1.一种图像数据的标注方法，其特征在于，包括：获取待标注的图像数据；

利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；

利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。

2.根据权利要求1所述的方法，其特征在于，在获取待标注的图像数据后，所述方法还包括：对所述待标注的图像数据进行均衡化处理。

3.根据权利要求2所述的方法，其特征在于，对所述待标注的图像数据进行均衡化处理，包括：根据所述待标注的图像数据，生成图像通道像素值的直方统计图；

对所述图像通道像素值的直方统计图中位于阈值范围内的通道像素值进行线性扩充；

根据线性扩充后的图像通道像素值的直方统计图，确定均衡化处理后的待标注的图像数据。

4.根据权利要求1所述的方法，其特征在于，利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，包括：提取所述目标区域的位置处的图像数据；

利用所述预设的分类网络模型对所述目标区域位置处的图像数据进行目标对象识别，以生成置信度参数，并根据所述置信度参数确定识别结果，其中，所述置信度参数用于指示所述目标区域的位置处的图像数据为目标对象的概率。

5.根据权利要求1所述的方法，其特征在于，所述预设的检测网络模型按照以下方式建立：获取第一训练样本，其中，所述第一训练样本包括标注有目标对象所处位置的图像数据；

利用所述第一训练样本对第一神经网络模型进行训练学习，得到所述预设的检测网络模型。

6.根据权利要求5所述的方法，其特征在于，利用所述第一训练样本对第一神经网络模型进行训练学习，包括：通过迁移学习的方法，利用所述第一训练样本对所述第一神经网络模型进行训练学习。

7.根据权利要求1所述的方法，其特征在于，所述预设的分类网络模型按照以下方式建立：获取第二训练样本，其中，所述第二训练样本包括标注有目标对象名称的图像数据；

利用所述第二训练样本对第二神经网络模型进行训练学习，得到所述预设的分类网络模型。

8.根据权利要求7所述的方法，其特征在于，所述第二神经网络模型包括改进的YOLOv3模型，其中，所述改进的YOLOv3模型按照以下方式进行改进：在进行多目标检测的情况下，将YOLOv3模型中的回归分类器的数量修改为多个；

在进行单目标检测的情况下，将YOLOv3模型中的回归分类器的数量修改为单个。

9.一种图像数据的标注装置，其特征在于，包括：获取模块，用于获取待标注的图像数据；

第一标注模块，用于利用预设的检测网络模型确定出所述待标注的图像数据中的目标区域，并标注出所述目标区域的位置；

第二标注模块，用于利用预设的分类网络模型对所述目标区域的位置处的图像数据进行识别，并标注识别结果。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括均衡化处理模块，用于对所述待标注的图像数据进行均衡化处理。

11.根据权利要求9所述的装置，其特征在于，所述第一标注模块包括：第一提取单元，用于提取所述目标区域的位置处的图像数据；

第一标注单元，用于利用所述预设的分类网络模型对所述目标区域位置处的图像数据进行目标对象识别，以生成置信度参数，并根据所述置信度参数确定识别结果，其中，所述置信度参数用于指示所述目标区域的位置处的图像数据为目标对象的概率。

12.根据权利要求9所述的装置，其特征在于，所述装置还包括第一建立模块，其中，所述第一建立模块包括：第一获取单元，用于获取第一训练样本，其中，所述第一训练样本包括标注有目标对象所处位置的图像数据；

第一学习单元，用于利用所述第一训练样本对第一神经网络模型进行训练学习，得到所述预设的检测网络模型。

13.根据权利要求9所述的装置，其特征在于，所述装置还包括第二建立模块，其中，所述第二建立模块包括：第二获取单元，用于获取第二训练样本，其中，所述第二训练样本包括标注有目标对象名称的图像数据；

第二学习单元，用于利用所述第二训练样本对第二神经网络模型进行训练学习，得到所述预设的分类网络模型。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至8中任一项所述方法的步骤。