入行几年,做过不少视觉项目,分类、检测、分割、关键点定位,传说中的三大浪漫全都齐全了。从起初的摸索到慢慢总结出系统的流程,也算是所谓的在实践中学习吧。
通常来说,一个深度学习项目从立项到落地需要经历以下步骤。
需求分析和验收指标制定
需求分析
- 用于服务器端还是移动端
- 对准确度和延迟的要求如何
- 模型大小有无限制
- 内存峰值
验收指标制定
客观指标
- 模型精度,比如分类的准确度、检测的mAP、分割的IoU、关键点的MSE等
- 模型大小
- 速度
- 内存峰值
主观指标
- 比如关键点的稳定性
- 分割的可接受度和GAN的生成图片质量
主观指标一般通过多人全部或随机打分来实现。通常可以采用5分制。3分为可用,4分为较好,5分为优秀。
技术选型
- 调研主流算法
- 评估开源代码是否可用
- 可用
- 可改进
- 不可用:评估自己从头实现的难度
数据准备
- 公开数据集
- 自己标注
- 数据清洗
代码编写和模型训
- 代码编写:可视化,确保代码的正确性
- 训练加速:数据预加载、GPU预处理
- 开始炼丹,迭代优化:超参数设置、数据增广、损失函数
模型部署
- 服务器端
- 移动端
网友评论