模型训练方法、疲劳驾驶检测方法、装置、设备及介质与流程

1.本公开涉及汽车的安全驾驶领域，尤其涉及一种模型训练方法、疲劳驾驶检测方法、装置、设备及介质。


背景技术：

2.随着经济的不断发展，汽车城市化进程也越来越快，驾驶员人数也越来越多。因此疲劳驾驶的现象也越来越多。
3.目前可以通过疲劳驾驶检测模型来检测疲劳驾驶，但是，对疲劳驾驶检测模型进行训练所需的样本数量较为有限，导致训练出的疲劳驾驶检测模型的准确度不高，从而导致最终的疲劳驾驶检测结果不够准确。


技术实现要素：

4.为了解决上述技术问题，本公开提供了一种模型训练方法、疲劳驾驶检测方法、装置、设备及介质，可以提高疲劳驾驶检测模型的准确度，从而提高疲劳驾驶检测结果的准确性。
5.第一方面，本公开实施例提供一种模型训练方法，所述方法包括：
6.向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；
7.接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；
8.根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
9.在一些实施例中，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数之后，所述方法还包括：
10.若根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率小于预设阈值，则向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练。
11.在一些实施例中，所述方法还包括：
12.若根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率大于或等于预设阈值，则确定所述疲劳驾驶检测模型训练完成。
13.在一些实施例中，所述每个节点对应有一个或多个数据源，所述任一节点用于从所述任一节点对应的一个或多个数据源中获取实时的样本图像。
14.第二方面，本公开实施例提供一种疲劳驾驶检测方法，所述方法包括：
15.获取待检测的目标图像；
16.通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；
17.所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
18.在一些实施例中，所述通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果，包括：
19.通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶指数；
20.若所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果为疲劳驾驶。
21.第三方面，本公开实施例提供一种模型训练装置，包括：
22.发送模块，用于向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；
23.接收模块，用于接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；
24.更新模块，用于根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
25.第四方面，本公开实施例提供一种疲劳驾驶检测装置，包括：
26.获取模块，用于获取待检测的目标图像；
27.得到模块，用于通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；
28.所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
29.第五方面，本公开实施例提供一种电子设备，包括：
30.存储器；
31.处理器；以及
32.计算机程序；
33.其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面或第二方面所述的方法。
34.第六方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面或第二方面所述的方法。
35.第七方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的模型训练方法或疲劳驾驶检测方法。
36.本公开实施例提供的模型训练方法、疲劳驾驶检测方法、装置、设备及介质，通过向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数，接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测
模型进行训练后得到的，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。由于通过多个节点并行的对疲劳驾驶检测模型进行训练，样本数量较多，可以保证疲劳驾驶检测模型的准确度。而且不断优化模型参数，进一步提高疲劳驾驶模型的准确度，进而提高疲劳驾驶检测结果的准确性。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
38.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
39.图1为本公开实施例提供的模型训练方法流程图；
40.图2为本公开实施例提供的一种应用场景示意图；
41.图3为本公开另一实施例提供的模型训练方法流程图；
42.图4为本公开实施例提供的疲劳驾驶检测方法流程图；
43.图5为本公开实施例提供的模型训练装置的结构示意图；
44.图6为本公开实施例提供的疲劳驾驶检测装置的结构示意图；
45.图7为本公开实施例提供的电子设备的结构示意图。
具体实施方式
46.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
47.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
48.本公开实施例提供了一种模型训练方法，下面结合具体的实施例对该方法进行介绍。
49.图1为本公开实施例提供的模型训练方法流程图。该方法可以应用于图2所示的应用场景，该应用场景中包括服务器21、多个节点22和多个数据源23，每个节点对应有一个或多个数据源。可以理解的是，本公开实施例提供的模型训练方法还可以应用在其他场景中。
50.下面结合图2所示的应用场景，对图1所示的模型训练方法进行介绍，该方法包括的具体步骤如下：
51.s101、向所述多个节点中的每个节点分别发送所述疲劳驾驶检测模型的当前参数。
