CVer想知道的都在這裏了，一塊兒分析下《中國計算機視覺人才調研報告》吧！

最近閒來無事，老潘以一名普通算法工程師的角度，結合自身以及周圍人的狀況，理性也感性地分析一下極市平臺前些天發佈的2020年度中國計算機視覺人才調研報告。

如下的「計算機視覺人才」簡稱「人才」，感受說人才有點怪怪的感受？本身也算人才麼？老潘只不過是一個普普統統的算法工程師罷了(逃)。

這個報告一共分爲幾個方面，用大白話講一下就是：

• 計算機人才哪一個城市最多，哪一個專業最多、都喜歡發些什麼論文、喜歡什麼編程語言、深度學習框架、工做地點等等
• 做爲計算機人才，咱們應該學習什麼才能不被社會所淘汰，如何提高本身
• 計算機人才也會有煩惱，不管是在學校仍是在公司...

..都是你想知道的。

再次聲明，該報告是由極市平臺、中國圖像圖形學學會以及Deloitte聯合發佈。如下圖片內容來源於報告，未作任何修改。一共34頁的報告PDF，感興趣的，公衆號回覆「000」便可。

哎呀，廢話很少說，開始分析(吐槽)吧。

第一節 人才現狀？

先看下人才分佈？

調研人才分佈中碩士和本科佔比80%挺正常，碩士作算法工程的更多，博士作算法研究的更多。通常在互聯網公司中，大部分都是碩士作算法工程師，來的實習生也都是碩士研究生，固然也有少量的本科生，特別優秀的本科生應該也是能夠作算法工程師這個崗位的。

研究生相比本科生的優點多是：

• 學位，以及多學了幾年知識？
• 但最重要的是在研究生階段你有實驗室，實驗室若是老師資源夠好經費足夠，是能夠作一些其餘人沒有條件去作的事情。

回想起當年本科生的時候，你們都是湊錢參加比賽，全部設備都是隊員們慘兮兮地從生活費中一點一點扣，買個主控板都要精打細算。拿不到好獎項(獎金)的時候也經常入不敷出。

不過那會你們都很開心，畢竟是真正的熱愛，當年熬夜通宵的日子如今也一去不復返了。

本科生與研究生作項目的區別還有一個：本科生沒有約束，做比賽更多的是憑着興趣，是主動；研究生有導師管着，大部分學生作項目是導師要求，是被動。態度決定一切，興趣纔是不斷學習的動力。

哦對了，報告中一句話值得推敲："在具有相關經驗的羣體中，其算法經驗略多於工程經驗"。

好好打工程基礎吧！

看一下地域分佈

來自北京的人才無需質疑數量確定是第一，緣由很簡單，北京相應的人工智能企業最多，互聯網氛圍最好，你們固然都來北京了。接下來是深圳，深圳是創業之都，機具創業熱情，硬件公司也多一些，機器人和AI結合的企業一抓一大把。最出名的算是大疆了。

好的企業都被一線二線城市瓜分了，那其餘地方呢..

老潘也面臨着殘酷的事實：我這個專業這個技術方向，回老家實在找不到工做啊。

專業分佈

再看一下專業分佈。

學計算機專業的就是好呀，計算機相關專業在找工做上是有必定的優點，畢竟人家底子好一些。可是你們不要灰心，如今是自學的時代，網上好資源一搜一大把，只要你肯下功夫學習，不必定比專業搞計算機的差。

專業(相差太大的專業，例如田園設計等，這個難度可能會大些)和你在上學階段學什麼關係並非很大，關鍵仍是看本身。

趁着在學校，多找些組織，找些資料，趕忙學習吧！

研究領域

果真目標檢測的人最多。

目標檢測最好入門，資料最多，變種最多，代碼最多...特別適合充當畢業生的畢設項目選題。不過若是是找算法開發相關的工做，只會目標檢測是遠遠不夠的。

老潘在前年找工做的時候主打的也是目標檢測，當時在實習時候已經聊好了一個公司leader，答應說秋招的時候會再面試一下(就過)。可是秋招的時候那位leader很差意思地跟我說，他們公司目標檢測相關任務開發這一塊的人已經比較多了，他們更想要招有3D生成或者GAN項目經驗的求職者。總而言之就是一句話：

