CN118194240B - 目标检测大模型微调方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了目标检测大模型微调方法、装置、电子设备及存储介质。该方法包括获取目标检测数据集；确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。本技术方案，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

Description

目标检测大模型微调方法、装置、电子设备及存储介质

技术领域

本发明涉及目标检测技术领域，尤其涉及目标检测大模型微调方法、装置、电子设备及存储介质。

背景技术

目标检测分为开集目标检测和闭集目标检测，闭集目标检测模型的主要任务是对已知类别进行精确的分类和定位，同时需要区分处理类别间的细微差异，模型的识别范围仅限于训练类别；开集目标检测在闭集目标检测器的网络结构之外，额外增加了文本学习分支，相当于额外学习了文本和检测框之间的相关性，以及文本之间的相关性，所以模型的识别范围同时也包括未知的类别，模型泛化能力强。因此开集目标检测网络相较闭集目标检测网络参数也更多。

从零开始训练更新全部的模型参数则会非常耗时，以及需要庞大的训练资源。预训练模型可以提供强大的初始化权重，而微调则可以使模型更好地适应特定任务的数据分布和需求。近些年来，大模型微调技术兴起。大模型微调技术包括Adapter Tuning、prompttuning、LoRA等。

Adapter Tuning 增加了模型层数，引入了额外的推理延迟；prompt tuning 很容易导致旧知识遗忘；LoRA通过优化适应过程中密集层变化的秩分解矩阵，来间接训练神经网络中的一些密集层，同时保持预先训练的权重不变，但是很难平衡训练的层数以得到行业精通的模型。

发明内容

本发明提供了目标检测大模型微调方法、装置、电子设备及存储介质，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

根据本发明的一方面，提供了目标检测大模型微调方法，该方法包括：

获取目标检测数据集；

确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；

根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；

将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。

根据本发明的另一方面，提供了目标检测大模型微调装置，该装置包括：

目标检测数据集获取单元，用于获取目标检测数据集；

模型确定单元，用于确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；

模型训练单元，用于根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；

微调模型得到单元，用于将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的目标检测大模型微调方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的目标检测大模型微调方法。

本发明实施例的技术方案，通过获取目标检测数据集，确定第一模型和第二模型，然后根据目标检测数据集对第二模型进行训练，得到训练后的第二模型，将训练后的第二模型与第一模型进行参数融合，得到微调模型。本技术方案，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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是根据本发明实施例一提供的目标检测大模型微调方法的流程图；

图2为本发明实施例二提供的目标检测大模型微调过程的流程图；

图3是本申请实施例二提供的参数平衡的示意图；

图4是本申请实施例二提供的模型训练过程的示意图；

图5为本发明实施例三提供的目标检测大模型微调过程的示意图；

图6是根据本发明实施例四提供的目标检测大模型微调装置的结构示意图；

图7是实现本发明实施例的目标检测大模型微调方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据本发明实施例一提供的目标检测大模型微调方法的流程图，本实施例可适用于对目标领域内的模型进行持续微调的情况，该方法可以由目标检测大模型微调装置来执行，该目标检测大模型微调装置可以采用硬件和/或软件的形式实现，该目标检测大模型微调装置可配置于设备中。例如，设备可以是后台服务器等具有通信和计算能力的设备。如图1所示，该方法包括：

S110、获取目标检测数据集。

在本方案中，目标检测数据集可以是指目标领域内各数据构建的数据集。目标领域可以是指具有特定类别的行业领域。例如，目标领域可以是电力行业、消防行业、林业行业等，相应的目标检测数据集可以是电力行业输电线路的缺陷巡检数据集、消防行业的烟雾火源识别数据集以及林业行业的枯死木、火源等识别数据集。

其中，可以采用数据采集技术获取目标检测数据集。

在本实施例中，在获取到目标检测数据集后，可以依次将目标检测数据集进行标号。例如，目标检测数据集1、目标检测数据集2、目标检测数据集3等。

可选的，获取目标检测数据集，包括：

获取目标领域内的文本数据和图像数据；

根据所述文本数据和图像数据，构建目标检测数据集。

在本实施例中，可以实时获取目标领域内的文本数据和图像数据，也可以从数据库中获取目标领域内的文本数据和图像数据。

进一步的，在获取到目标领域内的文本数据和图像数据后，可以将文本数据和图像数据进行整合和合并，构建目标检测数据集。例如，可以采用数据融合技术基于文本数据和图像数据，构建目标检测数据集。

