本技術(shù)涉及計算機，尤其涉及一種模型部署方法、裝置、設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、海冰，是指覆蓋在極地海域表面的冰層。海冰的存在會對極地海上作業(yè)構(gòu)成嚴重威脅，例如，結(jié)構(gòu)強度不足的船只與海冰相撞會導致船體受損，威脅作業(yè)人員的生命安全。因此，航行中的船只對海冰變化的快速響應尤為重要。

2、在實際應用中，可以采用基于深度學習的星上檢測方法來確定海冰的覆蓋情況，也就是由衛(wèi)星基于深度學習對海冰圖像進行處理和分析，以檢測海冰覆蓋情況，并將海冰的覆蓋情況下傳到船只。但是，由于星上硬件的算力遠低于地面設(shè)備，而深度學習算通常又對算力的需求較高，因此，當前將深度學習模型部署到衛(wèi)星上后，星上檢測效果不佳。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供了一種模型部署方法、裝置、設(shè)備和存儲介質(zhì)，以提高星上檢測效果。

2、第一方面，本技術(shù)實施例提供了一種模型部署方法，包括：

3、獲取用于海冰檢測的樣本集；

4、基于所述樣本集進行模型訓練，訓練結(jié)束得到第一檢測模型；

5、對所述第一檢測模型進行壓縮處理，得到第二檢測模型，所述第二檢測模型與所述第一檢測模型的網(wǎng)絡結(jié)構(gòu)相同，且所述第二檢測模型的參數(shù)量小于所述第一檢測模型的參數(shù)量；

6、基于所述第一檢測模型和所述樣本集訓練所述第二檢測模型，訓練結(jié)束得到第三檢測模型；

7、對所述第三檢測模型進行格式轉(zhuǎn)換，得到第四檢測模型，所述第四檢測模型的格式為開放神經(jīng)網(wǎng)絡交換格式；

8、將所述開放神經(jīng)網(wǎng)絡交換格式的第四檢測模型部署于用于海冰檢測的衛(wèi)星硬件環(huán)境。

9、可選地，所述基于所述第一檢測模型和所述樣本集訓練所述第二檢測模型，訓練結(jié)束得到第三檢測模型，包括：

10、將所述樣本集分別輸入所述第一檢測模型和所述第二檢測模型，得到所述第二檢測模型輸出的第一檢測結(jié)果和第二檢測結(jié)果，以及所述第一檢測模型輸出的第三檢測結(jié)果，所述第一檢測結(jié)果和所述第三檢測結(jié)果均與預先設(shè)置的溫度參數(shù)相關(guān)，所述第二檢測結(jié)果與所述溫度參數(shù)無關(guān)；

11、基于預先設(shè)定的損失函數(shù)、所述第一檢測結(jié)果和所述第三檢測結(jié)果，確定所述第一檢測模型和所述第二檢測模型之間的蒸餾損失，并基于所述損失函數(shù)和所述第二檢測結(jié)果，確定所述第二檢測模型的訓練損失；

12、基于所述蒸餾損失和所述訓練損失對所述第二檢測模型進行模型訓練，訓練結(jié)束得到所述第三檢測模型。

13、可選地，所述第一檢測模型和所述第二檢測模型的輸出層采用s型生長曲線sigmoid函數(shù)實現(xiàn)，所述sigmoid函數(shù)包括所述溫度參數(shù)，所述溫度參數(shù)用于調(diào)整所述sigmoid函數(shù)的平滑程度。

14、可選地，所述第一檢測模型基于對改進的deeplabv3+模型進行訓練得到，所述改進的deeplabv3+模型包括編碼器和解碼器；

15、所述編碼器，用于提取所述樣本集中的樣本圖像的特征，得到所述樣本圖像對應的特征圖；

16、所述解碼器，用于恢復所述特征圖的分辨率，得到所述樣本圖像的檢測結(jié)果。

17、可選地，所述編碼器包括卷積神經(jīng)網(wǎng)絡convnext，所述convnext包括第一下采樣層、層歸一化模塊、第二下采樣層和convnext塊；

18、所述第一下采樣層包括第一卷積層，所述第一卷積層的尺寸為4×4，所述第一卷積層的步長為2；

19、所述第二下采樣層包括層歸一化模塊和第二卷積層，所述第二卷積層的尺寸為2×2，所述第二卷積層的步長為2；

20、所述convnext塊包括逐深度卷積層、層歸一化模塊、第三卷積層和層縮放模塊，所述逐深度卷積層的尺寸為7×7，所述逐深度卷積層的步長為1，所述第三卷積層的尺寸為1×1，所述第三卷積層的步長為1。

21、可選地，所述編碼器還包括空洞空間池化金字塔網(wǎng)絡，所述空洞空間池化金字塔網(wǎng)絡和所述convnext連接，所述空洞空間池化金字塔網(wǎng)絡包括第三下采樣層、第四卷積層、第五卷積層、第六卷積層和第七卷積層；

22、所述第三下采樣層、所述第四卷積層、所述第五卷積層、所述第六卷積層和所述第七卷積層分別與所述convnext的輸出層連接；

23、所述第四卷積層、所述第五卷積層、所述第六卷積層和所述第七卷積層之間采用拼接模塊通過級聯(lián)的方式連接；

24、所述第三下采樣層為均值下采樣層，所述第四卷積層的尺寸為3×3，且所述第四卷積層的膨脹率為6，所述第五卷積層的尺寸為3×3，且所述第五卷積層的膨脹率為12，所述第六卷積層的尺寸為3×3，且所述第六卷積層的膨脹率為18，所述第七卷積層的尺寸為1×1。

25、可選地，所述獲取用于海冰檢測的樣本集，包括：

26、獲取所述衛(wèi)星對應的雙極化合成孔徑雷達sar樣本集，所述雙極化sar樣本集包括第一雙極化sar樣本集和第二雙極化sar樣本集，所述第一雙極化sar樣本集包括圖像標簽，所述第二雙極化sar樣本集無圖像標簽；

27、基于所述第一雙極化sar樣本集和所述第一雙極化sar樣本集的圖像標簽進行模型訓練，得到第四檢測模型；

28、基于所述第四檢測模型對所述第二雙極化sar樣本集進行海冰檢測，得到所述第二雙極化sar樣本集的檢測結(jié)果；

29、以所述第一雙極化sar樣本集、所述第一雙極化sar樣本集的圖像標簽、所述第二雙極化sar樣本集和所述第二極化sar樣本集的檢測結(jié)果，構(gòu)建所述樣本集。

30、第二方面，本技術(shù)實施例提供了一種模型部署裝置，包括：

31、樣本獲取模塊，用于獲取用于海冰檢測的樣本集；

32、第一模型訓練模塊，用于基于所述樣本集進行模型訓練，訓練結(jié)束得到第一檢測模型；

33、模型壓縮模塊，用于對所述第一檢測模型進行壓縮處理，得到第二檢測模型，所述第二檢測模型與所述第一檢測模型的網(wǎng)絡結(jié)構(gòu)相同，且所述第二檢測模型的參數(shù)量小于所述第一檢測模型的參數(shù)量；

34、第二模型訓練模塊，用于基于所述第一檢測模型和所述樣本集訓練所述第二檢測模型，訓練結(jié)束得到第三檢測模型；

35、格式轉(zhuǎn)換模塊，用于對所述第三檢測模型進行格式轉(zhuǎn)換，得到第四檢測模型，所述第四檢測模型的格式為開放神經(jīng)網(wǎng)絡交換格式；

36、模型部署模塊，用于將所述開放神經(jīng)網(wǎng)絡交換格式的第四檢測模型部署于用于海冰檢測的衛(wèi)星硬件環(huán)境。

37、第三方面，本技術(shù)實施例提供了一種電子設(shè)備，所述設(shè)備包括：處理器、存儲器、系統(tǒng)總線；

38、所述處理器以及所述存儲器通過所述系統(tǒng)總線相連；

39、所述存儲器用于存儲程序，所述程序包括指令，所述指令當被所述處理器執(zhí)行時使所述處理器執(zhí)行上述基于弱測量技術(shù)的模型部署方法的任一實現(xiàn)步驟。

40、第四方面，本技術(shù)實施例提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當所述指令在電子設(shè)備上運行時，使得所述電子設(shè)備執(zhí)行上述基于弱測量技術(shù)的模型部署方法的任一實現(xiàn)步驟。

41、從以上技術(shù)方案可以看出，本技術(shù)實施例具有以下優(yōu)點：

42、在本技術(shù)實施例中，獲取用于海冰檢測的樣本集之后，可以先基于樣本集進行模型訓練，訓練結(jié)束得到第一檢測模型。接著，再對第一檢測模型進行壓縮處理，得到第二檢測模型。其中，該第二檢測模型與第一檢測模型的網(wǎng)絡結(jié)構(gòu)相同，且第二檢測模型的參數(shù)量小于第一檢測模型的參數(shù)量。而后，可以基于第一檢測模型和樣本集訓練第二檢測模型，訓練結(jié)束得到第三檢測模型。相應地，可以將對第三檢測模型進行格式轉(zhuǎn)換，得到第四檢測模型，第四檢測模型的格式為開放神經(jīng)網(wǎng)絡交換，并將該開放神經(jīng)網(wǎng)絡交換格式的第四模型部署于用于海冰檢測的衛(wèi)星硬件環(huán)境。由于第一檢測模型是正常訓練得到的大參數(shù)量模型，因此，第一檢測模型的檢測效果較優(yōu)。這樣，對已經(jīng)訓練好的第一檢測模型進行壓縮處理并繼續(xù)進行模型訓練，即可得到檢測效果保持不變而參數(shù)量變小的第三檢測模型。最后，通過格式轉(zhuǎn)換得到開放神經(jīng)網(wǎng)絡交換格式的第四檢測模型，即可借助開放神經(jīng)網(wǎng)絡交換格式將第四檢測模型和用于海冰檢測的衛(wèi)星硬件環(huán)境相匹配，從而能夠通過第四檢測模型在星上實現(xiàn)高精度、輕量化的海冰覆蓋檢測方法，該方法能夠在低算力的星上硬件環(huán)境中快速取得高精度星上海冰檢測效果。