CN111897639A - 图像增广方法、装置、计算机设备及存储介质 - Google Patents
图像增广方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111897639A CN111897639A CN202010744544.4A CN202010744544A CN111897639A CN 111897639 A CN111897639 A CN 111897639A CN 202010744544 A CN202010744544 A CN 202010744544A CN 111897639 A CN111897639 A CN 111897639A
- Authority
- CN
- China
- Prior art keywords
- gpu
- image
- augmentation
- task
- augmented
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例公开了一种图像增广方法、装置、计算机设备及存储介质。该方法属于人工智能技术领域,该方法包括:接收图像增广请求;判断图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;若是,从样本库中获取样本图像,并分发给预设的CPU;将CPU发送的中间处理数据储存到中间数据集合中;从中间数据集合中获取中间处理数据,并分发给GPU;将GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将增广数据集合发送给模型训练服务器。本发明实施例由于可实现将图像增广请求中的GPU增广任务分配给GPU处理,将GPU无法处理的非GPU增广任务交给CPU处理,从而使得图像增广服务器既具有很强的适用性,又能够最大程度提高运算的效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种图像增广方法、装置、计算机设备及存储介质。
背景技术
图像增广(image augmentation)是指通过对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模。图像增广是目前人工智能模型训练的一个重要环节,通过对样本图像的各种增广,可以显著提升最终的产品精度并有效提升其在不同业务场景下的泛化能力。
目前,图像增广可通过CPU(Central Processing Unit/Processor,中央处理器)或者GPU(Graphics Processing Unit,图像处理器)计算实现。CPU能够处理绝大多数的图像增广任务,而其缺点在于处理速度较慢。GPU的处理速度较快,然而其只能处理少部分的图像增广任务,适用性较差。
发明内容
本发明实施例提供了一种图像增广方法、装置、计算机设备及存储介质,旨在解决现有技术中,CPU图像增广速度慢以及GUP图像增广适用性差的问题。
第一方面,本发明实施例提供了一种图像增广方法,其包括:
接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
第二方面,本发明实施例还提供了一种图像增广装置,其包括:
接收单元,用于接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
第一判断单元,用于判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
第一分发单元,用于若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
第一存储单元,用于将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
第二分发单元,用于从所述数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
第一发送单元,用于将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种图像增广方法、装置、计算机设备及存储介质。其中,所述方法包括:接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。本发明实施例由于可实现将图像增广请求中的GPU增广任务分配给GPU处理,将GPU无法处理的非GPU增广任务交给CPU处理,从而使得图像增广服务器既具有很强的适用性,又能够最大程度提高运算的效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的一种图像增广方法的应用场景示意图;
图2为本发明实施例提供的一种图像增广方法的流程示意图;
图3为本发明实施例提供的一种图像增广方法的子流程示意图;
图4为本发明实施例提供的一种图像增广方法的子流程示意图;
图5为本发明实施例提供的一种图像增广方法的子流程示意图;
图6为本发明另一实施例提供的一种图像增广方法的流程示意图;
图7为本发明实施例提供的一种图像增广装置的示意性框图;
图8为本发明实施例提供的一种图像增广装置的第一发送单元的示意性框图;
图9为本发明实施例提供的一种图像增广装置的第一分发单元的示意性框图;
图10为本发明实施例提供的一种图像增广装置的第二分发单元的示意性框图;
图11为本发明另一实施例提供的一种图像增广装置的示意性框图;
图12为本发明实施例提供的一种计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”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,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明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]”。
请参阅图1和图2,图1为本发明实施例提供的一种图像增广方法的应用场景示意图。图2为本发明实施例提供的图像增广方法的示意性流程图。该图像增广方法应用于图像增广服务器1中,图像增广服务器1响应模型训练服务器2发送的图像增广请求而处理图像增广任务。
图2是本发明实施例提供的一种图像增广方法的流程示意图。如图所示,该方法包括以下步骤S1-S6。
S1,接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务。
