如何将深度学习模型部署到实际工程中？（分类+检测+分割）
source link: https://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ%3D%3D&mid=2247584979&idx=1&sn=6a9821711ee868337903c4f718b09077&scene=21
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
如何将深度学习模型部署到实际工程中？（分类+检测+分割）
早在遥远的1989年，一家叫做ALVIVN的公司首次将神经网络用在汽车上，进行车道线检测和地面分割。时至今日，深度学习已经应用在自动驾驶系统的多个分支领域。首先是感知领域，常用的传感器有相机、激光雷达和毫米波雷达。深度学习利用二维图像或三维点云作为输入，对其中的障碍物进行检测、识别、分割、跟踪和测距。
M3DSSD: Monocular 3D Single Stage Object Detector
PointPillars: Fast Encoders for Object Detection from Point Clouds
其次是定位领域，自动驾驶通常需要厘米级的定位精度，这就使得传统高精地图在许多场景下不十分可靠。近年来一些方法使用在线地图学习，基于车载传感器观测，动态地构建高清地图，是一种比传统的预标注高清地图更可扩展的方式，为自动驾驶车辆提供语义和几何先验。
HDMapNet: An Online HD Map Construction and Evaluation Framework
再次是预测规划，使用深度学习方法可以更好的预测障碍物的轨迹，甚至有的方法把感知-预测结合来解决问题。
PnPNet: End-to-End Perception and Prediction with Tracking in the Loop
正因为深度学习算法在自动驾驶中的广泛应用，使得模型部署工程师炙手可热，大多数公司既要求算法工程师设计算法，又要部署移植，同时具备两项技能的人才一直是自动驾驶公司优先录取的对象，对应的薪资也是非常可观。
如何入门学习？无论是分类、检测或分割任务，大多数深度学习算法都有对应的开源实现，通常基于python，然而如何将模型部署到C/C++工程中并没有系统的教程，导致很多童鞋停留在模型的调参与优化上，为此我们推出了国内首个面向工业级实战类教程：《自动驾驶中的深度学习模型部署实战》，一线大厂算法工程师带队，10年工程化经验，帮助大家快速进步，少走弯路。目前大多数自动驾驶硬件平台采用英伟达的GPU方案，无论是工控机平台上，还是嵌入式平台。软件方面，Nvidia则提供了丰富的SDK来帮助开发者使用GPU，比如适用于模型部署的TensorRT，适用于数据处理的NPP和NvMedia等，还有cuDNN和cublas等基础库可供使用，甚至可使用cuda c更方便的进行扩展。本课程主要讲解如何使用TensorRT进行模型部署，以及使用NPP和cuda进行数据预处理，其中TensorRT和cuda是本课程的两个重点，cuda则是其中相对的难点。课程大纲如下：
课程要求和面向对象1.计算机视觉相关方向，具备一定Python或者C/C++的编程基础；2.需要自备GPU或网上租赁服务器；
3.对自动驾驶领域有着强烈兴趣的本科生、研究生，从事模型部署相关工作的人员。
2021年12月11日正式开课，历时两个月，详细课表以学习群内公告为准。
课程咨询与购买▲扫码学习课程
群号：910070197
▲课程咨询QQ群，了解更多
▲长按加客服微信，咨询更多
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK