一种目标检测方法、装置、设备及介质与流程

1.本发明涉及机器学习技术领域，尤其涉及一种目标检测方法、装置、设备及介质。


背景技术：

2.目标检测是计算机视觉和图像处理的核心内容，在机器人导航、智能监控、人脸识别等实际应用中发挥关键作用。一般的，目标检测是指在图像中查找感兴趣的目标，标示出目标的类别以及位置信息，这样就完成了对目标的检测。
3.以机器人为例，部署在机器人上的目标检测模型通常面临着动态变化的环境，同时需要快速在不同的任务之间切换。机器人上的目标检测模型可以对已有任务进行目标检测，当存在识别新任务的需求时，传统的做法包括使用新任务的样本数据，在已有的目标检测模型基础上重新训练新任务，从而实现对新任务的检测。
4.但是这种做法虽然可以较好地检测新任务，但是会使得重新修改后的目标检测模型无法满足旧任务的目标识别需求，产生灾难性遗忘的问题。


技术实现要素：

5.本技术实施例提供了一种目标检测方法、装置、设备及介质，用以解决现有技术中重新修改后的目标检测模型无法满足旧任务的目标识别需求，产生灾难性遗忘的问题。
6.第一方面，本技术实施例提供了一种目标检测方法，该方法包括：
7.获取待检测的第一数据；
8.将所述第一数据输入到预先训练完成的目标检测模型中，所述目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且所述目标检测模型针对所述第二数据的损失函数与训练前的所述目标检测模型的第一输出数据和所述目标检测模型的第二输出数据有关；
9.基于所述目标检测模型，输出所述第一数据的目标检测结果。
10.第二方面，本技术实施例提供了一种目标检测装置，装置包括：
11.获取模块，用于获取待检测的第一数据；
12.输入模块，用于将所述第一数据输入到预先训练完成的目标检测模型中，所述目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且所述目标检测模型针对所述第二数据的损失函数与训练前的所述目标检测模型的第一输出数据和所述目标检测模型的第二输出数据有关；
13.输出模块，用于基于所述目标检测模型，输出所述第一数据的目标检测结果。
14.第三方面，本技术实施例提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一项所述目标检测方法的步骤。
15.第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述目标检测方法的步骤。
16.在本技术实施例中，获取待检测的第一数据；将第一数据输入到预先训练完成的目标检测模型中，目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且目标检测模型针对第二数据的损失函数与训练前的目标检测模型的第一输出数据和目标检测模型的第二输出数据有关；基于目标检测模型，输出第一数据的目标检测结果。在该方法中，基于新旧任务的数据对目标检测模型进行了训练，且目标检测模型针对第二数据的损失函数考虑到了训练前的目标检测模型的输出数据和当前的目标检测模型的输出数据，因此可以减少训练完成的目标检测模型与旧任务的偏离程度，在保证对新任务检测精度的基础上，减轻在旧任务上的遗忘问题。
附图说明
17.为了更清楚地说明本技术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要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，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。
18.图1为本技术的一些实施例提供的一种目标检测过程示意图；
19.图2为本技术的一些实施例提供的一种目标检测装置的结构示意图；
20.图3为本技术的一些实施例提供的一种电子设备的结构示意图。
具体实施方式
21.为使本技术的目的和实施方式更加清楚，下面将结合本技术示例性实施例中的附图，对本技术示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本技术一部分实施例，而不是全部的实施例。
22.需要说明的是，本技术中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
23.本技术中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
24.术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
25.术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
26.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。
