所述电子设备包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

基于所述评价指标参数对所述深度学习模型进行评价。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器处理时实现：

基于所述评价指标参数对所述深度学习模型进行评价。