=====================

需求是变化的，但思考的过程是相同的。

我的很多日常工作包括：针对客户的要求集思广益，提出可能的计算机视觉解决方案，为演示制作快速原型，希望能赢得项目，并通过几个月的努力开发和部署这些解决方案。

从开发人员的角度看简历周期的实际基础知识

我最喜欢的工作部分： 收到一个需要用计算机视觉解决的问题，集思广益，找出最适合客户的解决方案，这是最初的高潮。我逐渐意识到这是一项宝贵的技能--知道什么时候使用什么。

我想通过一个例子来分享我处理计算机视觉用例的三个步骤。

*这个例子：*我家有一个很好的储藏室，里面装满了干果和坚果，需要不断补充。我的工作就是要确保它总是有货的。如何用计算机视觉和图像分析来完成这个任务？

第1步：询问，你将得到

通常情况下，传来的需求听起来和我上面说的例子一模一样。这个需求来自于一个不知道你所需要的技术细节的人。

一个要坚持的提示： 假设是开发者生存的祸根。你会建立一些东西，然后客户会不断地在你的解决方案中增加和减少一些东西。你需要一个简明、具体、完整的需求来工作，而得到这个需求的最好方法是通过提问。

这里有一组我经常问的问题：

关于这个例子，几个具体的问题可能是：

根据这些问题，客户会进一步阐述，而你也会对目标有一个更好的了解。

示例客户的回答： 用户将在一个移动应用程序内拍照，该应用程序将对储藏室进行盘点，并立即告诉用户哪些干果和坚果需要补货，并基本上创建一个购物清单，以WhatsApp消息的形式发送给他们。这些罐子并不是静态的，可以按任何顺序排列。有十种不同类型的干果和坚果，同一种零食可能有多个罐子。

第2步：最小可行产品的心态

什么是最小可行产品？ 它是一个产品或服务的基本版本，是以最小的特征和功能开发的。就计算机视觉而言，它可能是一个精度不够高的解决方案。

以数据为中心的深度学习是未来的趋势，这意味着拥有最小可行产品（MVP）的心态是至关重要的。客户也需要接受这个观点。

MVP的销售宣传： 计算机视觉模型的好坏取决于它们所训练的数据（图像），而没有比生产数据更好的数据。在发布MVP的几周后，收集的生产数据可以用来重新训练和更新模型。

MVP思维也可能意味着最初发布的解决方案不是基于深度学习模型的。

关于这个例子： 茶水间存货的MVP可以基于OpenCV异议检测（用于检测罐子），并使用HSV值范围来识别基于颜色的干果和坚果。此外，罐子的边界框可用于参考，以检查零食是否低于罐子的一半位置。如果是，那么该识别的零食可以被添加到购物清单中进行补货。

示例MVP

例子MVP两周后： 收集的生产数据可以用来训练两个深度学习物体检测模型；一个用于罐子检测，一个用于干果和坚果检测。干果和坚果的边界盒和罐子的边界盒可以进行比较，以了解可用的库存量。

更新的MVP

人工智能和机器人还没有占领世界是有原因的。人工智能远非完美，即使环境中最轻微的变化也会导致问题和错误的预测。例如，计算机视觉系统可能无法在照明条件改变时准确识别物体，或在改变相机角度时。

在开始实际开发过程之前，计划一些时间来做背景研究，对图像进行实验，尝试不同的想法，并开发一个快速原型，总是一个好主意。花时间做这些步骤可以帮助识别潜在的问题，并确定解决这些问题的最佳方法。

这有什么帮助？ 这种实验也可以帮助提出创新的想法，测试不同的算法，以达到更好的准确性和性能。这是一个很好的方法来确定数据中的任何差距或算法中的错误，并进行必要的调整以提高系统的性能。

就这样，你已经具备了接近计算机视觉用例的前三个步骤。请永远记住，保持你的眼睛和耳朵对人工智能的最新进展的关注。谢谢你的阅读和学习。