27.为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨
论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
28.实施例1：
29.图1为本技术的一些实施例提供的一种坠人事件预警过程示意图，该过程包括：
30.s101：获取待检测的第一数据。
31.本技术实施例提供的目标检测方法应用于电子设备，该电子设备但不限于用户设备(如个人计算机(personal computer，pc)等)、机器人或服务器等。
32.待检测的第一数据可以包括图像或视频，电子设备可以基于预先训练完成的目标检测模型在该第一数据中进行目标检测。其中图像是目标检测模型中最常见的输入数据类型，图像可以是rgb彩色图像或黑白图像，目标检测模型对这些图像进行分析可以检测出其中的目标。视频可以是长时间的摄像头录像或短暂的行动捕捉片段。
33.s102：将第一数据输入到预先训练完成的目标检测模型中，目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且目标检测模型针对第二数据的损失函数与训练前的目标检测模型的第一输出数据和目标检测模型的第二输出数据有关。
34.电子设备可以基于第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练，第一任务就可以看作是新任务，第二任务可以看作是旧任务，在目标检测模型的训练过程不仅考虑到新任务的数据，还考虑到了旧任务的数据，因此可以减少训练完成的目标检测模型与旧任务的偏离程度。
35.并且目标检测模型中针对旧任务的第二数据保存有损失函数，该损失函数与训练前后目标检测模型的输出数据有关，在训练过程中基于旧任务的数据的偏差对目标检测模型进行优化，可以减少目标检测模型在旧任务上的遗忘问题。一个可能的实现方式中，针对旧任务的第二数据保存的损失函数除与第一输出数据和第二输出数据有关外，还可以与训练前后目标检测模型中的网络参数有关。
36.目标检测模型中还可选地可以针对新任务的第一数据保存有损失函数，以使得目标检测模型能够实现新任务的目标检测。
37.预先训练完成的目标检测模型不仅可以对新任务即第一任务进行目标检测，还可以对旧任务即第二任务进行目标检测。
38.s103：基于目标检测模型，输出第一数据的目标检测结果。
39.电子设备将第一数据输入到目标检测模型之后，基于该目标检测模型，可以获取到目标检测模型输出的第一数据的目标检测结果。该目标检测结果包括第一数据中目标所属的类别，以及目标的位置。一个实现方式中，目标的位置可以通过标记框表示，如通过边界框(bounding box)值表示。
40.在该实施例中，基于新旧任务的数据对目标检测模型进行了训练，且目标检测模型针对第二数据的损失函数考虑到了训练前的目标检测模型的输出数据和当前的目标检测模型的输出数据，因此可以减少训练完成的目标检测模型与旧任务的偏离程度，在保证对新任务检测精度的基础上，减轻在旧任务上的遗忘问题。
41.实施例2：
42.在上述实施例的基础上，本技术实施例中，目标检测模型的训练过程包括：
43.固定目标检测模型的骨干网络，开放目标检测模型的各类别任务的检测头参数；
44.采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练。
45.目标检测模型通常采用深度学习模型，深度卷积网络来提取图像特征，并使用检测头来实现目标检测，不同的骨干网络(backbone)在性能和速度等方面各有优势，一般的，骨干网络在确定后，不轻易更换。骨干网络包括但不限于以下一种或多种：yolo、单步多框目标检测(single shot multibox detector，ssd)、基于区域的卷积神经网络(region-based convolutional neural network，r-cnn)、或faster r-cnn等。
46.检测头参数可以简单理解为目标检测模型的特征提取器，通过开放各类别任务的检测头参数，可以保证尽可能的训练到目标检测模型的检测头，从而训练完成的目标检测模型尽可能的适应各类别任务的检测。
47.在固定骨干网络，开放检测头参数的基础上，电子设备可以采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练。具体而言，采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型中的检测头进行训练。
48.在本技术实施例中，通过固定骨干网络，开放检测头参数，可以保证尽可能的训练到目标检测模型的检测头，从而训练完成的目标检测模型尽可能的适应各类别任务的检测，提高目标检测模型的检测精度。
49.实施例3：
