我們這一年來做的一些工作（總結見文章最下方）現在差不多形成了一個較完善的計算機視覺工具鏈——CVChain。我們這一年來做的一些工作（總結見文章最下方）現在差不多形成了一個較完善的計算機視覺工具鏈——CVChain。

縱向上它涵蓋了一個計算機視覺任務的生命周期：數據分析與模型選型、模型訓練、發現模型存在的問題并優化、模型加速、模型SDK編寫；橫向上它包含了計算機視覺中三個基本任務：分類、語義分割、目標檢測；與此同時它還總結了計算機視覺入門到進階的學習框架。一言以蔽之：有了CVChain，媽媽再也不用擔心我搞不定計算機視覺！

CVChain是我們平常做項目或者打比賽過程中打磨出來的，它們可以滿足計算機視覺算法工程師日常大部分需求，比如：

1.剛踏入計算機視覺領域，不知道從何學起，需要一張學習的地圖：

https://github.com/mileistone/study_resources/blob/master/modeling/learning_framework/learning_framework_general.md

部分示例

帶著自己一步一步領略計算機視覺的風采；

2.已經成為一名合格的計算機視覺算法工程師，開始接任務。當任務來了，需要分析數據分析數據以進行模型選型、模型超參的初步設定；

https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer/statistics

3.模型確定后，得訓練模型（可能涉及到分類、語義分割、文字識別、目標檢測等等），這個時候需要一個趁手的訓練工具；

分類：
https://github.com/Media-Smart/vedacls

語義分割
https://github.com/Media-Smart/vedaseg

示例

文字識別
https://github.com/Media-Smart/vedastr

示例

目標檢測
https://github.com/Media-Smart/vedadet

4.模型訓練完之后，效果不夠好，我們需要把FP、FN打印出來，分析模型存在的問題；

https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer/visualization

5.模型訓練好之后，需要將模型轉換為應用并進行部署，這里需要用TensorRT對模型進行加速，然后根據業務需求編寫Python前端或者C++前端的SDK；

加速
https://github.com/Media-Smart/volksdep

Python前端
https://github.com/Media-Smart/flexinfer

示例

C++前端
https://github.com/Media-Smart/cheetahinfer

6.計算機行業競爭激烈，平常得抽空加強學習，無論是工程、模型還是算法方面，都需要持續不斷學習，把自己訓練為一名六邊形戰士。

工程
https://github.com/mileistone/study_resources/tree/master/engineering

模型
https://github.com/mileistone/study_resources/tree/master/modeling

算法
https://github.com/mileistone/study_resources/tree/master/modeling/optimization_and_generalization

上述的“2、數據分析”提供以下功能。

1、瀏覽圖片和標注

比如分類、目標檢測、語義分割等等，這可以幫助我們對數據有一個感性的認識，可以定性出來這個任務有哪些挑戰。

2、圖片和標注分析

比如圖片大小分布，圖片長寬比分布，圖片中GT框數量分布，GT框長寬分布等等，這可以讓我們對數據有一些理性的認識，讓我們可以定量這個任務存在的挑戰。

3、打印模型預測結果中的FP、FN

比如分類。

比如目標檢測。

比如語義分割。

打印FP、FN可以讓我們發現模型存在的問題，進而有助于我們分析問題、定位問題直至解決問題。

4、anchor分析

比如GT匹配上的anchor數量分布，GT與匹配上anchor的IoU分布等等。這有助于我們設計出更好的anchor策略，比如anchor應該放在哪幾層，每一層anchor數量應該設置多少，對應的大小和長寬比是多少，以及label assignment該怎么做等等。

匯總

https://github.com/Media-Smart/vedaseg

https://github.com/Media-Smart/vedastr

https://github.com/Media-Smart/vedacls

https://github.com/Media-Smart/vedadet

Media-Smart/volksdep,https://github.com/Media-Smart/volksdep

Media-Smart/flexinfer,https://github.com/Media-Smart/flexinfer

https://github.com/Media-Smart/cheetahinfer

https://github.com/Media-Smart/volkscv

https://github.com/mileistone/study_resources

- 數據分析 - [volkscv](https://github.com/Media-Smart/volkscv/tree/master/volkscv/analyzer/) - 數據瀏覽 -> 獲取感性認識 - 圖片、標注 - 數據統計 -> 獲取理性認識 - 圖片統計 - 大小 - 長寬比 - 等等 - 標注統計 - 類別 - 各個類別有多少實例 - 等等 - GT框 - 大小 - 長寬比 - 等等 - anchor分析 - GT掛上anchor的數量分布 - GT與掛上anchor的IoU分布- 模型訓練 - [vedaseg](https://github.com/Media-Smart/vedaseg) - semantic segmentation - [vedastr](https://github.com/Media-Smart/vedastr) - scene text recognition - [vedacls](https://github.com/Media-Smart/vedacls) - classification - [vedadet](https://github.com/Media-Smart/vedadet) - object detection - 應用部署 - [volksdep](https://github.com/Media-Smart/volksdep) - increase efficiency and decrease latency - convert PyTorch，ONNX model to TensorRT engine - [flexinfer](https://github.com/Media-Smart/flexinfer) -> Python front end SDK based on TensorRT engine - classification - semantic segmentation - scene text recognition - object detection - [cheetahinfer](https://github.com/Media-Smart/cheetahinfer) -> C++ front end SDK based on TensorRT engine - classification - semantic segmentation - object detection- 學習資源 - [學習框架]

(https://github.com/mileistone/study_resources/tree/master/modeling/learning_framework) - 知識點 - 相關課程與書籍 - 基礎 - [工程](https://github.com/mileistone/study_resources/tree/master/engineering) - 編程語言 - Python - C++ - 軟件工程 - 設計模式 - 操作系統 - Linux - Bash - Vim - 編譯工具鏈 - [模型](https://github.com/mileistone/study_resources/tree/master/modeling) - 內容 - 機器學習 - 深度學習 - 計算機視覺 - 形式 - 課程 - 書籍 - 論文 - [算法](https://github.com/mileistone/study_resources/tree/master/modeling/optimization_and_generalization) - 凸優化 - 數值優化

責任編輯：xj

原文標題：CVChain：一條用視覺競賽和項目經驗打磨出的計算機視覺完整工具鏈

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。