(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210636882.5 (22)申请日 2022.06.07 (71)申请人 烽台科技 （北京） 有限公司 地址 100000 北京市海淀区北坞村路甲25 号静芯园I座一层101室 (72)发明人 王承先　张强　李锡勇　龚亮华　 (74)专利代理 机构 深圳中一联合知识产权代理 有限公司 4 4414 专利代理师 杨志强 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 20/52(2022.01) (54)发明名称 基于YOLOv5的入侵检测模型的训练方法和 装置 (57)摘要 本申请适用于智能视频监控技术领域， 提供 了一种基于YOL Ov5的入侵检测模型的训练方法， 包括构建训练集和验证集， 训练集包括多张训练 图片和多个训练框， 验证集包括多张验证图片和 多个验证框， 利用索引在多个训练框中确定K个 聚类中心， 索引用于指示不同训练框之间的距 离； 基于K个聚类中心对多个训练框进行聚类， 得 到K个聚类分组； 根据K个聚类分组确定K个先验 框； 利用K个先验框在训练集和验证集上训练基 于YOLOv5的入侵检测模型至收敛。 本申请实施例 通过利用索引在多个训练框中确定K个聚类中 心， 使得在对模 型训练的过程中大大减少冗余计 算量， 提高了对 模型的训练速度和训练效果。 权利要求书2页 说明书15页 附图5页 CN 115223003 A 2022.10.21 CN 115223003 A 1.一种基于 YOLOv5的入侵检测模型的训练方法， 其特 征在于， 所述方法包括： 构建训练集和验证集， 所述训练集包括多张训练图片和多个训练框， 所述验证集包括 多张验证图片和多个验证框， 所述多个训练框用于在所述多张训练图片中标示出目标人 员， 所述多个验证框用于在所述多张验证图片中标示出目标 人员； 利用索引在所述多个训练框中确定K个聚类中心， 所述索引用于指示不同训练框之间 的距离； 基于所述K个聚类中心对所述多个训练框进行聚类， 得到K个聚类分组； 根据所述K个聚类分组确定K个先验框； 利用所述K个先验框在所述训练集和所述验证集上训练基于YOLOv5的入侵检测模型至 收敛； 其中， K大于1。 2.如权利要求1所述的方法， 其特征在于， 所述利用 索引在所述多个训练框中确定K个 聚类中心， 包括： 将第一训练框作为第 一聚类中心， 所述第 一训练框为所述多个训练框中的任意一个训 练框； 确定第一距离， 所述第一距离为第二训练框与所述第一聚类中心之间的距离， 所述第 二训练框为所述多个训练框中除所述第一训练框之外的任意 一个训练框； 建立第一索引， 所述第一索引用于指示所述第一距离； 基于所述第一距离， 确定所述第二训练框被选择为聚类中心的第一 概率； 根据所述第一 概率， 确定第二聚类中心。 3.如权利要求2所述的方法， 其特 征在于， 还 包括： 确定第二距离， 所述第二距离为第三训练框与K ‑1个聚类中心之间的距离， 所述第三训 练框为所述多个训练框中除所述K ‑1个聚类中心之外的训练框的任意 一个训练框； 建立第二索引， 所述第二索引用于指示所述第二距离； 确定最小第二距离， 所述 最小第二距离为所述第二距离的最小值； 基于所述最小第二距离确定第 二概率， 所述第 二概率为所述第 三训练框被选择为聚类 中心的概 率； 根据所述第二 概率， 确定第K个聚类中心； 其中， K大于2， 所述 最小第二距离通过 所述第一索引和所述第二索引获得。 4.如权利要求3所述的方法， 其特征在于， 所述基于所述K个聚类中心对所述多个训练 框进行聚类， 得到K个聚类分组， 包括： 确定第三距离， 所述第三距离为所述多个训练框中除所述K个聚类中心之外的第 四训 练框与所述K ‑1个聚类中心之间的距离， 以及与所述第K个聚类中心之间的距离； 确定最小第三距离， 所述 最小第三距离为所述第三距离的最小值； 将所述第四训练框列入第一聚类分组， 所述 最小第三距离对应所述第一聚类分组； 其中， 所述 最小第三距离通过 所述第一索引和所述第二索引获得。 5.如权利要求 4所述的方法， 其特 征在于， 还 包括： 确定所述第 一聚类分组 的聚类分组中心， 所述第 一聚类分组的聚类分组中心对应所述 第一聚类分组中的训练框尺寸的平均值；权　利　要　求　书 1/2 页 2 CN 115223003 A 2确定第四距离， 所述第 四距离为所述多个训练框中除所述K个聚类中心之外的第五训 练框与所述K个聚类分组中心的距离； 确定最小第四距离， 所述 最小第四距离为所述第四距离的最小值； 将所述第五训练框列入第二聚类分组， 所述 最小第四距离对应所述第二聚类分组。 6.如权利要求1所述的方法， 其特征在于， 所述根据所述K个聚类分组确定K个先验框， 包括： 确定所述K个聚类分组的第一聚类分组的多个训练框的平均尺寸， 将所述第一聚类分 组的多个训练框的平均尺寸作为第一先验框的尺寸。 7.如权利要求1所述的方法， 其特征在于， 所述利用所述K个先验框在所述训练集和所 述验证集上训练基于 YOLOv5的入侵检测模型至收敛， 包括： 利用所述基于YOLOv5的入侵检测模型对第一验证图片检测， 得到第一检测框， 所述第 一验证图片包括第一验证框； 利用损失函数L ossciou训练基于 YOLOv5的入侵检测模型至收敛； 其中， 所述损失函数L ossciou通过如下公式计算： 其中， A是所述第一检测框的区域， B是所述第一验证框的区域， b是所述第一检测框的 中心点， bgt是所述第一验证框的中心点， ρ(b， bgt)是所述第一检测框与所述第一验证框的 中心点之间的距离， c是所述第一检测框与所述第一验证框的最小外接矩形框的对角线长 度， w是所述第 一检测框的宽度， h是所述第 一检测框的高度， wgt是所述第 一验证框的宽度， hgt是所述第一验证框的高度。 8.一种装置， 其特 征在于， 包括用于执 行如权利要求1至7中任一项所述的方法的单 元。 9.一种装置， 该装置包括： 至少一个处理器、 存储器以及存储在所述存储器中并可在所 述至少一个处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时 实现权利要求1至7任一项所述的方法。 10.一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程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115223003 A 3