具体实施中,模型训练服务器是指执行模型训练任务的服务器。本发明实施例中,将模型训练任务与图像增广任务部署在不同的服务器上执行。
图像增广服务器接收模型训练服务器发送的图像增广请求。图像增广服务器是指执行图像增广任务的服务器。图像增广请求中包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务。图像增广任务可例如为对图像进行翻转、剪裁、改变颜色(调节亮度、对比度、饱和度和色调)叠加、组合等任务。目前,图像增广任务均可由CPU处理;而只有少部分图像增广任务可由GPU处理(例如缩放以及剪裁)。本发明实施例中,将可由GPU处理的图像增广任务定义为GPU增广任务。将不能由GPU处理的图像增广任务定义为非GPU增广任务。
进一步需要说明的是,图像增广请求中包含样本图像的存储位置以及图像增广的参数设定。例如,图像增广适用的概率,可在0.0-1.0之间选择。增广的可配置参数(例如亮度对比度增广(Brightness Contrast)中的brightness=[0.8,1.2],表示亮度值会在每次增广中,动态在0.8-1.2之间随机)
S2,判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务。
具体实施中,判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务。需要说明的是,GPU增广任务以及非GPU增广任务是由用户根据GPU的处理能力预先设定的。
S3,若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务。
具体实施中,如果所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务。
图像增广请求中给出了样本库的存储位置,图像增广服务器可从该存储位置获取样本库。
参见图3,在一实施例中,所述CPU包括多个CPU执行线程,CPU执行线程的数量根据CPU的核数确定。在本实施例中,以上步骤S3具体包括如下步骤:S31-S32。
S31,获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程。
具体实施中,获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程。
需要说明的,CPU执行线程得到任务后,会将自己标志为工作状态,并读取对应的样本图像,并对样本图像进行增广处理。任务处理完成后,将自己标志为空闲状态。
S32,向所述目标CPU执行线程分配样本图像。
具体实施中,图像增广服务器向所述目标CPU执行线程分配样本图像。即实时向所有处于空闲状态的CPU执行线程分配样本图像,可有效提高处理效率。
S4,将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的。
具体实施中,CPU对所述样本图像执行所述非GPU增广任务后得到将得到中间处理数据。将中间处理数据储存到预设的中间数据集合中。中间数据集合中的中间处理数据还需由GPU进一步进行图像增广处理。
S5,从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务。
具体实施中,图像增广服务器从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU。由所述GPU对所述中间处理数据执行所述GPU增广任务。
参见图4,在一实施例中,所述GPU包括多个GPU执行线程,GPU执行线程的数量根据GPU的核数确定。以上步骤S5具体包括如下步骤:S41-S42。
S41,获取所述GPU中处于空闲状态的GPU执行线程作为目标GPU执行线程。
具体实施中,获取所述GPU中处于空闲状态的GPU执行线程作为目标GPU执行线程。
需要说明的,GPU执行线程得到任务后,会将自己标志为工作状态,并读取对应的中间处理数据,并对中间处理数据进一步进行增广处理。任务处理完成后,GPU将自己标志为空闲状态。
S42,向所述目标GPU执行线程分配中间处理数据。
具体实施中,图像增广服务器向所述目标GPU执行线程分配中间处理数据。即实时向所有处于空闲状态的CPU执行线程分配中间处理数据,可有效提高处理效率。
S6,将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
具体实施中,GPU对所述中间处理数据执行所述GPU增广任务后得到第一增广图像数据。第一增广图像数据是图像增广服务器对样本图片执行完图像增广任务集合中的所有图像增广任务后得到的。图像增广服务器将增广数据集合发送给模型训练服务器,以由模型训练服务器使用增广数据集合中的第一增广图像数据训练模型。
参见图5,在一实施例中,以上步骤S6具体包括如下步骤:S51-S53。
S51,判断模型训练服务器是否部署在本地。
具体实施中,判断模型训练服务器是否部署在本地。即,判断模型训练服务器是否与图像增广服务器步骤在同一局域网内。
S52,若模型训练服务器部署在本地,通过共享内存的方式将所述增广数据集合发送给模型训练服务器。
具体实施中,若模型训练服务器部署在本地,则通过共享内存的方式将所述增广数据集合发送给模型训练服务器。
共享内存是Unix下的多进程之间的通信方法,这种方法通常用于一个程序的多进程间通信,实际上多个程序间也可以通过共享内存来传递信息。
S53,若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。
具体实施中,若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。RPC(Remote Procedure Call Protocol,远程过程调用协议)是一种通过网络从远程计算机程序上请求服务,而不需要了解底层网络技术的协议。HTTP(Hyper Text Transfer Protocol,超文本传输协议)是因特网上应用最为广泛的一种网络传输协议,其基于TCP/IP通信协议来传递数据。
通过应用本实施例的技术方案,可实现将图像增广请求中的GPU增广任务分配给GPU处理,将GPU无法处理的非GPU增广任务交给CPU处理,从而使得图像增广服务器既具有很强的适用性,又能够最大程度提高运算的效率。同时,将数据增广与模型训练分别在不同的服务器上处理,二者互不干扰,即保持了各自的运算性能,又极大的提高了可扩展性。进一步地,统一了CPU图像增广以及GPU图像增广,为用户提供了使用上的便利性。
