本發(fā)明屬于深度學習圖像處理，尤其涉及一種基于深度學習的異構(gòu)融合圖片實時推理方法及裝置。

背景技術(shù)：

1、當前，深度學習技術(shù)在圖像識別和計算機視覺領(lǐng)域發(fā)展迅速，已成為主流的圖像處理方案，逐漸取代了傳統(tǒng)的人工特征工程算法。深度學習利用神經(jīng)網(wǎng)絡(luò)提取圖像高層特征，可對圖像內(nèi)容進行精確識別和理解，應(yīng)用于多個不同領(lǐng)域。但存在訓練樣本需求多、運算耗時長等缺點，在實際應(yīng)用中，對算法效率提出了更高要求。

2、傳統(tǒng)的深度學習技術(shù)為降低運算成本和提高算法效率，往往會先對高分辨圖像進行壓縮，以縮小輸入模型的圖片大小，例如將4096x3000的高清圖片壓縮為1024x1024。但該種方法會導致圖像信息丟失，對識別圖像微小差異非常不利，同時該信息的丟失很可能會造成最終的精確度驟降的情況。

3、因此，業(yè)內(nèi)亟需一種新的方案以解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于深度學習的異構(gòu)融合圖片實時推理方法及裝置，旨在解決現(xiàn)有技術(shù)中深度學習圖像處理算法效率低和圖像信息丟失的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明實施例提供一種基于深度學習的異構(gòu)融合圖片實時推理方法，包括以下步驟：

3、步驟s100：獲取原始圖像；

4、步驟s200：基于架構(gòu)平臺將所述原始圖像分割成多個子圖像，其中，所述架構(gòu)平臺預先設(shè)置且數(shù)量為多個；

5、步驟s300：基于所述子圖像對預先設(shè)置的算法模型進行初始化；

6、步驟s400：將所述子圖像裝載到對應(yīng)所述算法模型中并進行圖像推理生成處理結(jié)果；

7、步驟s500：對各個所述處理結(jié)果進行合并，生成所述原始圖像數(shù)據(jù)。

8、可選地，所述步驟s200：基于架構(gòu)平臺將所述原始圖像分割成多個子圖像，其中，所述架構(gòu)平臺預先設(shè)置且數(shù)量為多個，具體包括：

