本申请涉及模式识别，特别是涉及一种检测模型的训练方法、目标检测方法、终端及介质。
背景技术：
1、随着检测技术的进步，越来越多的通用检测模型被用于实际检测场景中。因通用检测模型的网络结构复杂、参数较多，通常是先训练完成，再部署在实际的设备中。
2、因不同设备的应用场景不同，通用检测模型当前的检测能力不足以应对这些具体应用场景，可能会面临各种检测错误的问题。
技术实现思路
1、本申请提供一种检测模型的训练方法、目标检测方法、终端及介质。
2、本申请采用的一个技术方案是提供一种检测模型的训练方法，该训练方法包括：
3、获取原始通用检测模型检测错误的图像作为第一样本图像，并对第一样本图像进行标注；
4、以及从用于训练原始通用检测模型的训练集中获取部分第二样本图像；
5、对原始通用检测模型进行轻量化处理，得到检测模型；
6、利用第一样本图像和第二样本图像对检测模型进行训练，以得到训练后的检测模型。
7、可选地，从用于训练原始通用检测模型的训练集中获取部分第二样本图像，包括：
8、对训练集中的原始样本图像，按照图像特征进行分类，得到若干类别的样本子集；
9、从每一样本子集中选取预设数量的原始样本图像，作为第二样本图像。
10、可选地，对训练集中的原始样本图像，按照图像特征进行分类，得到若干类别的样本子集，包括：
11、利用特征提取网络对原始样本图像进行特征提取，得到原始样本图像对应的图像特征；
12、利用聚类算法对每一原始样本图像进行聚类，得到多个聚类簇，其中，聚类的标准为图像特征之间的相似度；
13、将属于同一聚类簇下的原始样本图像，归类至同一样本子集内。
14、可选地，对原始通用检测模型进行轻量化处理，得到检测模型，包括：
15、对原始通用检测模型进行网络层数缩减、通道数减少中的至少一种操作，得到检测模型。
16、可选地，利用第一样本图像和第二样本图像对检测模型进行训练，以得到训练后的检测模型，包括：
17、利用第一样本图像和第二样本图像，对已部署的检测模型进行在线训练，以得到训练后的检测模型。
18、可选地，利用第一样本图像和第二样本图像对检测模型进行训练，以得到训练后的检测模型的步骤之后，还包括：
19、基于不同设备端获取的第一样本图像，得到问题样本集；
20、基于问题样本集和训练集，构建迭代样本集；
21、利用迭代样本集，对原始通用检测模型重新进行训练。
22、可选地，利用迭代样本集，对原始通用检测模型重新进行训练，包括：
23、增加原始通用检测模型的参数数量；
24、利用迭代样本集，对参数数量增加后的原始通用检测模型重新进行训练。
25、本申请采用的另一个技术方案是提供一种目标检测方法，该目标检测方法包括：
26、获取待检测图像；
27、将待检测图像输入至检测模型中，以得到检测结果，其中，该检测模型为上述的检测模型的训练方法训练得到。
28、本申请采用的另一个技术方案是提供一种终端设备，终端设备包括存储器以及与存储器连接的处理器；
29、其中，存储器用于存储程序数据，处理器用于执行程序数据以实现如上述的数据传输方法。
30、本申请采用的另一个技术方案是提供一种计算机存储介质，计算机存储介质用于存储程序数据，程序数据在被计算机执行时，用以实现如上述的数据传输方法。
31、本申请的有益效果是：本申请提供的检测模型的训练方法，利用原始通用检测模型检测错误的图像作为第一样本图像，以及从用于训练原始通用检测模型的训练集中获取部分第二样本图像，构建出新的训练集，且对原始通用检测模型进行轻量化处理，得到检测模型，利用新的训练集针对性的训练轻量化后的检测模型，一方面，新的训练集包括第一样本图像和第二样本图像，检测模型能够学习到被原始通用检测模型检测错误的图像上的信息，且也仍然会保留原始通用检测模型中部分检测能力，另一方面，检测模型轻量化，能够提升检测模型的整体训练速度。
1.一种检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.根据权利要求1所述的方法，其特征在于，
7.根据权利要求6所述的方法，其特征在于，
8.一种目标检测方法，其特征在于，所述方法包括：
9.一种终端设备，其特征在于，所述终端设备包括处理器、与所述处理器连接的存储器，其中，
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序指令，所述程序指令被执行时实现如权利要求1至8任一项所述的方法。
