Wie man 2021 Computer Vision Engineer wird

Inhaltsverzeichnis

0. Vorwort

1. MOOCs

2. Bibliotheken und Frameworks für maschinelles Lernen

3. Bücher

4. Cloud-Dienste

5. Zertifikat

6. Tiefes Lernen

7. Mobile und Edge-Geräte

8. Programmiersprachen

9. Fazit 

10. Referenz

---

 

• 0. Vorwort

  • Wir sind nicht überrascht von der Tatsache, dass sich die ML-Branche ständig verändert, da KI bekanntermaßen mit Innovationsgeschwindigkeit voranschreitet
  • Mein Punkt ist, dass die Techniken, die die meisten ML-Praktiker im Jahr 2020 verwenden, im Jahr 2021 veraltet sein könnten. Deshalb müssen wir uns anpassen und verändern
  • In diesem Artikel beginne ich Ihre Reise als Computer Vision (CV)-Ingenieur, indem ich acht Methoden aufzeige, die heute verfügbar sind.

• 1. MOOCs

  • Massive Open Online Courses, massive offene Online-Kurse
  • MOOCs sind ein modernes Lerninstrument, das 2008 auf den Markt kam. Heutzutage ist dies der bevorzugte Weg für Datenwissenschaftler und Praktiker des maschinellen Lernens, um Fachkenntnisse zu erwerben. Häufig verfügen diese Kurse über anerkannte Akkreditierungen und Zertifikate
    • In den meisten Fällen sind die Kosten für das Studium über MOOCs im Vergleich zu einem Studium an einer akademischen Einrichtung oder Universität sehr gering. MOOCs, die Studenten durch Rabatte und Zahlungspläne finanziell unterstützen, sind keine Seltenheit
    • Ein weiterer Vorteil von MOOCs gegenüber akademischen Einrichtungen ist die Flexibilität bei der Belegung von Lehrveranstaltungen. Online-Kurse und -Prüfungen ersparen es Ihnen, sich strikt an den Stunden- und Prüfungsplan der Schule zu halten
  • „Bei der Bildung geht es nicht darum, die Herde auszudünnen. Bei Bildung geht es darum, jedem Schüler zum Erfolg zu verhelfen.“ – Andrew Ng
    • "Bildung soll nicht die Masse abschirmen, Bildung soll jedem Schüler zum Erfolg verhelfen" - Ng Enda
  • Im Internet gibt es eine große Anzahl von MOOCs zum Thema Lebenslauf.Das Hauptproblem, dem Sie möglicherweise gegenüberstehen, ist: Wie wählen Sie den Online-Kurs aus, den Sie benötigen?
    • Ich empfehle Ihnen, zunächst die von den Kandidaten erwarteten beruflichen Anforderungen in Bezug auf Fähigkeiten und Technologie zu beachten, bevor Sie den richtigen Online-Kurs auswählen
    • Hier einige Links zu MOOCs:
      • Werden Sie Computer Vision Experte
      • Deep-Learning-Spezialisierung
      • Erweitertes maschinelles Sehen mit TensorFlow
      • Einführung in TensorFlow für Deep Learning
      • DeepLearning AI TensorFlow Developer Professional Certificate
      • Einführung in das maschinelle Sehen
      • Computer Vision-Grundlagen
      • Praktisches Deep Learning für Programmierer
    • Nachfüllen:
      • Fünf beste Online-Kurse zum Erlernen von Lebenslauf und OpenCV im Jahr 2021
    • Es gibt viele andere MOOCs, und die folgenden Faktoren sollten bei der Suche berücksichtigt werden: Berufsrelevanz, technische Anforderungen, Zeitdauer, Kursbewertung und Kosten
  • MOOCs sind nicht nur für Anfänger, erfahrene ML-Praktiker und Deep-Learning-Ingenieure sehen sich MOOCs für Fortgeschrittene und Fortgeschrittene zu lebenslaufspezifischen Themen an, um entsprechende Fachkenntnisse zu erwerben oder zu verbessern
  • Im Jahr 2021 sind Geschwindigkeit , Anwendbarkeit und Praktikabilität die Prioritäten für Praktiker des maschinellen Lernens. Um den Übergang vom Studenten zum Experten zu schaffen, sollte man sich beim Betrachten von MOOCs eher auf die praktischen Aspekte von ML als auf die in der Universität erlernten theoretischen Inhalte konzentrieren. Dies kann eine zeit- und geldsparende Entscheidung sein.
  • Hinweis: Der Erwerb eines höheren Abschlusses ist von Vorteil, recherchieren Sie selbst, bevor Sie eine Karriereentscheidung treffen

