1.一种深度学习模型的训练方法，应用于协同计算系统的服务器，所述协同计算系统还包括终端设备，所述终端设备包括忙碌终端设备和空闲终端设备，其特征在于，其特征在于，包括：基于接收到的审核指令从已标定的图像数据中确定出训练样本；其中，所述已标定的图像数据从所述忙碌终端设备获得；

将所述训练样本发送至所述空闲终端设备，以由所述空闲终端设备基于所述训练样本对自身的深度学习模型进行训练并返回训练后的网络参数；

对所述空闲终端设备返回的网络参数进行合并处理，并将合并后的网络参数返回至所有终端设备，以由各终端设备基于处理后的网络参数更新自身的深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在初始状态下，向所有终端设备发送深度学习模型和初始训练样本，以由各终端设备基于所述初始训练样本对自身的深度学习模型进行训练并返回训练后的网络参数；

对各终端设备返回的网络参数进行合并处理，并将合并后的网络参数返回至所有终端设备，以由各终端设备基于处理后的网络参数更新自身的深度学习模型。

3.根据权利要求1所述的方法，其特征在于，所述将所述训练样本发送至所述空闲终端设备，包括：将所述训练样本发送至所述空闲终端设备中的指定终端设备；

所述对所述空闲终端设备返回的网络参数进行合并处理，包括：对所述指定终端设备返回的网络参数进行合并处理；

所述指定终端设备通过以下方式确定：

向所有终端设备发送负载查询报文，以获知各终端设备的负载状态和硬件计算能力；

其中，所述负载状态表征终端设备为忙碌终端设备或空闲终端设备；

若任一终端设备为空闲终端设备，将该终端设备加入至训练候选节点资源池；

以硬件计算能力的大小，对所述训练候选节点资源池中的终端设备进行排序；

选择排序结果中硬件计算能力最大的预设数量的终端设备，将选中的终端设备确定为指定终端设备。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：接收任一空闲终端设备在变为忙碌终端设备后发送的负载通告报文；

检查该空闲终端设备是否已加入所述训练候选节点资源池；

如果是，确定该空闲终端设备是否为指定终端设备；

若是，将该空闲终端设备从所述训练候选节点资源池中删除，并从所述训练候选节点资源池中选择新的空闲终端设备作为指定终端设备；

若否，将该空闲终端设备从所述训练候选节点资源池中删除。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：检查所述训练候选节点资源池中除指定终端设备以外的空闲终端设备的数量；

若除指定终端设备以外的空闲终端设备的数量小于预设的数量阈值，向所述训练候选节点资源池以外的各终端设备发送负载查询报文，以获知各终端设备的负载状态和硬件计算能力；

若任一终端设备为空闲终端设备，将该终端设备加入至所述训练候选节点资源池。

6.一种深度学习模型的训练方法，应用于协同计算系统的终端设备，所述协同计算系统还包括服务器，所述终端设备包括忙碌终端设备和空闲终端设备，其特征在于，包括：如果所述终端设备为空闲终端设备，接收所述服务器发送的训练样本；其中，所述训练样本由所述服务器基于接收到的审核指令，从所述忙碌终端设备发送的已标定的图像数据中确定得到；

如果所述终端设备为空闲终端设备，基于所述训练样本对自身的深度学习模型进行训练，并向所述服务器发送训练后的网络参数，以由所述服务器对所述网络参数合并处理、并将合并后的网络参数发送至所有终端设备；

如果所述终端设备为空闲终端设备，基于接收到的网络参数更新自身的深度学习模型。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：在初始状态下，接收所述服务器发送的深度学习模型和初始训练样本；

基于所述初始训练样本对自身的深度学习模型进行训练，并向所述服务器发送训练后的网络参数，以由所述服务器对各终端设备的网络参数进行合并、并向所有终端设备返回合并后的网络参数；

基于合并后的网络参数更新自身的深度学习模型。

8.根据权利要求6所述的方法，其特征在于，所述方法还包括：接收所述服务器发送的负载查询报文，向所述服务器返回自身的负载状态和硬件计算能力，以由所述服务器基于所述负载状态和所述硬件计算能力确定出指定终端设备；其中，所述负载状态表征终端设备为忙碌终端设备或空闲终端设备。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：负载状态发生改变时，向所述服务器发送负载通告报文。