52.例如，服务器21向多个节点中的每个节点分别发送所述疲劳驾驶检测模型的当前参数，每个节点使用疲劳驾驶检测模型的当前参数并行的对模型进行训练，训练预设数量
个周期后，各个节点都会向云服务器返回训练得到的模型参数。
53.s102、接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的。
54.本步骤中，服务器接收多个节点中的每个节点分别反馈的模型参数。本步骤属于模型训练阶段，样本图像是模型的输入。例如，云端服务器中部署有10层的模型，每个节点内也得部署有10层的模型，即各个节点和服务器中的模型结构是相同的。多个节点中的任一节点都会根据当前参数和获取的样本图像对疲劳驾驶检测模型进行训练，训练后分别得到向服务器反馈的模型参数。
55.s103、根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
56.例如，疲劳驾驶检测模型的模型参数中有100个参数，a参数是这100个参数中的某一个。
57.本步骤中，可以将每个节点反馈的a参数的值进行融合，得到更新后的a参数。融合方式可以是将每个节点反馈的a参数的值进行加权平均，得到更新后的模型参数a，融合方式不做限定。或者，从每个节点反馈的a参数的值中选出一个贴合模型比较好的值，作为更新后的a参数，等等类似的方法。其他参数的更新以此类推。
58.本公开实施例通过向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数，接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。由于通过多个节点并行的对疲劳驾驶检测模型进行训练，样本数量较多，可以保证疲劳驾驶检测模型的准确度。而且不断优化模型参数，进一步提高疲劳驾驶模型的准确度，进而提高疲劳驾驶检测结果的准确性。
59.并且，现有技术中，疲劳驾驶检测模型的训练过程集中在云端，需要将样本数据全部都上传到云端，对网络带宽有很高的要求。而本公开的疲劳驾驶检测模型可以由多个节点并行训练，分布式训练，不需要将样本数据上传到云端，降低了模型训练过程中对网络带宽的要求。
60.图3为本公开另一实施例提供的模型训练方法流程图，如图3所示，该方法包括如下几个步骤：
61.s301、向所述多个节点中的每个节点分别发送所述疲劳驾驶检测模型的当前参数。
62.具体的，s301和s101的实现过程和原理一致，此处不再赘述。
63.s302、接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的。
64.具体的，s302和s102的实现过程和原理一致，此处不再赘述。
65.s303、根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所
述疲劳驾驶检测模型的更新后的参数。
66.具体的，s303和s103的实现过程和原理一致，此处不再赘述。
67.s304、根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率是否小于预设阈值，若是，则执行s305，否则执行s306。
68.服务器根据所述疲劳驾驶检测模型的更新后的参数，测试所述疲劳驾驶检测模型的准确率。如果疲劳驾驶检测模型的准确率小于预设阈值，则执行s305；如果疲劳驾驶检测模型的准确率大于或等于预设阈值，则执行s306。
69.s305、向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练。
70.如果疲劳驾驶检测模型的准确率小于预设阈值，则向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练，即进行新一轮的训练，得到新一轮的模型参数，继续对模型参数进行优化，进一步提高疲劳驾驶检测模型的准确度，从而提高疲劳驾驶检测结果的准确性。
71.s306、确定所述疲劳驾驶检测模型训练完成。
72.如果疲劳驾驶检测模型的准确率大于或等于预设阈值，则确定所述疲劳驾驶检测模型训练完成，即可以使用该模型对疲劳驾驶进行检测了。
73.本公开实施例通过向所述多个节点中的每个节点分别发送所述疲劳驾驶检测模型的当前参数，接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。进一步，根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率是否小于预设阈值。如果疲劳驾驶检测模型的准确率小于预设阈值，则向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练；如果疲劳驾驶检测模型的准确率大于或等于预设阈值，则确定所述疲劳驾驶检测模型训练完成。由于通过多个节点并行的对疲劳驾驶检测模型进行训练，样本数量较多，可以保证疲劳驾驶检测模型的准确度。通过疲劳驾驶检测模型的准确率与预设阈值进行比较，不断优化模型参数，进一步提高疲劳驾驶模型的准确度，进而提高疲劳驾驶检测结果的准确性。
74.在上述实施例的基础上，所述每个节点对应有一个或多个数据源，所述任一节点用于从所述任一节点对应的一个或多个数据源中获取实时的样本图像。
75.一个节点可以对应一个数据源，一个节点也可以对应多个数据源，所述任一节点用于从所述任一节点对应的一个或多个数据源中获取实时的样本图像，每个节点都可以从数据源实时获取样本图像，样本图像是通过传感器实时采集的，样本图像都是最新的，可以使训练的模型更加准确，需要时就去获取，不需要将样本图像配置在服务器或者终端中。
76.本公开实施例在训练模型时，通过传感器实时采集样本图像，获取的样本图像都是最新的，可以使训练的模型更加准确，需要时就去获取，不需要将样本图像配置在服务器或者终端中，降低了训练模型的难度。
77.图4为本公开实施例提供的疲劳驾驶检测方法流程图，如图4所示，该方法包括如
下几个步骤：
78.s401、获取待检测的目标图像。
79.本步骤属于模型的推理阶段，模型的输入是待检测的目标图像。可选的，待检测的目标图像可以在节点中进行疲劳驾驶检测；待检测的目标图像也可以通过节点上传到云服务器中，在云服务器中进行疲劳驾驶检测。在本步骤中，如图2所示节点22从数据源23中获取待检测的目标图像，服务器21获取节点22中获取的待检测的目标图像。
80.s402、通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果。
81.例如，将待检测的目标图像输入到预先训练完成的疲劳驾驶检测模型中，输出疲劳驾驶检测结果。
82.可选的，所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
83.具体的，疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，多个节点从云服务器中下载初始疲劳驾驶检测模型，多个节点并行的对初始疲劳驾驶检测模型进行训练，训练预设数量个周期后，各个节点都会向云服务器返回训练得到的模型参数，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
84.本公开实施例通过获取待检测的目标图像，通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果，所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。本公开的疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，由于每个节点都可以并行的对所述疲劳驾驶检测模型进行训练，每个节点都可以使用很多的样本对模型进行训练，相比现有技术中有限的样本数量，本公开的样本数量更加庞大，因此训练得到的模型更加准确，从而提高了对疲劳驾驶检测的准确性。
85.在上述实施例的基础上，所述通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果，包括：通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶指数；若所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果为疲劳驾驶。
86.例如，将待检测的目标图像输入到预先训练完成的疲劳驾驶检测模型中，会得到疲劳驾驶指数，当所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值时，确定所述目标图像的检测结果为疲劳驾驶。
87.可选的，若所述疲劳驾驶指数小于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果不为疲劳驾驶。
88.本公开实施例通过获取待检测的目标图像，通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶指数，若所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果为疲劳驾驶；若所述疲劳驾驶指数小于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果不为疲劳驾驶。本实施例通过检
测得到的疲劳驾驶指数与预设疲劳驾驶指数阈值进行比较，当疲劳驾驶指数大于或等于预设疲劳驾驶指数时，确定为疲劳驾驶；当疲劳驾驶指数小于预设疲劳驾驶指数时，确定不为疲劳驾驶，将疲劳驾驶指数作为判断依据，进一步提高了对疲劳驾驶检测的准确性。
89.图5为本公开实施例提供的模型训练装置的结构示意图。该模型训练装置可以是如上实施例所述的服务器，或者该模型训练装置可以该服务器的部件或组件。本公开实施例提供的模型训练装置可以执行模型训练方法实施例提供的处理流程，如图5所示，模型训练装置50包括：发送模块51、接收模块52、更新模块53；其中，发送模块51用于向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；接收模块52用于接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；更新模块53用于根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
90.可选的，所述发送模块还用于当根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率小于预设阈值时，向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练。
91.可选的，所述装置还包括：确定模块54；确定模块54用于当根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率大于或等于预设阈值时，确定所述疲劳驾驶检测模型训练完成。
92.可选的，所述每个节点对应有一个或多个数据源，所述任一节点用于从所述任一节点对应的一个或多个数据源中获取实时的样本图像。
93.图5所示实施例的模型训练装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
94.图6为本公开实施例提供的疲劳驾驶检测装置的结构示意图。该疲劳驾驶检测装置可以是如上实施例所述的服务器，或者该疲劳驾驶检测装置可以该服务器的部件或组件。本公开实施例提供的疲劳驾驶检测装置可以执行疲劳驾驶检测方法实施例提供的处理流程，如图6所示，疲劳驾驶检测装置60包括：获取模块61、得到模块62；其中，获取模块61用于获取待检测的目标图像；得到模块62用于通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
95.可选的，所述得到模块62通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果时，具体用于：通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶指数；当所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值时，确定所述目标图像的检测结果为疲劳驾驶。
96.图6所示实施例的疲劳驾驶检测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
97.图7为本公开实施例中的一种电子设备的结构示意图。下面具体参考图7，其示出
了适于用来实现本公开实施例中的电子设备600的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
98.如图7所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的疲劳驾驶检测方法。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
99.通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
100.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的模型训练方法。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
101.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
102.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网
络)，以及任何当前已知或未来研发的网络。
103.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
104.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
105.向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；
106.接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；
107.根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
108.或上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
109.获取待检测的目标图像；
110.通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；
111.所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。
112.可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
113.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
114.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
115.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬
件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
116.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
117.在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
118.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
119.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
120.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：向多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。2.根据权利要求1所述的方法，其特征在于，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数之后，所述方法还包括：若根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率小于预设阈值，则向所述多个节点中的每个节点分别发送所述更新后的参数，以使所述每个节点根据所述更新后的参数继续对所述疲劳驾驶检测模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：若根据所述疲劳驾驶检测模型的更新后的参数，确定所述疲劳驾驶检测模型的准确率大于或等于预设阈值，则确定所述疲劳驾驶检测模型训练完成。4.根据权利要求1-3任一项所述的方法，其特征在于，所述每个节点对应有一个或多个数据源，所述任一节点用于从所述任一节点对应的一个或多个数据源中获取实时的样本图像。5.一种疲劳驾驶检测方法，其特征在于，所述方法包括：获取待检测的目标图像；通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。6.根据权利要求5所述的方法，其特征在于，所述通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果，包括：通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶指数；若所述疲劳驾驶指数大于或等于预设疲劳驾驶指数阈值，则确定所述目标图像的检测结果为疲劳驾驶。7.一种模型训练装置，其特征在于，包括：发送模块，用于向多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数；接收模块，用于接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的；更新模块，用于根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。
8.一种疲劳驾驶检测装置，其特征在于，包括：获取模块，用于获取待检测的目标图像；得到模块，用于通过预先训练完成的疲劳驾驶检测模型对所述目标图像进行处理，得到疲劳驾驶检测结果；所述疲劳驾驶检测模型是通过云服务器和多个节点训练得到的，所述多个节点用于并行的对所述疲劳驾驶检测模型进行训练，所述云服务器用于根据所述多个节点并行训练得到的模型参数对所述疲劳驾驶检测模型的参数进行更新。9.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-6中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，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1-6中任一项所述的方法。

技术总结
本公开涉及一种模型训练方法、疲劳驾驶检测方法、装置、设备及介质。本公开通过向所述多个节点中的每个节点分别发送疲劳驾驶检测模型的当前参数，接收所述多个节点中的每个节点分别反馈的模型参数，其中，所述多个节点中的任一节点反馈的模型参数是所述任一节点根据所述当前参数和样本图像对所述任一节点中部署的所述疲劳驾驶检测模型进行训练后得到的，根据所述每个节点分别反馈的模型参数，对所述当前参数进行更新，得到所述疲劳驾驶检测模型的更新后的参数。由于通过多个节点并行的对疲劳驾驶检测模型进行训练，样本数量较多，可以保证疲劳驾驶检测模型的准确度。而且不断优化模型参数，进一步提高疲劳驾驶模型的准确度，进而提高疲劳驾驶检测结果的准确性。进而提高疲劳驾驶检测结果的准确性。进而提高疲劳驾驶检测结果的准确性。


技术研发人员：姚兴
受保护的技术使用者：北京车和家信息技术有限公司
技术研发日：2022.03.15
技术公布日：2023/9/22