• 2. Bibliotheken und Frameworks für maschinelles Lernen

  • Maschinelles Lernen ist ein Bereich, der viele Methoden und Techniken zur Lösung von CV-Problemen verwendet, darunter: Zielerkennung, Gesichtserkennung, Posenschätzung usw.
  • Sie müssen keine neuartigen Algorithmen entwickeln, um triviale CV-Aufgaben zu lösen (es sei denn, Sie arbeiten in der Forschung), die meisten Tools, die Sie in Ihrem Studium und Ihrer Arbeit verwenden, finden Sie in ML-Bibliotheken und -Frameworks
    • ML-Bibliotheken und -Frameworks bieten ML-Praktikern eine praktische Reihe von Tools zum Implementieren, Trainieren, Testen und Bereitstellen von CV-Lösungen. Häufig verwendete Tools und Bibliotheken wie: TensorFlow und PyTorch , andere wie: FastAI , Caffe2 , Keras , Scikit-Learn , MXnet , Darknet usw.
    • Die ML-Branche scheint sich auf TensorFlow (Keras) und TyTorch als Industriestandards festgelegt zu haben. Aus meiner derzeitigen Perspektive als CV-Ingenieur nutze ich TensorFlow gut, um ML-Modelle zu entwickeln und in verschiedenen Situationen einzusetzen
  • Hier ist eine typische Checkliste, auf die Sie sich beziehen können, wenn Sie etwas über ML-Bibliotheken lernen
    • Erstellen und laden Sie ein Dataset für das Training
    • Vorverarbeitung von Datensätzen unterschiedlicher Form (Text, Bilder, Zahlen)
    • Führen Sie eine Datenerweiterung durch
    • Neurale Netze von Grund auf neu implementieren
    • Implementierung tiefer neuronaler Netze von Grund auf neu
    • Implementieren Sie einen benutzerdefinierten Trainingsprozess für das Netzwerk
    • Führen Sie eine Bildklassifizierung mit verschiedenen Netzwerkarchitekturen durch
    • Laden Sie das Modell für Transfer Learning
    • Implementieren Sie benutzerdefinierte (benutzerdefiniert), Dropout- und allgemeine (gemeinsame) Schichten, die in neuronalen Netzwerken von Grund auf neu zu finden sind
    • Trainieren Sie ein Deep-Learning-Modell
    • Verwenden Sie TensorBoard, um den Trainingsprozess zu überwachen
    • Speichern und laden Sie das trainierte Modell
  • Hinweis : Die obige Liste enthält nicht alles, was Sie wissen müssen, tatsächlich sind dies wahrscheinlich nur 20 % dessen, was Sie wissen müssen, um ein professioneller CV-Ingenieur zu werden. Die obige Liste dient nur zur Orientierung, Sie können die obige Liste jederzeit ergänzen und ändern

• 3. Bücher

  • Um CV-Ingenieur zu werden, müssen Sie sich auf praktische ML- und CV-Bücher beziehen
  • CV-Ingenieure können nicht aufhören zu lernen, vor allem, weil sich der Bereich der KI täglich weiterentwickelt
  • Man trifft oft auf ML-Praktizierende, die auf dem gleichen Niveau wie Studenten studieren, aber eine Karriere beibehalten. Als ML-Praktiker muss ich Bücher, Blogs, Forschungsberichte und Artikel lesen, um mit der ML-Branche Schritt zu halten
  • Eines der lesenswertesten Bücher ist Hands-On Machine Learning with Scikit-Learn, Keras, & TensorFlow von Aurélien Géron . Dieses Buch ist für alle Praktiker von Data Science bis NLP geeignet

• 4. Cloud-Dienste

  • CV-Ingenieure müssen Cloud-Services verstehen, müssen aber keine Experten für Cloud-Services sein. Sie müssen wissen, wie man ML-Modelle auf Cloud-Servern wie GCP , Microsoft Azure und AWS ausführt
  • Hier sind die Gründe, warum CV-Ingenieure Cloud-Dienste verstehen und nutzen sollten:
    • Computing-Ressourcenverfügbarkeit . Das Training von Deep-Learning-Modellen ist teuer, insbesondere wenn Sie teure Workstations und Maschinen kaufen müssen. Der Cloud-Service stellt GPUs bereit, die für unterschiedliche Rechenanforderungen geeignet sind, und die Nutzung dieser Rechenressourcen wird nach Dauer abgerechnet
    • Greifen Sie aus der Ferne auf freigegebene Arbeitsbereiche zu . Die meisten Teams verwenden Cloud-Dienste, um eine Online-F&E-Umgebung aufzubauen, um sicherzustellen, dass jedes Teammitglied aus der Ferne auf Arbeitsbereiche und Ressourcen zugreifen kann
    • Standardlösungen und trainierte Modelle
    • Ein Cloud-Server ist ein Modell, das maschinelle Lernmodelle über eine API bereitstellt
  • Die Nutzung von Cloud-Diensten kann einschüchternd und manchmal unerwartet kostspielig sein, insbesondere wenn Sie vergessen, Ihre Instanz herunterzufahren
  • In Bezug auf die Fähigkeiten kann das Verständnis von Cloud-Diensten Sie zu einem Top-Ingenieur in der CV-Branche machen

• 5. Zertifikat

  • Ich spreche nicht von dem Zertifikat, das Sie nach Abschluss des Online-Kurses erhalten. Für ML-Praktiker gibt es viele Zertifizierungen, die ihr Fachwissen in einer bestimmten Bibliothek, einem Cloud-Dienst, einem Framework usw. belegen.
  • TensorFlow, AWS und GCP sind die Tools und Ressourcen, die ich in diesem Artikel erwähnt habe, und die Unternehmen und Organisationen, die diese Tools und Ressourcen bereitstellen, stellen auch entsprechende Zertifikate aus
  • Vor einigen Jahren reichte ein fortgeschrittener Abschluss aus, um sich einen Job im ML zu sichern. Aber mit der Zunahme von ML-Praktikern neigen Personalvermittler dazu, einige Kandidaten anhand ihrer Zeugnisse zu überprüfen
  • Hier sind einige Zertifizierungen, die für ML-Praktiker relevant sind:
    • TensorFlow-Entwicklerzertifikat
    • Google Cloud ML Engineer-Zertifikat
    • AWS-zertifizierte Spezialität für maschinelles Lernen
    • Google Cloud Professional Data Engineer
    • Google Cloud Associate Cloud Engineer
    • DeepLearning.AI TensorFlow Developer Professional Certificate

• 6. Tiefes Lernen

  • Deep Learning (DL) ist das Gebiet der Verwendung tiefer künstlicher neuronaler Netze, um Muster in Daten zu erhalten
  • CV-Ingenieure verwenden DL-Modelle, um CV-Aufgaben zu lösen. Sie müssen die Konzepte und Ideen verstehen, die die Essenz des DL-Feldes ausmachen
  • Im Jahr 2021 hat die Bekanntheit des Convolutional Neural Network (CNN) aufgrund des Aufkommens der Transformer-Architektur leicht abgenommen
  • Da sich Transformer noch in der Entwicklung befindet, ist die Verwendung für CV-Aufgaben keine zwingende Voraussetzung für ML-Praktiker, um einen Job zu bekommen
  • Einige aktive ML-Praktiker erforschen jetzt Transformers und verstehen, wie man sie implementiert und anwendet

