1.一种模型训练方法，其特征在于，包括：

从样本数据集中选择未标定数据，所述样本数据集包括已标定数据和未标定数据，已标定数据中的目标类别包含了未标定数据中的目标类别；

将选择的未标定数据输入至用于目标识别的模型中，得到输入至模型的每一未标定数据的预测目标识别结果；所述模型是根据所述样本数据集中的已标定数据训练得到的；

根据各预测目标识别结果从输入至所述模型的各未标定数据中确定出需要被标定的目标未标定数据，并根据各目标未标定数据的预测目标识别结果对所述样本数据集中的目标未标定数据进行标定，得到已标定数据；

根据所述样本数据集中的已标定数据和所述模型训练出目标模型。

2.如权利要求1所述的模型训练方法，其特征在于，所述预测目标识别结果至少包括：目标属于预测类别的置信度；

所述根据各预测目标识别结果从输入至所述模型的各未标定数据中确定出需要被标定的目标未标定数据，包括：检查输入至所述模型的未标定数据的个数是否小于预设数量；

如果是，确定输入的所有数据为所述目标未标定数据；

如果否，按照置信度从大至小的顺序从输入的各未标定数据中选择前预设数量个未标定数据为所述目标未标定数据。

3.如权利要求1所述的模型训练方法，其特征在于，所述预测目标识别结果至少包括：预测类别；

根据各目标未标定数据的预测目标识别结果对所述样本数据集中的目标未标定数据进行标定，包括：针对每一目标未标定数据，根据该目标未标定数据的预测目标识别结果中的预测类别确定该目标未标定数据的标签，为所述样本数据集中的该目标未标定数据打上该标签，得到已标定数据。

4.如权利要求1-3中任一项所述的模型训练方法，其特征在于，根据所述样本数据集中的已标定数据和所述模型训练出目标模型，包括：根据所述样本数据集中的已标定数据训练所述模型；

检查当前是否满足设定的训练结束条件，若否，返回从样本数据集中选择未标定数据的操作，若是，将所述模型确定为目标模型。

5.如权利要求4所述的模型训练方法，其特征在于，检查当前是否满足设定的训练结束条件，包括：获取各个不同摄像设备采集的测试样本数据；

利用获取的测试样本数据测试所述模型的性能是否满足预设性能要求；

如果是，确定当前满足设定的训练结束条件；

如果否，确定当前未满足设定的训练结束条件。

6.如权利要求5所述的模型训练方法，其特征在于，利用获取的测试样本数据测试所述模型的性能是否满足预设性能要求，包括：将获取的测试样本数据分组，每一组中包括从不同摄像设备获取的两个测试样本数据，并获取每一组测试样本数据对应的预设相似度；

将各测试样本数据分别输入至模型，以由所述模型从输入的测试样本数据中提取出特征信息；

计算每一组两个测试样本数据的特征信息之间的相似度，如果有一组两个测试样本数据的特征信息之间的相似度与对应的预设相似度不匹配，确定所述模型的性能不满足预设性能要求，否则，确定所述模型的性能满足预设性能要求。

7.一种模型训练装置，其特征在于，包括：

选择模块，用于从样本数据集中选择未标定数据，所述样本数据集包括已标定数据和未标定数据，已标定数据中的目标类别包含了未标定数据中的目标类别；

预测模块，用于将选择的未标定数据输入至用于目标识别的模型中，得到输入至模型的每一未标定数据的预测目标识别结果；所述模型是根据所述样本数据集中的已标定数据训练得到的；

标定模块，用于根据各预测目标识别结果从输入至所述模型的各未标定数据中确定出需要被标定的目标未标定数据，并根据各目标未标定数据的预测目标识别结果对所述样本数据集中的目标未标定数据进行标定，得到已标定数据；

训练模块，用于根据所述样本数据集中的已标定数据和所述模型训练出目标模型。

8.如权利要求7所述的模型训练装置，其特征在于，所述预测目标识别结果至少包括：目标属于预测类别的置信度；

所述标定模块根据各预测目标识别结果从输入至所述模型的各未标定数据中确定出需要被标定的目标未标定数据时，具体用于：检查输入至所述模型的未标定数据的个数是否小于预设数量；

如果是，确定输入的所有数据为所述目标未标定数据；

如果否，按照置信度从大至小的顺序从输入的各未标定数据中选择前预设数量个未标定数据为所述目标未标定数据。

9.如权利要求7所述的模型训练装置，其特征在于，所述预测目标识别结果至少包括：预测类别；

所述标定模块根据各目标未标定数据的预测目标识别结果对所述样本数据集中的目标未标定数据进行标定时，具体用于：针对每一目标未标定数据，根据该目标未标定数据的预测目标识别结果中的预测类别确定该目标未标定数据的标签，为所述样本数据集中的该目标未标定数据打上该标签，得到已标定数据。

10.如权利要求7-9中任一项所述的模型训练装置，其特征在于，所述训练模块根据所述样本数据集中的已标定数据和所述模型训练出目标模型时，具体用于：根据所述样本数据集中的已标定数据训练所述模型；

检查当前是否满足设定的训练结束条件，若否，返回从样本数据集中选择未标定数据的操作，若是，将所述模型确定为目标模型。

11.如权利要求10所述的模型训练装置，其特征在于，所述训练模块检查当前是否满足设定的训练结束条件时，具体用于：获取各个不同摄像设备采集的测试样本数据；

利用获取的测试样本数据测试所述模型的性能是否满足预设性能要求；

如果是，确定当前满足设定的训练结束条件；

如果否，确定当前未满足设定的训练结束条件。

12.如权利要求11所述的模型训练装置，其特征在于，所述训练模块利用获取的测试样本数据测试所述模型的性能是否满足预设性能要求时，具体用于：将获取的测试样本数据分组，每一组中包括从不同摄像设备获取的两个测试样本数据，并获取每一组测试样本数据对应的预设相似度；

将各测试样本数据分别输入至模型，以由所述模型从输入的测试样本数据中提取出特征信息；

计算每一组两个测试样本数据的特征信息之间的相似度，如果有一组两个测试样本数据的特征信息之间的相似度与对应的预设相似度不匹配，确定所述模型的性能不满足预设性能要求，否则，确定所述模型的性能满足预设性能要求。

13.一种电子设备，其特征在于，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如权利要求1-6中任意一项所述的模型训练方法。