50.在上述各实施例的基础上，本技术实施例中，采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练包括：
51.针对第二数据，获取目标检测模型在训练前后的第一输出数据和第二输出数据；
52.根据第一输出数据和第二输出数据，确定目标检测模型的第一损失函数值；
53.根据第一损失函数值，对目标检测模型进行训练。
54.目标检测模型中针对旧任务保存有损失函数，该损失函数与训练前后目标检测模型的输出数据有关，因此电子设备可以根据针对第二数据的第一输出数据、第二输出数据以及该损失函数，确定目标检测模型的第一损失函数值，然后基于该第一损失函数值，对目标检测模型进行训练。
55.一种实现方式中，根据第一输出数据和第二输出数据，确定目标检测模型的第一损失函数值包括：根据第一输出数据和第二输出数据，以及目标检测模型在训练前后的第一网络参数和第二网络参数，确定目标检测模型的第一损失函数值。在该实现方式中，考虑到了训练前后的第一输出数据和第二输出数据，以及训练前后的第一网络参数和第二网络参数，因此可以在训练过程中基于旧任务的数据的偏差对目标检测模型进行优化，减少目标检测模型在旧任务上的遗忘问题。
56.示例的，第一损失函数值满足：示例的，第一损失函数值满足：表示第一输出数据，表示第二输出数据，表示第一网络参数，表示第二网络参数。
57.实施例4：
58.在上述各实施例的基础上，在本技术实施例中，采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练包括：
59.针对标注数据集，获取目标检测模型的第三输出数据；
60.根据第三输出数据，确定目标检测模型的第二损失函数值；
61.根据第二损失函数值，对目标检测模型进行训练。
62.在本技术实施例中可以针对新任务保存有损失函数，目标检测模型的损失函数可以包括分类损失和/或边界框回归损失。分类损失函数用于计算网络对物体类别的分类是否正确，边界框回归损失函数用于计算预测框与真实框之间的差异程度。一个实现方式中，对于不同的骨干网络，目标检测模型的损失函数可以相同或不同。
63.示例的，针对新任务的标注数据集，可以获取到目标检测模型的第三输出数据，然后基于该第三输出数据以及标注数据集中的标注数据，确定目标检测模型的第二损失函数值，该第二损失函数值可以表示目标检测模型对于新任务的检测的差异程度，根据该第二损失函数值对目标检测模型进行训练优化，可以使得目标检测模型能够实现新任务的目标检测。
64.在本技术实施例中，目标检测模型可以对于第一任务的第三输出数据所对应的第二损失函数值，对目标检测模型进行训练，训练完成的目标检测模型可以实现新任务的目标检测。
65.实施例5：
66.在上述各实施例的基础上，在本技术实施例中，根据第二损失函数值，对目标检测模型进行训练包括：
67.根据第二损失函数值和设定的正则项，对目标检测模型进行训练。
68.通过将第二损失函数值和设定的正则项结合，可以用于控制目标检测模型的拟合过程。
69.一个实现方式中，设定的正则项包括但不限于l2正则化loss值，例如在目标检测模型的损失函数中添加l2正则化loss，可以通过惩罚权重参数的大小来避免过拟合，同时提高模型的泛化性能。
70.下面以一个具体的实施例对上述各实施例进行说明，可以包括如下步骤：
71.步骤1：给定已经在任务t1上训练好的目标检测模型f1(yolov5)，新任务t2的标注数据集d2，以及旧任务t1上的少量样本d1。
72.步骤2：固定检测模型f1的backbone，开放各类别目标的检测头参数。
73.步骤3：打乱d1和d2进行模型训练：
74.a)对于d1上的数据，其loss目标为其中为未训练的f1网络在d1上的输出；为训练后的网络在d1上的输出。为未经训练的f1网络参数，为经本轮d1训练的参数。该过程可以减少网络与旧任务上的偏离程度，从而减轻在旧任务上的遗忘问题。
75.b)对于d2上的数据，在标准目标检测loss之外添加l2正则化loss进行训练即可。
76.步骤4：对于下一批新来的任务t3，将步骤1-3中得到的目标检测模型固定作为f1，t1,t2少量数据作为d1，t3上的数据作为d2，重复步骤2-3的训练过程即可。
77.经过上述训练过程，可以减少网络参数的偏离程度，在一定程度上缓解或避免灾难性遗忘的问题。
78.实施例6：
79.基于相同的技术构思，在上述各实施例的基础上，本技术提供了一种目标检测装置，图2为本技术的一些实施例提供的一种目标检测装置结构示意图，如图所示，该装置包括：
80.获取模块201，用于获取待检测的第一数据；
81.输入模块202，用于将第一数据输入到预先训练完成的目标检测模型中，目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且目标检测模型针对第二数据的损失函数与训练前的目标检测模型的第一输出数据和目标检测模型的第二输出数据有关；
82.输出模块203，用于基于目标检测模型，输出第一数据的目标检测结果。