通过构建目标检测数据集，能够基于目标检测数据集构建微调模型，从而得到目标领域精通的模型。

S120、确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定。

其中，视觉语言模型（VLM）是一种多模态模型，旨在同时理解和生成自然语言文本和图像信息。

具体的，可以基于视觉语言模型中的GroundingDINO预训练模型构建第一模型和第二模型。其中，GroundingDINO预训练模型是一种开放世界目标检测方法，可以根据文字描述检测指定目标。

S130、根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型。

在本方案中，可以将目标检测数据集输入到第二模型中，对第二模型中的参数进行训练，从而得到训练后的第二模型。

具体的，可以基于目标检测数据集控制第二模型执行目标检测任务，并依据目标检测任务对第二模型的参数进行优化，得到训练后的第二模型。

S140、将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。

具体的，可以将训练后的第二模型中的所有参数与第二模型中的所有参数进行融合，得到新的参数，并基于新的参数构建微调模型。

可选的，在得到微调模型之后，所述方法还包括：

确定所述微调模型使用的训练样本数据；

基于所述训练样本数据控制所述微调模型执行目标检测任务；

依据所述目标检测任务，对所述微调模型进行调整，得到训练更新后的微调模型，并基于所述训练更新后的微调模型进行目标检测。

在本方案中，训练样本数据可以是目标领域内的各数据构建的数据集。

其中，目标检测任务用于对训练样本数据中的目标进行检测和识别。

在本实施例中，对微调模型进行训练时，通过引入目标检测任务，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

具体的，可以通过确定目标检测任务对应的损失函数，依据损失函数对微调模型中的网络参数进行调整，从而得到训练更新后的微调模型。在得到训练更新后的微调模型后，可以基于训练更新后的微调模型对目标检测数据集中的目标进行检测和识别。

通过对微调模型进行训练，能够得到目标领域精通的模型，从而能够提高目标检测的精度。

本发明实施例的技术方案，通过获取目标检测数据集，确定第一模型和第二模型，然后根据目标检测数据集对第二模型进行训练，得到训练后的第二模型，将训练后的第二模型与第一模型进行参数融合，得到微调模型。通过执行本技术方案，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

实施例二

图2为本发明实施例二提供的目标检测大模型微调过程的流程图，本实施例与上述实施例之间的关系是第一模型和第二模型确定过程的详细描述。如图2所示，该方法包括：

S210、获取目标检测数据集。

S220、若目标检测数据集为目标领域内的首个数据集，则确定第一模型为视觉语言模型。

在本方案中，当获取到目标领域内的首个数据集后，将视觉语言模型中的GroundingDINO预训练模型作为第一模型。即获取到目标检测数据集1时，将视觉语言模型中的GroundingDINO预训练模型作为第一模型。

S230、若目标检测数据集为目标领域内的非首个数据集，则确定第一模型为微调模型。

在本实施例中，当目标检测数据集为目标领域内的非首个数据集，可以将微调模型作为第一模型，从而持续提升第一模型的识别能力和泛化性。即有了新的目标检测任务，获取到目标领域内新的数据集后，重新调整第一模型。例如，获取到目标检测数据集2或者目标检测数据集3时，依次将构建好的微调模型作为第一模型。

S240、确定视觉语言模型中的动态参数。

在本方案中，视觉语言模型中的GroundingDINO预训练模型其模型结构包括四个模块，分别是a.图像主干网络、b.文本主干网络、c.transformer encoder特征增强模块、d.transformer decoder特征解码模块。

在本实施例中，由于GroundingDINO预训练模型参数量巨大，可以将GroundingDINO预训练模型中的大部分参数冻结，只开放一小部分参数参与训练。即可以将GroundingDINO预训练模型中的一个或者多个模块中的参数作为动态参数参与训练。例如，可以将GroundingDINO预训练模型中d模块的参数作为动态参数。

可选的，确定视觉语言模型中的动态参数，包括：

根据所述目标检测数据集的识别精度，确定视觉语言模型中的动态参数。

在本方案中，可以利用GroundingDINO预训练模型对目标检测数据集进行识别，得到识别精度。然后分别将GroundingDINO预训练模型中四个模块的参数依次作为动态参数对目标检测数据集进行识别，得到识别精度。并通过比较各个识别精度，确定视觉语言模型中的动态参数。

优选的，可以将d模块的参数作为动态参数，即将transformer decoder特征解码部分的参数作为动态参数。由于数据集数据量少，仅需要d模块的少量参数去拟合数据集就能取得良好的精度，同时保留了其余三个模块经过大量数据学习到的海量预训练参数。这样既获得了数据集的识别能力，也不会产生灾难性的知识遗忘。

