本申請涉及圖像處理，具體涉及計算機，尤其涉及一種針對圖片的模型處理方法、圖片處理方法及相關設備。

背景技術：

1、隨著圖像處理技術的不斷發(fā)展，圖像處理技術常被應用于圖像搜索、圖像識別、圖像分類、物體檢測和場景理解等場景。在現(xiàn)有的圖像處理的過程中，通常涉及到大量的數據處理，包括讀取、修改、渲染、輸出圖像數據等操作，這些操作都需要內存和/或顯存的支持，然而，目前的圖像處理效率相對較低。

技術實現(xiàn)思路

1、本申請實施例提供了一種針對圖片的模型處理方法、圖片處理方法及相關設備，可以提高圖像處理效率。

2、第一方面，本申請實施例提供了一種針對圖片的模型處理方法，包括：

3、獲取訓練數據集中目標訓練圖片的對象區(qū)域圖片，所述對象區(qū)域圖片是根據所述目標訓練圖像中的部分圖像區(qū)域確定的；

4、將所述對象區(qū)域圖片輸入待訓練特征提取模型，得到所述對象區(qū)域圖片對應的對象特征向量；

5、將所述對象特征向量輸入n個圖像處理器gpu中，并基于所述對象特征向量和各個gpu中配置的子線性矩陣，得到損失函數值，其中，每個gpu中配置的子線性矩陣是對所述待訓練特征提取模型中線性層的線性矩陣進行劃分后確定的，n為正整數；

6、根據所述損失函數值對所述待訓練特征提取模型進行訓練，得到特征提取模型，所述特征提取模型用于提取得到待處理圖片對應的對象特征。

7、第二方面，本申請實施例提供了一種圖片處理方法，包括：

8、獲取由終端設備發(fā)送的待處理圖片的對象區(qū)域圖片；

9、將所述待處理圖片的對象區(qū)域圖片輸入特征提取模型，生成所述待處理圖片的對象區(qū)域圖片對應的對象特征；

10、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征，對所述待處理圖片進行處理；

11、其中，對所述待處理圖片進行的處理包括：根據所述待處理圖片的對象區(qū)域圖片對應的對象特征發(fā)起的圖像搜索處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像分類處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像檢測處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像識別處理中的任意一個或者多個。

12、第三方面，本申請實施例提供了一種針對圖片的模型處理裝置，包括：

13、獲取單元，用于獲取訓練數據集中目標訓練圖片的對象區(qū)域圖片，所述對象區(qū)域圖片是根據所述目標訓練圖像中的部分圖像區(qū)域確定的；

14、提取單元，用于將所述對象區(qū)域圖片輸入待訓練特征提取模型，得到所述對象區(qū)域圖片對應的對象特征向量；

15、確定單元，用于將所述對象特征向量輸入n個圖像處理器gpu中，并基于所述對象特征向量和各個gpu中配置的子線性矩陣，得到損失函數值，其中，每個gpu中配置的子線性矩陣是對所述待訓練特征提取模型中線性層的線性矩陣進行劃分后確定的，n為正整數；

16、訓練單元，用于根據所述損失函數值對所述待訓練特征提取模型進行訓練，得到特征提取模型，所述特征提取模型用于提取得到待處理圖片對應的對象特征。

17、第四方面，本申請實施例提供了一種圖片處理裝置，包括：

18、獲取單元，用于獲取由終端設備發(fā)送的待處理圖片的對象區(qū)域圖片；

19、提取單元，用于將所述待處理圖片的對象區(qū)域圖片輸入特征提取模型，生成所述待處理圖片的對象區(qū)域圖片對應的對象特征；

20、處理單元，用于根據所述待處理圖片的對象區(qū)域圖片對應的對象特征，對所述待處理圖片進行處理；

21、其中，對所述待處理圖片進行的處理包括：根據所述待處理圖片的對象區(qū)域圖片對應的對象特征發(fā)起的圖像搜索處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像分類處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像檢測處理、根據所述待處理圖片的對象區(qū)域圖片對應的對象特征進行的圖像識別處理中的任意一個或者多個。

22、第五方面，本申請實施例提供了一種計算設備，包括處理器和存儲器，所述處理器和存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述處理器被配置用于調用所述計算機程序，執(zhí)行上述第一方面或第二方面所述的方法。

23、第六方面，本申請實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有程序指令，該程序指令被執(zhí)行時實現(xiàn)上述第一方面或第二方面所述的方法。

24、第六方面，本申請實施例提供了一種計算機程序產品，所述計算機程序產品包括程序指令，所述程序指令被處理器執(zhí)行時實現(xiàn)上述第一方面或第二方面所述的方法。

25、本申請實施例在將獲取的訓練數據集中目標訓練圖片的對象區(qū)域圖片輸入待訓練特征提取模型，得到該對象區(qū)域圖片對應的對象特征向量后，將該對象特征向量輸入n個gpu中，并基于對象特征向量和各個gpu中配置的子線性矩陣，在各個gpu中計算得到損失函數值，以提高計算效率。進一步的，根據并行計算得到的損失函數值對待訓練特征提取模型進行訓練，得到特征提取模型，可以提高特征提取模型的特征提取效率，進一步在利用特征提取模型對待處理圖片進行圖像處理時，提高圖像處理效率。

技術特征：

1.一種針對圖片的模型處理方法，其特征在于，包括：

2.如權利要求1所述的方法，其特征在于，所述方法還包括：

3.如權利要求1所述的方法，其特征在于，所述基于所述對象特征向量和各個gpu中配置的子線性矩陣，得到損失函數值，包括：

4.如權利要求3所述的方法，其特征在于，所述基于所述對象特征向量與所述各個gpu中配置的子線性矩陣的乘積，確定所述對象特征向量在所述各個gpu中計算得到的特征分類概率，包括：

5.如權利要求1所述的方法，其特征在于，所述獲取訓練數據集中目標訓練圖片的對象區(qū)域圖片之前，還包括：

6.如權利要求5所述的方法，其特征在于，所述通過第二聚類方式對各個目標類別圖片集進行聚類，得到每個目標類別圖片集對應的多個目標子類別圖片集，包括：

7.如權利要求1所述的方法，其特征在于，所述根據所述損失函數值對所述待訓練特征提取模型進行訓練，得到特征提取模型之后，還包括：

8.如權利要求7所述的方法，其特征在于，所述獲取點擊訓練數據集，包括：

9.如權利要求7所述的方法，其特征在于，所述使用所述點擊訓練數據集對所述特征提取模型進行訓練，得到目標特征提取模，包括：

10.如權利要求1所述的方法，其特征在于，所述將所述對象區(qū)域圖片輸入待訓練特征提取模型之前，還包括：

11.如權利要求10所述的方法，其特征在于，所述使用所述多個第一圖像塊和所述多個第二圖像塊對預設的學生模型進行訓練，得到所述待訓練特征提取模型，包括：

12.如權利要求1所述的方法，其特征在于，所述獲取訓練數據集中目標訓練圖片的對象區(qū)域圖片，包括：

13.一種圖片處理方法，其特征在于，包括：

14.一種針對圖片的模型處理裝置，其特征在于，包括：

15.一種圖片處理裝置，其特征在于，包括：

16.一種計算設備，其特征在于，包括處理器和存儲器，所述處理器和存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述處理器被配置用于調用所述計算機程序，執(zhí)行如權利要求1-13任一項所述的方法。

17.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有程序指令，該程序指令被執(zhí)行時實現(xiàn)如權利要求1-13任一項所述的方法。

18.一種計算機程序產品，其特征在于，所述計算機程序產品包括程序指令，所述程序指令被處理器執(zhí)行時實現(xiàn)權利要求1-13任一項所述方法。

技術總結
本申請公開一種針對圖片的模型處理方法、圖片處理方法及相關設備，該方法包括：獲取訓練數據集中目標訓練圖片的對象區(qū)域圖片，對象區(qū)域圖片是根據目標訓練圖像中的部分圖像區(qū)域確定的；將對象區(qū)域圖片輸入待訓練特征提取模型，得到對象區(qū)域圖片的對象特征向量；將對象特征向量輸入n個圖像處理器GPU中，基于對象特征向量和各個GPU中配置的子線性矩陣，得到損失函數值，其中，每個GPU中配置的子線性矩陣是對待訓練特征提取模型中線性層的線性矩陣進行劃分后確定的，n為正整數；根據損失函數值對待訓練特征提取模型進行訓練，得到特征提取模型，特征提取模型用于提取得到待處理圖片對應的對象特征。通過這種方式可以提高圖像處理效率。

技術研發(fā)人員：李若琦,陳誠,張道鑫,任環(huán)
受保護的技術使用者：行吟信息科技（上海）有限公司
技術研發(fā)日：
技術公布日：2025/1/6