10.根据权利要求6所述的方法，其特征在于，所述深度学习模型包括预测模型和标定模型；所述方法还包括：当所述终端设备为忙碌终端设备时，通过自身的预测模型对图像数据进行预测处理，并检查处理结果的置信度是否低于预设的置信度阈值；

当所述终端设备为忙碌终端设备时，若任一图像数据的处理结果的置信度低于所述置信度阈值，通过自身的标定模型对该图像数据进行处理，并将从所述标定模型获得的处理结果标定在该图像数据上；

当所述终端设备为忙碌终端设备时，将已标定的图像数据发送至所述服务器。

11.根据权利要求6所述的方法，其特征在于，所述方法还包括：在本地采集到连续的指定数量的图像数据中，检查是否有任一一帧图像数据存在变化；

若否，确定本地的负载状态表征自身为空闲终端设备；

若否，确定本地的负载状态表征自身为忙碌终端设备。

12.一种深度学习模型的训练方法，应用于协同计算系统，所述协同计算系统包括服务器和终端设备，所述终端设备包括忙碌终端设备和空闲终端设备，其特征在于，包括：所述服务器基于接收到的审核指令，从已标定的图像数据中确定出训练样本，并将所述训练样本发送至空闲终端设备；其中，所述已标定的图像数据从所述忙碌终端设备获得；

所述空闲终端设备基于所述训练样本对自身的深度学习模型进行训练，并向所述服务器发送训练后的网络参数；

所述服务器对所述空闲终端设备返回的网络参数进行合并处理，并将合并后的网络参数发送至所述忙碌终端设备和所述空闲终端设备；

所述忙碌终端设备和所述空闲终端设备基于接收到的网络参数更新自身的深度学习模型。

13.根据权利要求12所述的方法，其特征在于，所述深度学习模型包括预测模型和标定模型；所述方法还包括：所述忙碌终端设备通过自身的预测模型对图像数据进行预测处理，并检查处理结果的置信度是否低于预设的置信度阈值；

若任一图像数据的处理结果的置信度低于所述置信度阈值，所述忙碌终端设备通过自身的标定模型对该图像数据进行处理，并将从所述标定模型获得的处理结果标定在该图像数据上；

所述忙碌终端设备将已标定的图像数据发送至所述服务器。

14.一种深度学习模型的训练装置，应用于协同计算系统的服务器，所述协同计算系统还包括终端设备，所述终端设备包括忙碌终端设备和空闲终端设备，其特征在于，包括：确定单元，用于基于接收到的审核指令从已标定的图像数据中确定出训练样本；其中，所述已标定的图像数据从所述忙碌终端设备获得；

发送单元，用于将所述训练样本发送至所述空闲终端设备，以由所述空闲终端设备基于所述训练样本对自身的深度学习模型进行训练并返回训练后的网络参数；

处理单元，用于对所述空闲终端设备返回的网络参数进行合并处理，并将合并后的网络参数返回至所有终端设备，以由各终端设备基于处理后的网络参数更新自身的深度学习模型。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：所述发送单元，进一步用于在初始状态下，向所有终端设备发送深度学习模型和初始训练样本，以由各终端设备基于所述初始训练样本对自身的深度学习模型进行训练并返回训练后的网络参数；

合并单元，用于对各终端设备返回的网络参数进行合并处理，并将合并后的网络参数返回至所有终端设备，以由各终端设备基于处理后的网络参数更新自身的深度学习模型。

16.根据权利要求15所述的装置，其特征在于，所述发送单元，进一步用于：将所述训练样本发送至所述空闲终端设备中的指定终端设备；

所述合并单元，进一步用于：

对所述指定终端设备返回的网络参数进行合并处理；

所述装置还包括：

查询单元，用于向所有终端设备发送负载查询报文，以获知各终端设备的负载状态和硬件计算能力；其中，所述负载状态表征终端设备为忙碌终端设备或空闲终端设备；

加入单元，用于若任一终端设备为空闲终端设备，将该终端设备加入至训练候选节点资源池；

排序单元，用于以硬件计算能力的大小，对所述训练候选节点资源池中的终端设备进行排序；

所述确定单元，进一步用于选择排序结果中硬件计算能力最大的预设数量的终端设备，将选中的终端设备确定为指定终端设备。

17.根据权利要求16所述的装置，其特征在于，所述装置还包括：所述查询单元，进一步用于接收任一空闲终端设备在变为忙碌终端设备后发送的负载通告报文；

检查单元，用于检查该空闲终端设备是否已加入所述训练候选节点资源池；如果是，确定该空闲终端设备是否为指定终端设备；

所述确定单元，进一步用于若是，将该空闲终端设备从所述训练候选节点资源池中删除，并从所述训练候选节点资源池中选择新的空闲终端设备作为指定终端设备；若否，将该空闲终端设备从所述训练候选节点资源池中删除。

