作者Mr.Jian 國內(nèi)某知名智能駕駛服務商圖像算法工程師

從我經(jīng)歷了吉利-博越L的視覺感知量產(chǎn)落地，談一談自己的感悟。

總結(jié)算法工程師的核心競爭點：

1.對數(shù)據(jù)的深入理解

2.深入分析與解決當前問題

3.擴展模型功能

4.創(chuàng)新的問題建模思想

5.渴望追求極致的效果

1. 對數(shù)據(jù)的深入理解

這部分是在數(shù)據(jù)層面。在實際量產(chǎn)項目中，我們并沒有現(xiàn)成的數(shù)據(jù)，必須從0構(gòu)建適合當前量產(chǎn)要求的高質(zhì)量數(shù)據(jù)集，不同算法工程師的區(qū)分度就在于，a. 能不能制定出完善的標注規(guī)則，b. 能不能從百萬量級的路采數(shù)據(jù)中，挖掘出真正對模型有價值的那些數(shù)據(jù)。

對于a，制定出完善的標注規(guī)則，為代碼解析數(shù)據(jù)提供精確的信息，來創(chuàng)建高質(zhì)量的Dataset，為模型的訓練效果上限提供關(guān)鍵的支撐。

對于b，并不是路采的數(shù)據(jù)越多越好，對模型的訓練就越有益。在實際訓練模型時，當數(shù)據(jù)量增大到一定量級時，模型性能的提升幾乎很微妙。所以，我們需要去挖掘那些真正有價值的數(shù)據(jù)，丟棄那些低效數(shù)據(jù)，讓模型用最少且最有價值的數(shù)據(jù)，來達到量產(chǎn)的要求。

2. 深入分析與解決當前問題

這是在實際問題層面。一個模型要想達到量產(chǎn)要求，必然要經(jīng)過無數(shù)次的測試，這些測試目的就是讓模型暴露出短板，并記錄下這些問題。那么面對這些近在眼前的待解決問題，依據(jù)待解決問題的優(yōu)先級，能不能高效解決它。

你能不能分析這些問題，定位出這些問題產(chǎn)生的真正原因是什么，這背后其實要求你對模型訓練及推理過程了如指掌，并且對模型本身的細節(jié)有著自己深入的理解。定位出了問題所在，能不能解決它？

比如對60米之內(nèi)的中大目標，預測的bbox坐標不穩(wěn)定，有較大的抖動問題，導致測距不穩(wěn)定，怎么解決？對公交站、房屋頂?shù)忍囟ū尘罢`檢，怎么解決？大于100m的車輛車型分類出現(xiàn)跳動怎么解決？等等。

在你用A方法解決某個問題時，需要同時考慮A方法帶來的正面影響，以及負面影響，需要你進行全面的評估，給出確切的結(jié)論。如果負面影響對模型的整體性能以及對應的駕駛功能不影響，那么這個改進是有效的。

除此之外，還要對用戶使用的功能有足夠的了解，比如在做變更車道、上下匝道這些功能時，對你所做的檢測有什么要求？近距離保證不漏檢、不誤檢，中遠距離的檢測要求高precision等等。

3. 擴展模型功能

這部分是模型層面，也是最能體現(xiàn)算法工程師區(qū)分度的其中一項?，F(xiàn)在優(yōu)秀的開源代碼框架非常多，很容易就能在自己的數(shù)據(jù)集中跑出一個不錯的效果出來。但是在實際量產(chǎn)項目中，開源代碼可能只能幫助我們完成一部分功能。很多情況下，我們需要根據(jù)實際功能需求，在已有的模型中擴展相應的功能。

比如，實際需求是要根據(jù)車輪接地點來對橫向車輛測距，那么我們不僅要讓檢測模型預測目標的bbox和cls，還要讓模型預測車輪的接地點坐標和類別，能不能在現(xiàn)有數(shù)據(jù)集下，拓展模型的這些功能，且不影響原來的功能。

又或者，在低算力的環(huán)境限制下，用2D檢測模型預測偽3D框，來代替3D檢測模型。

所以，擴展模型功能，需要你對模型背后的思想有著深入理解，并且代碼實現(xiàn)能夠很好的work。上面的例子，就需要你深入理解檢測模型背后的回歸思想以及分類思想，并且整體的訓練思想等等。

4. 創(chuàng)新的問題建模思想

這部分也是模型層面，相比于上面第3點，創(chuàng)新的問題建模思想更難。比如在低算力的條件下，想把車道線檢測的分割模型，轉(zhuǎn)變成檢測模型，并且和現(xiàn)有的目標檢測模型整合起來，來緩解模型前向推理時的計算壓力。

這個時候，需要你根據(jù)當前數(shù)據(jù)集提供的gt信息，并且參考學術(shù)界的一些方法，來思考出一些可行方案，適配當前的量產(chǎn)項目。這需要你在模型技術(shù)上的探索有足夠深入，并且具有一定的技術(shù)廣度，方法轉(zhuǎn)變?yōu)榇a實現(xiàn)的能力足夠扎實。

5. 渴望追求極致的效果

這部分是功能層面。在量產(chǎn)級項目中，如果一個功能在實際使用中讓用戶體驗感不好，那么這個功能是失敗的。

比如在車輛撥桿變道這個功能上，如果能夠在預定的3s內(nèi)，甚至更短的時間內(nèi)，“絲滑”的完成變道這個功能，并且完成率接近1，是OK的。

作為算法工程師，我們需要從功能端，去逆推回自己所做的事情對這個功能的影響，進而了解對自己模型的要求，多少米內(nèi)一定不能出現(xiàn)誤檢、漏檢，并且預測bbox一定要穩(wěn)定，在達成具體要求后，問問自己能不能再做的更好些？

這或許和自己本身的性格也有關(guān)系，有些算法工程師完成要求后，就放下來了，這本身完全沒問題。有些算法工程師會再進一步思考，把模型做到極致，在量產(chǎn)級的模型方面，體現(xiàn)出“工匠精神”，我覺得這是有意義的“卷”。