1.一种用于定位多目标特征点的深度学习模型的构建方法，其特征在于，包括：获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据所述特征数据进行目标检测得到目标位置信息的检测网络、用于根据所述特征数据进行关键点检测得到关键点信息的定位网络以及用于组合所述目标位置信息和所述关键点信息得到目标特征点并输出所述目标特征点的输出网络；

组合所述堆叠沙漏网络、所述检测网络、所述定位网络以及所述输出网络得到多任务学习网络模型；

在所述多任务学习网络模型中设置加权目标函数、预设训练条件以及与所述输入数据对应的超参数，得到第一训练模型；

对所述第一训练模型进行训练，得到第二训练模型和与所述第二训练模型相对应的训练信息；

在所述训练信息满足所述预设训练条件时，保存所述第二训练模型为用于定位目标特征点的深度学习模型。

2.根据权利要求1所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，所述检测网络为YOLO网络。

3.根据权利要求1所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，所述获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据所述特征数据进行目标检测得到目标位置信息的检测网络、用于根据所述特征数据进行关键点检测得到关键点信息的定位网络以及用于组合所述目标位置信息和所述关键点信息得到目标特征点并输出所述目标特征点的输出网络的步骤之前，所述方法还包括：通过预处理网络获取预设的训练集，并对所述训练集进行预处理得到输入数据。

4.根据权利要求1所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，在所述多任务学习网络模型中设置加权目标函数、预设训练条件以及与所述输入数据对应的超参数，得到第一训练模型的步骤之前，所述方法还包括：获取关键点定位目标函数和边界检测目标函数；

根据所述关键点定位目标函数和所述边界检测目标函数进行加权计算得到加权目标函数。

5.根据权利要求1所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，所述与所述输入数据对应的超参数至少包括与所述输入数据对应的数据要求、所述堆叠沙漏网络的堆叠次数、所述的堆叠沙漏网络的阶数、训练批尺寸、网络优化器、学习率初始值以及学习率调整要求。

6.根据权利要求1所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，所述对所述第一训练模型进行训练，得到第二训练模型和与所述第二训练模型相对应的训练信息的步骤包括：获取预设的训练集和预设的验证集；

通过所述训练集对所述第一训练模型进行训练，得到第二训练模型；

通过所述验证集对所述第二训练模型进行测试，并通过所述训练集对所述第二训练模型进行测试，得到与所述验证集对应的第一测试结果以及与所述训练集对应的第二测试结果；

根据所述第一测试结果和所述第二测试结果进行计算，得到与所述第二训练模型相对应的训练信息。

7.根据权利要求6所述的用于定位多目标特征点的深度学习模型的构建方法，其特征在于，所述与所述第二训练模型相对应的训练信息包括误差差值，所述预设训练条件包括误差阈值，所述在所述训练信息满足所述预设训练条件时，保存所述第二训练模型为用于定位目标特征点的深度学习模型的步骤包括：在所述误差差值大于所述误差阈值时，保存所述第二训练模型为用于定位目标特征点的深度学习模型。

8.一种用于定位多目标特征点的深度学习模型的构建装置，其特征在于，所述用于定位多目标特征点的深度学习模型的构建装置包括：获取单元，用于获取用于提取输入数据包括的特征数据的堆叠沙漏网络、用于根据所述特征数据进行目标检测得到目标位置信息的检测网络、用于根据所述特征数据进行关键点检测得到关键点信息的定位网络以及用于组合所述目标位置信息和所述关键点信息得到目标特征点并输出所述目标特征点的输出网络；

组合单元，用于组合所述堆叠沙漏网络、所述检测网络、所述定位网络以及所述输出网络得到多任务学习网络模型；

设置单元，用于在所述多任务学习网络模型中设置加权目标函数、预设训练条件以及与所述输入数据对应的超参数，得到第一训练模型；

训练单元，用于对所述第一训练模型进行训练，得到第二训练模型和与所述第二训练模型相对应的训练信息；

存储单元，用于在所述训练信息满足所述预设训练条件时，保存所述第二训练模型为用于定位目标特征点的深度学习模型。

9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求

1至7中任一项所述的用于定位多目标特征点的深度学习模型的构建方法。

10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至7任一项所述的用于定位多目标特征点的深度学习模型的构建方法。