-
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。