9、步驟s210：根據(jù)所述原始圖像獲取原始圖像像素；

10、步驟s220：基于所述架構(gòu)平臺對所述原始圖像像素進行計算生成分割后的所述子圖像像素；

11、步驟s230：根據(jù)所述子圖像像素對所述原始圖像進行分割生成多個所述子圖像。

12、可選地，所述步驟s220：基于所述架構(gòu)平臺對所述原始圖像像素進行計算生成分割后的所述子圖像像素，具體包括：

13、步驟s221：分別獲取多個所述架構(gòu)平臺的算力數(shù)據(jù)并生成多個所述算力數(shù)據(jù)的比值；

14、步驟s222：基于多個所述算力數(shù)據(jù)的比值對所述原始圖像像素進行計算生成分割后的所述子圖像像素。

15、可選地，所述步驟s300：基于所述子圖像對預先設(shè)置的算法模型進行初始化，具體包括：

16、步驟s310：將所述子圖像與對應(yīng)的所述架構(gòu)平臺綁定；

17、步驟s320：在多個所述架構(gòu)平臺上分別進行所述算法模型初始化。

18、可選地，所述步驟s400：將所述子圖像裝載到對應(yīng)所述算法模型中并進行圖像推理生成處理結(jié)果，具體包括：

19、步驟410：基于所述算法模型對所述子圖像進行裝載獲取子圖像數(shù)據(jù)；

20、步驟420：基于所述算法模型對所述子圖像數(shù)據(jù)進行推理獲取處理結(jié)果。

21、可選地，本發(fā)明實施例還提供一種基于深度學習的異構(gòu)融合圖片實時推理裝置，所述裝置包括：

22、圖像獲取模塊，用于獲取原始圖像；

23、圖像分割模塊，用于基于架構(gòu)平臺將所述原始圖像分割成多個子圖像，

24、其中，所述架構(gòu)平臺預先設(shè)置且數(shù)量為多個；

25、算法初始化模塊，用于基于所述子圖像對預先設(shè)置的算法模型進行初始化；

26、圖像推理模塊，用于將所述子圖像裝載到對應(yīng)所述算法模型中并進行圖像推理生成處理結(jié)果；

27、結(jié)果合并模塊，用于對各個所述處理結(jié)果進行合并，生成所述原始圖像數(shù)據(jù)。

28、可選地，本發(fā)明實施例還提供一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述一種基于深度學習的異構(gòu)融合圖片實時推理方法的步驟。

29、可選地，本發(fā)明實施例還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述一種基于深度學習的異構(gòu)融合圖片實時推理方法的步驟。

30、本發(fā)明實施例提供的一種基于深度學習的異構(gòu)融合圖片實時推理方法及裝置中的上述一個或多個技術(shù)方案至少具有如下技術(shù)效果之一：

31、本發(fā)明通過將圖像劃分成多個子圖像進行處理，減少需要處理的單個圖像大小，從而在降低模型運算強度的同時保留了圖像的高分辨率信息，有效提高了圖像推理準確率。同時，本發(fā)明還支持不同的架構(gòu)平臺的即插即用，可方便地擴充系統(tǒng)算力，避免單一平臺限制，進而提升推理速度，充分利用算力資源，同時兼顧成本與推理效果。在解決圖像信息丟失的同時保證了算法效率。

技術(shù)特征：

1.一種基于深度學習的異構(gòu)融合圖片實時推理方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于深度學習的異構(gòu)融合圖片實時推理方法，其特征在于，所述步驟s200：基于架構(gòu)平臺將所述原始圖像分割成多個子圖像，其中，所述架構(gòu)平臺預先設(shè)置且數(shù)量為多個，具體包括：

3.根據(jù)權(quán)利要求2所述的一種基于深度學習的異構(gòu)融合圖片實時推理方法，其特征在于，所述步驟s220：基于所述架構(gòu)平臺對所述原始圖像像素進行計算生成分割后的所述子圖像像素，具體包括：

4.根據(jù)權(quán)利要求1-3任意一項所述的一種基于深度學習的異構(gòu)融合圖片實時推理方法，其特征在于，所述步驟s300：基于所述子圖像對預先設(shè)置的算法模型進行初始化，具體包括：

5.根據(jù)權(quán)利要求1-3任意一項所述的一種基于深度學習的異構(gòu)融合圖片實時推理方法，其特征在于，所述步驟s400：將所述子圖像裝載到對應(yīng)所述算法模型中并進行圖像推理生成處理結(jié)果，具體包括：

6.一種基于深度學習的異構(gòu)融合圖片實時推理裝置，其特征在于，所述裝置包括：

7.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至5中任一項所述方法的步驟。

8.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至5中任一項所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明屬于深度學習圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于深度學習的異構(gòu)融合圖片實時推理方法及裝置，所述方法包括：獲取原始圖像；基于架構(gòu)平臺將所述原始圖像分割成多個子圖像，其中，所述架構(gòu)平臺預先設(shè)置且數(shù)量為多個；基于所述子圖像對預先設(shè)置的算法模型進行初始化。本發(fā)明通過將圖像劃分成多個子圖像進行處理，減少需要處理的單個圖像大小，從而在降低模型運算強度的同時保留了圖像的高分辨率信息，有效提高了圖像推理準確率。同時，本發(fā)明還支持不同的架構(gòu)平臺的即插即用，可方便地擴充系統(tǒng)算力，避免單一平臺限制，進而提升推理速度，充分利用算力資源，同時兼顧成本與推理效果。在解決圖像信息丟失的同時保證了算法效率。

技術(shù)研發(fā)人員：羅海城,許家譽,莫卓亞,劉濤
受保護的技術(shù)使用者：廣東弓葉科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10