我们今年已完成的一些工作（请参见文章底部的摘要）现在几乎已经形成了更完整的计算机视觉工具链-CVChain。我们今年已完成的一些工作（请参见文章底部的摘要）现在几乎已经形成了更完整的计算机视觉工具链-CVChain。从纵向上讲，它涵盖了计算机视觉任务的生命周期：数据分析和模型选择，模型训练，发现和优化模型问题，模型加速以及模型SDK编写；从水平上讲，它包括计算机视觉中的三个基本任务。 ：分类，语义分割，目标检测；同时，它还总结了从入门到高级计算机视觉的学习框架。简而言之：有了CVChain，妈妈不再需要担心我无法处理计算机视觉！在我们通常的项目或比赛中，CVChain会被抛光。它们可以满足计算机视觉算法工程师的大多数日常需求，例如：1.刚进入计算机视觉领域，却不知道从哪里开始。您需要一张学习地图：https://github.com/mileistone/study_resources/blob/master/modeling/learning_framework/learning_framework_general.md一些示例将带您逐步了解计算机视觉的风格； 2.成为合格的计算机视觉算法工程师，开始下一个任务。当任务到来时，有必要分析数据并分析数据以进行模型选择和模型超参数的初步设置。 https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer/statistics 3.模型确定之后，您必须训练模型（可能涉及分类，语义分割，文本识别，目标检测） ， 等等。）。目前，您需要方便的培训工具；分类：https://github.com/Media-Smart/vedacls语义分段https://github.com/Media-Smart/vedaseg样本文本识别https://github.com/Media-Smart/vedastr样本目标检测https ：//github.com/Media-Smart/vedadet4。训练模型后，效果不够好。我们需要打印出FP和FN来分析模型的问题； https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer/visualization 5.训练模型后，我们需要将模型转换为应用程序并进行部署。在这里，您需要使用TensorRT来加速模型，然后根据业务需要编写Python前端或C ++++前端SDK。加速https://github.com/Media-Smart/volksdepPython前端https：// github .com / Media-Smart / flexinfer示例C ++前端https://github.com/Media-Smart/cheetahinfer6。计算机行业竞争激烈，通常需要花一些时间来加强学习，无论是工程学，模型还是算法，都需要持续学习，将自己训练成六角形的勇士。工程https://github.com/mileistone/study_resources/tree/master/engineering模型https://github.com/mileistone/study_resources/tree/master/建模算法https://github.com/mileistone/study_resources/tree / master / modeling / optimization_and_generalization上面的“ 2，数据分析”指的是：提供以下功能。 1.浏览图片和注释，例如分类，目标检测，语义分割等，这可以帮助我们对数据有感知上的理解，并且可以定性地识别此任务的挑战。 2.图像和注释分析，例如图像尺寸分布，图像长宽比分布，图像中GT盒的数量，GT盒长度和宽度分布等，这使我们对数据有一定的了解，这样我们就可以量化该任务存在的挑战。 3.在模型的预测结果中打印FP和FN，例如分类。如目标检测。如语义分割。通过打印FP和FN，我们可以发现模型的问题，从而帮助我们分析问题，定位问题和解决问题。 4.锚点分析，例如GT匹配上的锚点数量分布，GT的IoU分布和匹配的锚点等等。这有助于我们设计更好的锚策略，例如应放置锚的哪一层，每层应设置多少锚，相应的大小和纵横比是多少以及如何进行标签分配等。摘要https ：//github.com/Media-Smart/vedaseg https://github.com/Media-Smart/vedastr https://github.com/Media-Smart/vedacls https://github.com/Media-Smart/ vedadetMedia -Smart / volksdep，https：//github.com/Media-Smart/volksdepMedia-Smart/flexinfer,https：//github.com/Media-Smart/flexinferhttps：//github.com/Media-Smart/cheetahinferhttps： / /github.com/Media-Smart/volkscvhttps://github.com/mileistone/study_resources-data analysis- [volkscv]（https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer /）-数据浏览->获取性能