你很優秀，可是不適合咱們。

不過不一樣公司的需求是不同的，目標檢測這個方向對於大部分公司來講，仍然是需求量比較大的。

時代在發展，AI也在不停進步，你要問我如今CV領域哪兒還不卷？

我也不知道啊~

發表論文分佈

發論文最好發的是什麼話題？固然也是目標檢測了。

不得不吐槽一下，無論是anchor-base仍是anchor-free的檢測框架，改一下腦殼(head)改一下頸部(neck)改一下身體(backbone)就能夠水一篇論文了。什麼？不會改？那就改一下數據集吧~一樣的框架，換個場景，又是一條好漢。

喜歡的編程語言

仍是老潘以前說過的，AI行業最流行的語言就是Python和C++。

不管是最火的深度學習框架Pytorch和Tensorflow，仍是比較流行的模型加速推理框架TensorRT和TVM。都會提供Python接口來實現與用戶的交互，提供API供用戶使用，但實際內核代碼都是使用C++編寫的。緣由很簡單，爲了保證性能以及方便地使用各類加速庫(MKL、cuDNN)。另外，C++中的各類特性也比較適合團隊協做開發大型項目，感興趣的能夠閱讀相關源碼，親自感覺下其牛逼之處。

對Pytorch源碼感興趣的能夠看:

• 一個Tensor的生命歷程(Pytorch版)-上篇
• 一個Tensor的生命歷程(Pytorch版)-下篇

還有不少這裏暫時不介紹了，有興趣能夠關注老潘，時不時會分析一哈框架。

喜歡的深度學習框架

如下內容很真實..國產的深度學習框架使用率7%不到(今年應該超過7%了，paddlepaddle很好用)，仍是Pytorch和Tensorflow的天下。

PS：感受Darknet應該是靠yolov3火起來的，並且後繼有人不斷更新...純C語言開箱即用對工業界簡直不要太好。Caffe2挺惋惜。MXNet小而美。

老潘理性分析一哈。對於學生來講，框架的易用性和社區完善度很重要(說白了就是遇到不會的問題，百度的時候資料多很少)。還有剛開始入門的小白，會聽別人說什麼什麼好什麼好，跟風使用；但對於公司來講，基本就是根據實際需求選擇使用框架，例如這個模型只有Tensorflow的開源版本，有咩有Pytorch的，滅有？復現太耗時間，直接上手Tensorflow吧~畢竟是以業務來驅動的，產出就是第一目標，反之亦然。

目前狀況來看，Pytorch不論在學生仍是公司佔有率優點很大。老潘3年前開始使用Pytorch進行深度學習研究，那會仍是0.2版本，對比當時的TensorFlow，簡直就像螞蟻和大象。但短短二、3年時間，螞蟻已經長大了。

公司更傾向於Pytorch的緣由也很簡單：

• 多種模型Pytorch實現最多(例如CenterNet、FCOS)
• 多種整合好的訓練框架基於Pytorch(mmdet、detectron2)
• Pytorch訓練好的模型部署起來也比較方便(各種推理框架對於Pytorch的支持更多一些，例如TensorRT)
• 更多數不清的理由(例如debug方便、對新手友好等等)

固然TensorFlow也是有優勢的，TensorFlow-server不少公司在使用，雖然也有一部分是歷史緣由，可是其穩定性和可靠性仍然比大部分的server要強。

PS：推薦一個能夠媲美TensorFlow-Server的服務器推理框架——triton-inference-server，前身是TensorRT-server，現已開源，能夠部署各類框架模型進去(TensorRT、Pytorch、TensorFlow、Onnxruntime等)，老潘研究過一段時間，苦於沒有時間分享，感興趣的能夠交流一波~

什麼？上述框架知足不了你？你要手擼一個框架本身搞(嚴重懷疑你是來炫技的)？在學生時代是能夠花點時間，模仿其餘大型框架寫一個小的框架練練手，這裏推薦幾個項目來瞧一瞧學一學：

• tinyflow
• tinygrad
• C++模板元編程實戰-一個深度學習框架的初步實現

通常來講，框架同時具有訓練和推理功能。但訓練部分寫起來挺難，若是是隻寫推理功能的話，又簡單一些。不少框架只有推理功能，感興趣的能夠參考一哈，簡單列了一些(並不全)：

• NCNN
• MNN
• TVM

若是是硬件公司(不少這樣的硬件創業公司)使用本身的芯片，也會有相應的AI底層算法工程師去搭建相似於TensorRT這樣的產品，寫op，操控內存接口，最終產出相似於TensorRT這樣的動態連接庫，暴露出API供上層調用。

總之，框架這東西仍是用的舒服比較好，我嘛，就喜歡用Pytorch！

薪資狀況

大部分互聯網公司搞算法的薪資比搞開發的可能會高一些，但其實也相差不了多少(真的相差不了多少)。

大部分算法工程師也會幹開發的活，只是附帶算法這個屬性罷了。只有真正的算法研究員纔是真正研究算法理論退出新算法的。

對於硬件公司來講(vivo、oppo這類)，算法工程師和開發工程師薪資並沒有區別(碩士校招)。都是有好幾檔，看各自水平定級。可是會有些研究性質的崗位只要求博士參與，這也就是博士與碩士的差距。

對於碩士研究生來講，算法和開發相差並無想象中那麼大，也不存在所謂的鄙視鏈。

行業分佈

行業分佈仍是比較中肯的，人工智能領域與深度學習密切相關。大部分互聯網公司也有不少深度學習的業務線存在，例如快手、抖音等各類AI玩法，都是與深度學習關係很深的項目。

還有電商的以圖搜圖、虛擬試妝；教育領域的視頻教學中的課程互動、拍照搜題、智能閱卷等等。都是如今很日常融入生活中的AI場景，也能夠說，AI無處不在了。

借一下報告中的內容：

自2018年起，全球計算機視覺技術不斷成熟，開源生態、技術社區、人工智能開放平臺的創建也使得算法的開發與應用門檻顯著降低。德勤在《全球人工智能發展白皮書》中指出，由深度學習驅動的計算機視覺在某些領域已經超越人類，特別是在人臉識別、圖像分類等任務中。同時，在我國，計算機視覺技術的應用擁有龐大的市場空間與豐富的場景數據，於是當技術成熟度達到產業要求時，很多垂直行業，尤爲是行業中的頭部企業，選擇了在組織內部搭建計算機視覺團隊，打造行業專屬的計算視視覺算法產品或相關功能。

第二節 人才的我的指望與規劃

人才能有什麼規劃？無非就是想不斷提高本身的技術水平和薪資水平罷了。

城市意願

仍是北上廣深，老潘做爲一名算法工程師，由於北京的互聯網機會多，就絕不猶豫去了北京。其實對於任何打工者來講，哪的工做機會多固然就去哪兒了，在老家空有一身本領，但找不到合適的工做是最無奈的。

固然也與城市發展以及公司薪資多少有關係，大城市發的錢比較多，可是房租貴，小城市發的錢比較少，可是房租便宜。究竟去哪兒好，仍是看本身。

提高本身

不得不說，程序員這個職業爲什麼適合年輕人，有一點緣由就是新技術來的很快，咱們須要不停地根據業務需求學習新的知識，最好是可以快速上手。年輕人嘛，不會的東西學學就會了。

上圖已經表達的很清楚了，大部分的程序員都是靠自學。自學是個主動的過程，本身尋找資料本身決定下一步該學什麼。雖然有點累可是學習效率很驚人。

我的認爲網上的付費視頻能夠看，但不是必要的，視頻只是輔助做用。並且被動學習有時候會讓本身產生感受學習了很多的幻覺，老潘提醒一哈，若是隻是光看視頻不進行實戰(完成一些課後做業啥的)，學了很少久就會忘得。

遇到問題就百度或者google一下就行了，大部分的技術文章出自如下這些平臺，這些平臺是很好交流技術的地方：

• 知乎
• CSDN
• 掘金
• 博客園
• 開源中國
• 騰訊雲社區
• 等等

固然也有不少優秀的我的博客，這裏就不一一列舉了。不要臉地宣傳一下本身的博客(逃)：

• oldpan博客

工做崗位選擇？

算法工程師仍是最香的，適合算法與工程兼備的童鞋。

高校老師和高效研究生適合喜歡搞研究、喜歡探索新方向的童鞋。

AI產品經理和AI項目經理據老潘所知門檻較高，大廠通常都會要求有實習經驗的童鞋。

研究興趣變化

報告指出：

在計算機視覺技術發展過程當中，隨着前沿理論的不斷突破、產業應用的趨勢變化，計算機視覺領域的人才 研究方向也在相應做出調整。本次報告對在職人員但願將來研究的領域進行了調研，結果發現:目標檢測、圖像分割、文本理解、目標跟蹤仍爲計算機視覺人才將來研究的重點方向，同時醫學影像處理識別的研究興趣排名由第 7 位上升到第 5 位，這可能與新冠疫情後醫療領域計算機視覺相關需求驟增有關。