18.根据权利要求16所述的装置，其特征在于，所述装置还包括：检查单元，用于检查所述训练候选节点资源池中除指定终端设备以外的空闲终端设备的数量；

所述查询单元，进一步用于若除指定终端设备以外的空闲终端设备的数量小于预设的数量阈值，向所述训练候选节点资源池以外的各终端设备发送负载查询报文，以获知各终端设备的负载状态和硬件计算能力；

所述加入单元，进一步用于若任一终端设备为空闲终端设备，将该终端设备加入至所述训练候选节点资源池。

19.一种深度学习模型的训练装置，应用于协同计算系统的终端设备，所述协同计算系统还包括服务器，所述终端设备包括忙碌终端设备和空闲终端设备，其特征在于，包括：接收单元，用于如果所述终端设备为空闲终端设备，接收所述服务器发送的训练样本；

其中，所述训练样本由所述服务器基于接收到的审核指令，从所述忙碌终端设备发送的已标定的图像数据中确定得到；

训练单元，用于如果所述终端设备为空闲终端设备，基于所述训练样本对自身的深度学习模型进行训练，并向所述服务器发送训练后的网络参数，以由所述服务器对所述网络参数合并处理、并将合并后的网络参数发送至所有终端设备；

更新单元，用于如果所述终端设备为空闲终端设备，基于接收到的网络参数更新自身的深度学习模型。

20.根据权利要求19所述的装置，其特征在于，所述装置还包括：所述接收单元，进一步用于在初始状态下，接收所述服务器发送的深度学习模型和初始训练样本；

所述训练单元，进一步用于基于所述初始训练样本对自身的深度学习模型进行训练，并向所述服务器发送训练后的网络参数，以由所述服务器对各终端设备的网络参数进行合并、并向所有终端设备返回合并后的网络参数；

所述更新单元，进一步用于基于合并后的网络参数更新自身的深度学习模型。

21.根据权利要求19所述的装置，其特征在于，所述装置还包括：通知单元，用于接收所述服务器发送的负载查询报文，向所述服务器返回自身的负载状态和硬件计算能力，以由所述服务器基于所述负载状态和所述硬件计算能力确定出指定终端设备；其中，所述负载状态表征终端设备为忙碌终端设备或空闲终端设备。

22.根据权利要求21所述的装置，其特征在于，所述装置还包括：所述通知单元，进一步用于负载状态发生改变时，向所述服务器发送负载通告报文。

23.根据权利要求21所述的装置，其特征在于，所述深度学习模型包括预测模型和标定模型；所述装置还包括：处理单元，用于当所述终端设备为忙碌终端设备时，通过自身的预测模型对图像数据进行预测处理，并检查处理结果的置信度是否低于预设的置信度阈值；

标定单元，用于当所述终端设备为忙碌终端设备时，若任一图像数据的处理结果的置信度低于所述置信度阈值，通过自身的标定模型对该图像数据进行处理，并将从所述标定模型获得的处理结果标定在该图像数据上；

发送单元，用于当所述终端设备为忙碌终端设备时，将已标定的图像数据发送至所述服务器。

24.根据权利要求21所述的装置，其特征在于，所述装置还包括：检查单元，用于在本地采集到连续的指定数量的图像数据中，检查是否有任一一帧图像数据存在变化；

确定单元，用于若否，确定本地的负载状态表征自身为空闲终端设备；若否，确定本地的负载状态表征自身为忙碌终端设备。

25.一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述机器可执行指令被处理器执行时实现权利要求1‑5任一所述的深度学习模型的训练方法。

26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1‑5任一所述的深度学习模型的训练方法。

27.一种电子设备，其特征在于，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的机器可执行指令，其中，所述机器可执行指令被处理器执行时实现权利要求6‑11任一所述的深度学习模型的训练方法。

28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求6‑11任一所述的深度学习模型的训练方法。