图6是本发明另一实施例提供的一种图像增广方法的流程示意图。如图6所示,本实施例的图像增广方法包括步骤S61-S611。其中步骤S61-S66与上述实施例中的步骤S1-S6类似,在此不再赘述。下面详细说明本实施例中所增加的步骤S67-S611。
S67,若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务。
具体实施中,若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务。若不是同时包含GPU增广任务以及非GPU增广任务,则只能为全部都是GPU增广任务,或者全部都是非GPU增广任务。
S68,若所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务。
具体实施中,如果所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务。
图像增广请求中给出了样本库的存储位置,图像增广服务器可从该存储位置获取样本库。在图像增广任务集合中只包含非GPU增广任务时,所有的非GPU增广任务均需要由CPU执行。
S69,将所述CPU发送的第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第二增广图像数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的。
具体实施中,由于图像增广任务集合中只包含非GPU增广任务,因此CPU对所述样本图像执行完所有的非GPU增广任务后即得到第二增广图像数据。第二增广图像数据即为样本图像的最终处理结果。
图像增广服务器将第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器。
增广数据集合具体地发送方式在上述实施例提供的步骤S51-S53中有详细描述,在此不再赘述。
S610,若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务。
具体实施中,若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务。
图像增广请求中给出了样本库的存储位置,图像增广服务器可从该存储位置获取样本库。在图像增广任务集合中只包含GPU增广任务时,所有的GPU增广任务均可由GPU执行,以提高运算速率。
S611,将所述GPU发送的第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第三增广图像数据是所述GPU对所述样本图像执行所述GPU增广任务后得到的。
具体实施中,由于图像增广任务集合中只包含GPU增广任务,因此GPU对所述样本图像执行完所有的GPU增广任务后即得到第三增广图像数据。第三增广图像数据即为样本图像的最终处理结果。
图像增广服务器将第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器。
增广数据集合具体地发送方式在上述实施例提供的步骤S51-S53中有详细描述,在此不再赘述。
图7是本发明实施例提供的一种图像增广装置60的示意性框图。如图7所示,对应于以上图像增广方法,本发明还提供一种图像增广装置60。该图像增广装置60包括用于执行上述图像增广方法的单元,该图像增广装置60可以被配置于服务器中。具体地,请参阅图7,该图像增广装置60包括接收单元61、第一判断单元62、第一分发单元63、第一存储单元64、第二分发单元65以及第一发送单元66。
接收单元61,用于接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
第一判断单元62,用于判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
第一分发单元63,用于若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
第一存储单元64,用于将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
第二分发单元65,用于从所述数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
第一发送单元66,用于将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
在一实施例中,如图8所示,所述第一发送单元66包括第二判断单元661、第二发送单元662以及第三发送单元663。
第二判断单元661,用于判断模型训练服务器是否部署在本地。
第二发送单元662,用于若模型训练服务器部署在本地,通过共享内存的方式将所述增广数据集合发送给模型训练服务器。
第三发送单元663,用于若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。
在一实施例中,所述CPU包括多个CPU执行线程,如图9所示,所述第一分发单元63包括第一获取单元631以及第一分配单元632。
第一获取单元631,用于获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程;
第一分配单元632,用于向所述目标CPU执行线程分配样本图像。
在一实施例中,所述GPU包括多个GPU执行线程,如图10所示,所述第二分发单元65包括第二获取单元651以及第二分配单元652。
第二获取单元651,用于获取所述GPU中处于空闲状态的CPU执行线程作为目标CPU执行线程;
第二分配单元652,用于向所述目标GPU执行线程分配中间处理数据。
图11是本发明另一实施例提供的一种图像增广装置60的示意性框图。如图11所示,本实施例的图像增广装置60是上述实施例的基础上增加了第三判断单元67、第三分发单元68、第四发送单元69、第四分发单元610以及第五发送单元611。
第三判断单元67,用于若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务。
第三分发单元68,用于若所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务。
第四发送单元69,用于将所述CPU发送的第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第二增广图像数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的。
第四分发单元610,用于若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务。
第五发送单元611,用于将所述GPU发送的第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第三增广图像数据是所述GPU对所述样本图像执行所述GPU增广任务后得到的。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述图像增广装置60和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述图像增广装置60可以实现为一种计算机程序的形式,该计算机程序可以在如图12所示的计算机设备上运行。
请参阅图12,图12是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图12,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种图像增广方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种图像增广方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
在一实施例中,处理器502在实现所述将所述增广数据集合发送给模型训练服务器步骤时,具体实现如下步骤:
判断模型训练服务器是否部署在本地;
若模型训练服务器部署在本地,通过共享内存的方式将所述增广数据集合发送给模型训练服务器;
若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。
在一实施例中,所述CPU包括多个CPU执行线程,处理器502在实现所述将所述样本图像分发给预设的CPU步骤时,具体实现如下步骤:
获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程;
向所述目标CPU执行线程分配样本图像。
在一实施例中,所述GPU包括多个GPU执行线程,处理器502在实现所述将中间处理数据分发给预设的GPU步骤时,具体实现如下步骤:
获取所述GPU中处于空闲状态的GPU执行线程作为目标GPU执行线程;
向所述目标GPU执行线程分配中间处理数据。
在一实施例中,处理器502还实现如下步骤:
若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务;
若所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第二增广图像数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务;
将所述GPU发送的第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第三增广图像数据是所述GPU对所述样本图像执行所述GPU增广任务后得到的。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤:
接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述增广数据集合发送给模型训练服务器步骤时,具体实现如下步骤:
判断模型训练服务器是否部署在本地;
若模型训练服务器部署在本地,通过共享内存的方式将所述增广数据集合发送给模型训练服务器;
若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。
在一实施例中,所述CPU包括多个CPU执行线程,所述处理器在执行所述计算机程序而实现所述将所述样本图像分发给预设的CPU步骤时,具体实现如下步骤:
获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程;
向所述目标CPU执行线程分配样本图像。
在一实施例中,所述GPU包括多个GPU执行线程,所述处理器在执行所述计算机程序而实现所述将中间处理数据分发给预设的GPU步骤时,具体实现如下步骤:
获取所述GPU中处于空闲状态的GPU执行线程作为目标GPU执行线程;
向所述目标GPU执行线程分配中间处理数据。
在一实施例中,所述处理器在执行所述计算机程序还实现如下步骤:
若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务;
若所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第二增广图像数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务;
将所述GPU发送的第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第三增广图像数据是所述GPU对所述样本图像执行所述GPU增广任务后得到的。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元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,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
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细描述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图像增广方法,其特征在于,包括:
接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
从所述中间数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
2.根据权利要求1所述的图像增广方法,其特征在于,所述方法还包括:
若所述图像增广任务集合中不是同时包含GPU增广任务以及非GPU增广任务,判断所述图像增广任务集合中是否只包含非GPU增广任务;
若所述图像增广任务集合中只包含非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