• 7. Mobile und Edge-Geräte

  • Instagram, TikTok, YouTube, Facebook, die mobilen Apps dieser Unternehmen verwenden alle auf irgendeine Weise ML-Modelle
  • Im Jahr 2021 müssen Computer-Vision-Ingenieure Tools und Frameworks verstehen, die in der Lage sind, Modelle in einer mobilen Umgebung zu entwickeln und zu integrieren
  • Hier sind einige Plattformen, Tools und Frameworks, die CV-Ingenieure kennen müssen
    • TensorFlow Lite
    • CoreML
    • Apple Vision-Framework
    • TensorFlow-Reaktion
    • CreateML
  • Praktisches Deep Learning für Cloud, Mobile & Edge , dieses Buch kann Ihnen helfen, die Anwendung von CV und DL in der mobilen Umgebung zu verstehen

• 8. Programmiersprachen

  • Alle Softwareentwickler müssen mindestens eine Programmiersprache beherrschen
    • Typischerweise müssen CV-Ingenieure Python beherrschen. Python ist die beste Wahl für die meisten ML-bezogenen Jobs
  • Im Jahr 2021 müssen CV-Ingenieure eine Programmiersprache beherrschen und zwei bis drei weitere Programmiersprachen beherrschen
    • Dies liegt daran, dass DL-Modelle in verschiedenen Plattformen und Umgebungen verwendet werden, die Funktionen und Operationen mit den entsprechenden Programmiersprachen ausführen
  • Ich integriere derzeit DL-Modelle in eine mobile Umgebung, was von mir gute Kenntnisse in Python, JavaScript und Swift erfordert. 2021 werde ich Kotlin und Java lernen, um mein Programmiersprachen-Repertoire zu erweitern
  • Ein kleiner Trick: Sie müssen nicht die gesamte Syntax einer Sprache beherrschen, aber Sie müssen die Prinzipien der objektorientierten Programmierung und die von den meisten Programmiersprachen verwendeten Codemuster verstehen

• 9. Fazit 

  • Die Nachfrage nach CV/DL-Ingenieuren für kameraorientierte KI-Anwendungen wird voraussichtlich steigen
  • Obwohl ML-Praktizierende viel lernen müssen, um CV-Ingenieure zu werden, werden Sie feststellen, dass das Lernen einfacher wird, sobald Sie anfangen, einige MOOCs-Kurse absolvieren und die wichtigsten ML-Bibliotheken beherrschen
  • In diesem Artikel stelle ich acht Möglichkeiten vor, die Ihnen helfen können, im Jahr 2021 CV-Ingenieur zu werden. Eine Zusammenfassung lautet wie folgt:
    • Erwerb von beruflichen Fähigkeiten oder Kenntnissen in einem bestimmten Bereich durch Online-Kurse
    • Verwenden Sie Bibliotheken und Frameworks
    • Lesen Sie praktische ML/DL-Bücher
    • Erfahren Sie mehr über Cloud-Dienste wie: GCP, AWS usw. 
    • Holen Sie sich Zertifikate für bestimmte Tools und Bibliotheken
    • Verstehe die Grundlagen von DL
    • Beherrschen Sie die Tools, Bibliotheken und Frameworks, die die Entwicklung und Integration von DL-Modellen in einer mobilen Umgebung ermöglichen
    • Verstehen Sie Programmiermuster und -prinzipien, wie z. B. objektorientierte Programmierung

• 10. Referenz

  • https://towardsdatascience.com/how-to-become-a-computer-vision-engineer-in-2021-c563545d4c9a
  • https://www.bilibili.com/read/cv8571176/
  • https://blog.csdn.net/woshicver/article/details/108231914?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-1.control&dist_request_id=&depth_1-utm_source=distribute.pc_relevant.none-task-blog- OPENSEARCH-1.control