83.在一种可能的实施方式中，该装置还包括训练模块，用于固定目标检测模型的骨干网络，开放目标检测模型的各类别任务的检测头参数；采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练。
84.在一种可能的实施方式中，训练模块，具体用于针对第二数据，获取目标检测模型在训练前后的第一输出数据和第二输出数据；根据第一输出数据和第二输出数据，确定目标检测模型的第一损失函数值；根据第一损失函数值，对目标检测模型进行训练。
85.在一种可能的实施方式中，训练模块，具体用于根据第一输出数据和第二输出数据，以及目标检测模型在训练前后的第一网络参数和第二网络参数，确定目标检测模型的第一损失函数值。
86.在一种可能的实施方式中，第一损失函数值满足：在一种可能的实施方式中，第一损失函数值满足：表示第一输出数据，表示第二输出数据，表示第一网络参数，表示第二网络参数。
87.在一种可能的实施方式中，训练模块，具体用于针对标注数据集，获取目标检测模型的第三输出数据；根据第三输出数据，确定目标检测模型的第二损失函数值；根据第二损失函数值，对目标检测模型进行训练。
88.在一种可能的实施方式中，训练模块，具体用于根据第二损失函数值和设定的正则项，对目标检测模型进行训练。
89.实施例7：
90.基于相同的技术构思，本技术还提供了一种电子设备，图3为本技术实施例提供的一种电子设备结构示意图，如图3所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
91.存储器303中存储有计算机程序，当程序被处理器301执行时，使得处理器301执行如下步骤：
92.获取待检测的第一数据；
93.将第一数据输入到预先训练完成的目标检测模型中，目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且目标检测模型针对第二数据的损失函数与训练前的目标检测模型的第一输出数据和目标检测模型的第二输出数据有关；
94.基于目标检测模型，输出第一数据的目标检测结果。
95.在一种可能的实施方式中，处理器301，还用于固定目标检测模型的骨干网络，开
放目标检测模型的各类别任务的检测头参数；
96.采用第一任务的标注数据集和第二任务的第二数据，对目标检测模型进行训练。
97.在一种可能的实施方式中，处理器301，具体用于针对第二数据，获取目标检测模型在训练前后的第一输出数据和第二输出数据；
98.根据第一输出数据和第二输出数据，确定目标检测模型的第一损失函数值；
99.根据第一损失函数值，对目标检测模型进行训练。
100.在一种可能的实施方式中，处理器301，具体用于根据第一输出数据和第二输出数据，以及目标检测模型在训练前后的第一网络参数和第二网络参数，确定目标检测模型的第一损失函数值。
101.在一种可能的实施方式中，第一损失函数值满足：在一种可能的实施方式中，第一损失函数值满足：表示第一输出数据，表示第二输出数据，表示第一网络参数，表示第二网络参数。
102.在一种可能的实施方式中，处理器301，具体用于针对标注数据集，获取目标检测模型的第三输出数据；
103.根据第三输出数据，确定目标检测模型的第二损失函数值；
104.根据第二损失函数值，对目标检测模型进行训练。
105.在一种可能的实施方式中，处理器301，具体用于根据第二损失函数值和设定的正则项，对目标检测模型进行训练。
106.上述电子设备提到的通信总线可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
107.通信接口302用于上述电子设备与其他设备之间的通信。
108.存储器可以包括ram(random access memory，随机存取存储器)，也可以包括nvm(non-volatile memory，非易失性存储器)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
109.上述处理器可以是通用处理器，包括中央处理器、np(network processor，网络处理器)等；还可以是dsp(digital signal processing，数字指令处理器)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
110.实施例8：
111.基于相同的技术构思，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有可由电子设备执行的计算机程序，当程序在电子设备上运行时，使得电子设备执行时实现上述任一实施例。
112.上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、mo(磁光盘)等、光学存储器如cd、dvd、bd、hvd等、以及半导体存储器如rom、eprom、eeprom、nand flash(非易失性存储器)、ssd(固态硬盘)等。
113.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
114.本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
115.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
116.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
117.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种目标检测方法，其特征在于，所述方法包括：获取待检测的第一数据；将所述第一数据输入到预先训练完成的目标检测模型中，所述目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且所述目标检测模型针对所述第二数据的损失函数与训练前的所述目标检测模型的第一输出数据和所述目标检测模型的第二输出数据有关；基于所述目标检测模型，输出所述第一数据的目标检测结果。2.如权利要求1所述的方法，其特征在于，所述目标检测模型的训练过程包括：固定所述目标检测模型的骨干网络，开放所述目标检测模型的各类别任务的检测头参数；采用所述第一任务的标注数据集和所述第二任务的第二数据，对所述目标检测模型进行训练。3.如权利要求2所述的方法，其特征在于，所述采用所述第一任务的标注数据集和所述第二任务的第二数据，对所述目标检测模型进行训练包括：针对所述第二数据，获取所述目标检测模型在训练前后的第一输出数据和第二输出数据；根据所述第一输出数据和所述第二输出数据，确定所述目标检测模型的第一损失函数值；根据所述第一损失函数值，对所述目标检测模型进行训练。4.如权利要求3所述的方法，其特征在于，所述根据所述第一输出数据和所述第二输出数据，确定所述目标检测模型的第一损失函数值包括：根据所述第一输出数据和所述第二输出数据，以及所述目标检测模型在训练前后的第一网络参数和第二网络参数，确定所述目标检测模型的第一损失函数值。5.如权利要求4所述的方法，其特征在于，所述第一损失函数值满足：5.如权利要求4所述的方法，其特征在于，所述第一损失函数值满足：表示所述第一输出数据，表示所述第二输出数据，表示所述第一网络参数，表示所述第二网络参数。6.如权利要求2所述的方法，其特征在于，所述采用所述第一任务的标注数据集和所述第二任务的第二数据，对所述目标检测模型进行训练包括：针对所述标注数据集，获取所述目标检测模型的第三输出数据；根据所述第三输出数据，确定所述目标检测模型的第二损失函数值；根据所述第二损失函数值，对所述目标检测模型进行训练。7.如权利要求6所述的方法，其特征在于，所述根据所述第二损失函数值，对所述目标检测模型进行训练包括：根据所述第二损失函数值和设定的正则项，对所述目标检测模型进行训练。8.一种目标检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测的第一数据；输入模块，用于将所述第一数据输入到预先训练完成的目标检测模型中，所述目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且所述目标检测模型
针对所述第二数据的损失函数与训练前的所述目标检测模型的第一输出数据和所述目标检测模型的第二输出数据有关；输出模块，用于基于所述目标检测模型，输出所述第一数据的目标检测结果。9.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7任一项所述的目标检测方法的步骤。10.一种计算机存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行权利要求1-7任一项所述的目标检测方法的步骤。

技术总结
本申请实施例提供了一种目标检测方法、装置、设备及介质，在该方法中，获取待检测的第一数据；将第一数据输入到预先训练完成的目标检测模型中，目标检测模型基于第一任务的标注数据集和第二任务的第二数据训练得到，且目标检测模型针对第二数据的损失函数与训练前的目标检测模型的第一输出数据和目标检测模型的第二输出数据有关；基于目标检测模型，输出第一数据的目标检测结果。基于新旧任务的数据对目标检测模型进行训练，考虑到了训练前的目标检测模型的输出数据和当前的目标检测模型的输出数据，因此可以减少训练完成的目标检测模型与旧任务的偏离程度，在保证对新任务检测精度的基础上，减轻在旧任务上的遗忘问题。减轻在旧任务上的遗忘问题。减轻在旧任务上的遗忘问题。


技术研发人员：谢龙飞
受保护的技术使用者：新奥新智科技有限公司
技术研发日：2023.05.23
技术公布日：2023/9/14