将所述CPU发送的第二增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第二增广图像数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的。
3.根据权利要求2所述的图像增广方法,其特征在于,所述方法还包括:
若所述图像增广任务集合中只包含GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的GPU,以由所述GPU对所述样本图像执行所述GPU增广任务;
将所述GPU发送的第三增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第三增广图像数据是所述GPU对所述样本图像执行所述GPU增广任务后得到的。
4.根据权利要求1-3任一项所述的图像增广方法,其特征在于,所述将所述增广数据集合发送给模型训练服务器,包括:
判断模型训练服务器是否部署在本地;
若模型训练服务器部署在本地,通过共享内存的方式将所述增广数据集合发送给模型训练服务器。
5.根据权利要求4所述的图像增广方法,其特征在于,所述将所述增广数据集合发送给模型训练服务器,还包括:
若模型训练服务器不是部署在本地,通过RPC传输或者HTTP传输的方式将所述增广数据集合发送给模型训练服务器。
6.根据权利要求1所述的图像增广方法,其特征在于,所述CPU包括多个CPU执行线程,所述将所述样本图像分发给预设的CPU,包括:
获取所述CPU中处于空闲状态的CPU执行线程作为目标CPU执行线程;
向所述目标CPU执行线程分配样本图像。
7.根据权利要求1所述的图像增广方法,其特征在于,所述GPU包括多个GPU执行线程,所述将中间处理数据分发给预设的GPU,包括:
获取所述GPU中处于空闲状态的GPU执行线程作为目标GPU执行线程;
向所述目标GPU执行线程分配中间处理数据。
8.一种图像增广装置,其特征在于,包括:
接收单元,用于接收模型训练服务器发送的图像增广请求,所述图像增广请求包含图像增广任务集合,所述图像增广任务集合包含至少一个图像增广任务;
第一判断单元,用于判断所述图像增广任务集合中是否同时包含GPU增广任务以及非GPU增广任务;
第一分发单元,用于若所述图像增广任务集合中同时包含GPU增广任务以及非GPU增广任务,从预设的样本库中获取样本图像,并将所述样本图像分发给预设的CPU,以由所述CPU对所述样本图像执行所述非GPU增广任务;
第一存储单元,用于将所述CPU发送的中间处理数据储存到预设的中间数据集合中,所述中间处理数据是所述CPU对所述样本图像执行所述非GPU增广任务后得到的;
第二分发单元,用于从所述数据集合中获取中间处理数据,并将中间处理数据分发给预设的GPU,以由所述GPU对所述中间处理数据执行所述GPU增广任务;
第一发送单元,用于将所述GPU发送的第一增广图像数据储存到预设的增广数据集合中,并将所述增广数据集合发送给模型训练服务器,所述第一增广图像数据是所述GPU对所述中间处理数据执行所述GPU增广任务后得到的。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744544.4A CN111897639B (zh) | 2020-07-29 | 2020-07-29 | 图像增广方法、装置、计算机设备及存储介质 |
PCT/CN2020/111789 WO2021139177A1 (zh) | 2020-07-29 | 2020-08-27 | 图像增广方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010744544.4A CN111897639B (zh) | 2020-07-29 | 2020-07-29 | 图像增广方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897639A true CN111897639A (zh) | 2020-11-06 |
CN111897639B CN111897639B (zh) | 2022-12-27 |
Family
ID=73182520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010744544.4A Active CN111897639B (zh) | 2020-07-29 | 2020-07-29 | 图像增广方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111897639B (zh) |
WO (1) | WO2021139177A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506483A (zh) * | 2020-12-04 | 2021-03-16 | 北京五八信息技术有限公司 | 数据增广方法、装置、电子设备及存储介质 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105900064A (zh) * | 2014-11-19 | 2016-08-24 | 华为技术有限公司 | 调度数据流任务的方法和装置 |
CN106296616A (zh) * | 2016-08-18 | 2017-01-04 | 中国航空工业集团公司洛阳电光设备研究所 | 一种红外图像细节增强方法和一种红外图像细节增强装置 |
CN107135257A (zh) * | 2017-04-28 | 2017-09-05 | 东方网力科技股份有限公司 | 一种节点集群中任务分配的方法、节点和*** |
CN108710897A (zh) * | 2018-04-24 | 2018-10-26 | 江苏科海智能***有限公司 | 一种基于ssd-t的远端在线通用目标检测*** |
CN110489223A (zh) * | 2019-08-26 | 2019-11-22 | 北京邮电大学 | 一种异构集群中任务调度方法、装置及电子设备 |
CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技(深圳)有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10228972B2 (en) * | 2017-06-22 | 2019-03-12 | Banuba Limited | Computer systems and computer-implemented methods for dynamically adaptive distribution of workload between central processing unit(s) and graphics processing unit(s) |
CN107688495B (zh) * | 2017-06-22 | 2020-11-03 | 平安科技(深圳)有限公司 | 调度处理器的方法及设备 |
CN108921070B (zh) * | 2018-06-22 | 2021-06-22 | 北京旷视科技有限公司 | 图像处理方法、模型训练方法及对应装置 |
CN109886859B (zh) * | 2019-01-30 | 2023-06-13 | 上海赜睿信息科技有限公司 | 数据处理方法、***、电子设备和计算机可读存储介质 |
CN109933429A (zh) * | 2019-03-05 | 2019-06-25 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN110992241A (zh) * | 2019-11-21 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 异构嵌入式***及其加速神经网络目标检测的方法 |
-
2020
- 2020-07-29 CN CN202010744544.4A patent/CN111897639B/zh active Active
- 2020-08-27 WO PCT/CN2020/111789 patent/WO2021139177A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105900064A (zh) * | 2014-11-19 | 2016-08-24 | 华为技术有限公司 | 调度数据流任务的方法和装置 |
CN106296616A (zh) * | 2016-08-18 | 2017-01-04 | 中国航空工业集团公司洛阳电光设备研究所 | 一种红外图像细节增强方法和一种红外图像细节增强装置 |
CN107135257A (zh) * | 2017-04-28 | 2017-09-05 | 东方网力科技股份有限公司 | 一种节点集群中任务分配的方法、节点和*** |
CN108710897A (zh) * | 2018-04-24 | 2018-10-26 | 江苏科海智能***有限公司 | 一种基于ssd-t的远端在线通用目标检测*** |
CN110489223A (zh) * | 2019-08-26 | 2019-11-22 | 北京邮电大学 | 一种异构集群中任务调度方法、装置及电子设备 |
CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技(深圳)有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN112506483B (zh) * | 2020-12-04 | 2024-04-05 | 北京五八信息技术有限公司 | 数据增广方法、装置、电子设备及存储介质 |
CN112506483A (zh) * | 2020-12-04 | 2021-03-16 | 北京五八信息技术有限公司 | 数据增广方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111897639B (zh) | 2022-12-27 |
WO2021139177A1 (zh) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897639B (zh) | 图像增广方法、装置、计算机设备及存储介质 | |
CN112784989B (zh) | 推理***、推理方法、电子设备及计算机存储介质 | |
US10922868B2 (en) | Split frame rendering | |
CN111629212B (zh) | 一种对视频进行转码的方法和装置 | |
CN110399231B (zh) | 基于跨平台的数据处理方法、装置及计算机设备 | |
WO2016066147A2 (zh) | 一种用于处理图像的方法与设备 | |
US20170048414A1 (en) | Protocol for communications between platforms and image devices | |
CN116382880B (zh) | 任务执行方法、装置、处理器、电子设备及存储介质 | |
CN109445760B (zh) | 图像渲染方法和*** | |
CN110189252B (zh) | 生成平均脸图像的方法和装置 | |
CN111629211B (zh) | 一种对视频进行转码的方法和装置 | |
CN113536168A (zh) | 组件处理方法及设备 | |
CN112882826B (zh) | 一种资源协同调度方法以及装置 | |
CN116402673A (zh) | 数据处理方法、***、计算设备和存储介质 | |
US20230205608A1 (en) | Hardware supported split barrier | |
WO2022133954A1 (zh) | 图像渲染方法、装置和***、计算机可读存储介质 | |
CN115334134A (zh) | 数据处理方法及*** | |
CN111724262B (zh) | 一种应用服务器后续包查询***及其工作方法 | |
CN112615928B (zh) | 数据的处理方法、设备以及存储介质 | |
CN113157415A (zh) | 农场渲染方法、装置、电子设备和存储介质 | |
CN111179399A (zh) | 一种图像渲染方法、装置、***及存储介质 | |
CN113934491B (zh) | 一种大数据处理方法及装置 | |
JP2019219968A (ja) | 画像加工装置、画像加工方法および画像加工プログラム | |
CN109639976B (zh) | 焦点确定方法和装置 | |
CN117522753A (zh) | 图像处理方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |