模型部署推理如何和现有程序集成：工业上使用的检查程序大多数是基于.NET或者C++，和较流行的python不同，而且开发者也无法再切换原有程序的语言，因为涉及到PC内很多运动控制、各种板卡和通讯交互等外部依赖的商业类库，更换语言的成本很高，也几乎不可能完成。目前一般2种方式对应：通过post通讯，python上训练和部署，并通过flask服务和原程序通讯交互；或者采用C++版本或者.net版本支持GPU的TensorFlow扩展，直接集成到现在程序中，进行训练和推理，实时内存*享图像变量和结果。个人建议采用第2种方式，开发起来更快高效。

模型不需要前沿 需要稳定高效：工业上的算法应用一般略微落后于前沿技术，以稳定高效为主。像图像处理方面一般还是使用一些传统的经典的算法，以深度学习做图像分类为例，简单的项目使用LeNet和AlexNet网络就足够，复杂的项目一般使用到VGG Net就可以。但也有部分较前沿的技术应用，比如超分算法，对图像进行扩展以增加细节，帮助提升分类精准性。

算法落地的配套工具开发量占比高：工业中一个完整项目的落地，需要交付一整套系统，其中生产人员的便捷应用和人性化的交互UI也是比较重要的。因此，深度学习在工业现场应用，很大一部分开发工作量在于配套的工具。例如，数据集标注制作、模型训练、模型快速部署和训练推理过程的可视化，这些都需要封装成易用稳定的工具，交付客户时可以让无编程经验的客户也能快速开展深度学习的业务。