如何将深度学习模型部署到实际工程中？（分类+检测+分割）

应用背景介绍

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。

Mask RCNN

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。