在本实施例中，图3是本申请实施例二提供的参数平衡的示意图，如图3所示，测试数据集的精度代表GroundingDINO预训练模型的识别精度，林业数据集的精度代表确定动态参数后GroundingDINO预训练模型的识别精度。可以看到仅将d模块的参数作为动态参数训练效果最平衡。

通过确定视觉语言模型中的动态参数，基于视觉语言模型中的动态参数构建的第二模型，既保留了原有模型的识别能力，同时获得了行业领域的识别能力。

S250、根据所述视觉语言模型中的动态参数，构建第二模型。

在本实施例中，可以将包含动态参数的GroundingDINO预训练模型作为第二模型，即冻结GroundingDINO预训练模型中的大部分参数，只开放一部分参数作为动态参数参与训练，构建第二模型。

S260、根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型。

在本方案中，图4是本申请实施例二提供的模型训练过程的示意图，如图4所示，将文本数据和图像数据构建的目标检测数据集依次输入到第二模型中进行训练，从而得到训练后的第二模型。

S270、将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。

本发明实施例的技术方案，通过获取目标检测数据集，若目标检测数据集为目标领域内的首个数据集，则确定第一模型为视觉语言模型；若目标检测数据集为目标领域内的非首个数据集，则确定第一模型为微调模型。然后确定视觉语言模型中的动态参数，根据视觉语言模型中的动态参数，构建第二模型，并根据目标检测数据集对第二模型进行训练，得到训练后的第二模型，将训练后的第二模型与第一模型进行参数融合，得到微调模型。通过执行本技术方案，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

实施例三

图5为本发明实施例三提供的目标检测大模型微调过程的示意图，本实施例与上述实施例之间的关系是模型参数融合过程的详细描述。如图5所示，该方法包括：

S510、获取目标检测数据集。

S520、确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定。

S530、根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型。

S540、将所述训练后的第二模型的参数与所述第一模型的参数进行线性插值，得到微调模型。

在本方案中，为了缓解训练后的第二模型带来的知识遗忘，可以将训练后的第二模型与第一模型进行WISE-FT参数融合，得到微调模型。具体的，将训练后的第二模型的参数与第一模型的参数进行线性插值，得到新的参数，并基于新的参数构建微调模型。

可选的，采用如下公式构建微调模型的参数；

；

其中，为微调模型的参数，为第一模型的参数，为训练后的第二模型的参数，为系数。

在本实施例中，将训练后的第二模型的参数与第一模型的参数进行线性插值，能够得到新的参数。其中是0-1的系数。控制了训练后的第二模型的参数和第一模型的参数的比例，当接近1时，模型参数更偏向第一模型的参数，可以保留更多的泛化知识；当接近0时，模型参数更偏向训练后的第二模型的参数，从而在行业数据集上可以获得更好的表现。选择一个适当的,可以平衡训练后的第二模型的行业识别能力与第一模型的泛化能力。

具体的，模型微调过程包括：

步骤1、构建目标检测数据集1。

步骤2、冻结GroundingDINO预训练模型的大部分参数，只开放一小部分参数参与训练，得到第二模型1。

步骤3、为了缓解步骤2训练带来的知识遗忘，将步骤2得到的第二模型1与GroundingDINO预训练模型（第一模型1）进行WISE-FT参数融合，得到微调模型1。

步骤4、当有了新的目标检测任务，继续构建目标检测数据集2。

步骤5、将微调模型1作为第一模型2，此时第一模型2已经拥有了行业领域目标检测数据集1的识别能力。以及确定第二模型2。

步骤6、重复步骤3，将步骤3产生的微调模型1（即第一模型2）和步骤5产生的第二模型2进行WISE-FT参数融合，得到拥有行业领域目标检测数据集2识别能力的微调模型2，同时保留了微调模型1的识别能力。

步骤7、当有新的行业数据集，重复上述循环。

本发明实施例的技术方案，通过获取目标检测数据集，确定第一模型和第二模型，然后根据目标检测数据集对第二模型进行训练，得到训练后的第二模型，将训练后的第二模型的参数与第一模型的参数进行线性插值，得到微调模型。通过执行本技术方案，通过构建微调模型，能够得到目标领域精通的模型，同时不会存在模型的知识遗忘，以及能够持续提升模型的识别能力和泛化性。

实施例四

图6是根据本发明实施例四提供的目标检测大模型微调装置的结构示意图。如图6所示，该装置包括：

目标检测数据集获取单元610，用于获取目标检测数据集；

模型确定单元620，用于确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；

模型训练单元630，用于根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；

微调模型得到单元640，用于将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型。

可选的，模型确定单元620，具体用于：

若目标检测数据集为目标领域内的首个数据集，则确定第一模型为视觉语言模型；

若目标检测数据集为目标领域内的非首个数据集，则确定第一模型为微调模型。

可选的，模型确定单元620，还用于：

确定视觉语言模型中的动态参数；

根据所述视觉语言模型中的动态参数，构建第二模型。

可选的，模型确定单元620，还用于：

根据所述目标检测数据集的识别精度，确定视觉语言模型中的动态参数。

可选的，微调模型得到单元640，包括：

微调模型得到子单元，用于将所述训练后的第二模型的参数与所述第一模型的参数进行线性插值，得到微调模型。

可选的，微调模型得到子单元，具体用于：

采用如下公式构建微调模型的参数；

；

其中，为微调模型的参数，为第一模型的参数，为训练后的第二模型的参数，为系数。

可选的，所述装置还包括：

训练样本数据确定单元，用于确定所述微调模型使用的训练样本数据；

目标检测任务执行单元，用于基于所述训练样本数据控制所述微调模型执行目标检测任务；

微调模型训练单元，用于依据所述目标检测任务，对所述微调模型进行调整，得到训练更新后的微调模型，并基于所述训练更新后的微调模型进行目标检测。

本发明实施例所提供的目标检测大模型微调装置可执行本发明任意实施例所提供的目标检测大模型微调方法，具备执行方法相应的功能模块和有益效果。

实施例五

图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如目标检测大模型微调方法。

在一些实施例中，目标检测大模型微调方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的目标检测大模型微调方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行目标检测大模型微调方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.目标检测大模型微调方法，其特征在于，包括：

获取目标检测数据集；

确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；

根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；

将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型；

其中，确定第一模型，包括：

若目标检测数据集为目标领域内的首个数据集，则确定第一模型为视觉语言模型；

若目标检测数据集为目标领域内的非首个数据集，则确定第一模型为微调模型，即有了新的目标检测任务，获取到目标领域内新的数据集后，重新调整第一模型；

其中，所述视觉语言模型为GroundingDINO预训练模型，GroundingDINO预训练模型结构包括图像主干网络、文本主干网络、transformer encoder特征增强模块、transformerdecoder特征解码模块；

其中，获取目标检测数据集，包括：

获取目标领域内的文本数据和图像数据；

根据所述文本数据和图像数据，构建目标检测数据集。

2.根据权利要求1所述的方法，其特征在于，确定第二模型，包括：

确定视觉语言模型中的动态参数；

根据所述视觉语言模型中的动态参数，构建第二模型。

3.根据权利要求2所述的方法，其特征在于，确定视觉语言模型中的动态参数，包括：

根据所述目标检测数据集的识别精度，确定视觉语言模型中的动态参数。

4.根据权利要求1所述的方法，其特征在于，将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型，包括：

将所述训练后的第二模型的参数与所述第一模型的参数进行线性插值，得到微调模型。

5.根据权利要求4所述的方法，其特征在于，包括：

采用如下公式构建微调模型的参数；

；

其中，为微调模型的参数，为第一模型的参数，为训练后的第二模型的参数，为系数。

6.根据权利要求1所述的方法，其特征在于，在得到微调模型之后，所述方法还包括：

确定所述微调模型使用的训练样本数据；

基于所述训练样本数据控制所述微调模型执行目标检测任务；

依据所述目标检测任务，对所述微调模型进行调整，得到训练更新后的微调模型，并基于所述训练更新后的微调模型进行目标检测。

7.目标检测大模型微调装置，其特征在于，包括：

目标检测数据集获取单元，用于获取目标检测数据集；

模型确定单元，用于确定第一模型和第二模型；其中，所述第一模型和所述第二模型基于视觉语言模型进行确定；

模型训练单元，用于根据所述目标检测数据集对所述第二模型进行训练，得到训练后的第二模型；

微调模型得到单元，用于将所述训练后的第二模型与所述第一模型进行参数融合，得到微调模型；

其中，模型确定单元，具体用于：

若目标检测数据集为目标领域内的首个数据集，则确定第一模型为视觉语言模型；

若目标检测数据集为目标领域内的非首个数据集，则确定第一模型为微调模型，即有了新的目标检测任务，获取到目标领域内新的数据集后，重新调整第一模型；

其中，所述视觉语言模型为GroundingDINO预训练模型，GroundingDINO预训练模型结构包括图像主干网络、文本主干网络、transformer encoder特征增强模块、transformerdecoder特征解码模块；

其中，目标检测数据集获取单元，具体用于：

获取目标领域内的文本数据和图像数据；

根据所述文本数据和图像数据，构建目标检测数据集。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的目标检测大模型微调方法。

9.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的目标检测大模型微调方法。