目標檢測目前仍是很熱門的研究方向，畢竟剛需在那裏擺着。老潘建議，學生階段，最好仍是多方向、多嘗試嘗試不一樣方向的算法，不要把蘋果放一個籃子裏。

第三節 社會對人才的述求

碩士級別是算法工程師的敲門磚，那是由於以前本科的時候不多有深度學習的項目，大部分只是ACM或者大學生電子設計大賽這樣子的。和人工智能關係不是很大。

如今條件好了，深度學習也普及了，大部分高校也開設了相關的課程。個人表弟他們在本科階段已經參與一些老師的項目，開始訓練yolov3模型部署在TX2上去參加一些比賽，和研究生作的並無本質上區別，這都是5年前想都不敢想的。

如今是全民普及AI的時代，AI已經無處不在了。

技術要求

很真實，企業對人才的要求實際只有一個：

• 能幫我解決問題！

可是解決問題也沒有實際那麼簡單，須要很紮實的基礎和較強的學習能力才行。

在企業不一樣於在學校，企業要求的不多是demo級別的玩具，更多的是穩定可靠、精度達到要求且能夠上線，缺一不可，看似簡單，但實際困難重重。與高校場景徹底不一樣，因此建議你們在高校中儘可能多參加一些實際的項目，要有反饋，千萬不要自嗨。

PS：做爲算法工程師，每每都是有壓力的！拖你們的福，老潘的頭髮仍是很濃密...

其餘需求崗位

只有一點要提醒的，不是隻有崗位名稱包含CV、圖像、AI等的才與深度學習有關係。隨着深度學習的不斷普及，上到算法層，中到軟件層，下到硬件層，每一個層都有與AI、與計算機視覺相關的崗位。

崗位名稱五花八門，這裏只說一句，名稱是一方面，點進去看崗位介紹最靠譜！

關於算法崗位分佈與特色老潘以後抽空會彙總一波。

第四節 人才的培養與發展

雖說咱們大部分人是靠自學，感受有臺電腦就能夠。可是對於深度學習這個燒錢的方向來講，有設備有機器是最好的，這裏列一下咱們學習可能須要的設備：

• 顯卡(深度學習訓練必備)，關於顯卡的選擇，能夠看下我以前的一篇文章給你一份配置清單:機器學習、深度學習電腦顯卡配置指南，雖然是以前的，可是仍有參考意義。
• 推理卡(若是你不搞訓練只搞部署)，相似於英偉達的TX二、Xavier系列、jetson nano系列，或者樹莓派系列。這類板卡適合搞一些工程項目，相似於部署落地

關於部署落地，老潘有話想說：

• CV算法內卷嚴重，可是咱們能夠看看視覺算法工業部署及落地方面的技術知識

實驗室沒有資源的可是又想參與的，能夠本身掏錢買顯卡(這裏簡單提一下，能夠買2月26日發佈的3060-12G顯卡，官方建議價2499，性能和以前的1080ti差很少，若是有條件能夠搶到，這款卡很適合作深度學習)，也能夠白嫖一些GPU資源(例如kaggle)：

• 隨身GPU服務器：Kaggle中kernels的快速入門指南
• 還有一些白嫖的GPU資源老潘尚未整理，以後會發布相關文章(關注老潘不錯過)。

放心吧，只要你真心想入坑深度學習，GPU資源什麼的不是大問題，能夠經過各類方式解決，關鍵仍是要有熱情和興趣。畢竟深度學習這條路，註定不會一路順風。

在學校與在公司的煩惱

在學校的煩惱能有啥哦？老潘認爲在學校仍是很舒服的...想學什麼學什麼，想作什麼作什麼。

不過確定會有一些不知足於現狀的學弟學妹們，想要突破一下本身，找點事情作。這個時候若是導師不給力，仍是要靠本身的，主動找點事情作吧~

有疑問也能夠與我交流。

關於研究生導師和人工智能公司的發展瓶頸(煩惱)，就不是咱們所考慮的了，看看就行啦！

關於課程

基本高校的課程以下，課程基本是起到引導入門的做用。渴望學習的咱們，更多的是但願本身找本身感興趣喜歡的課程去學習。

課程資源限於篇幅，能夠看看這篇：

• 2021年了，咱們還能夠入門深度學習嗎(含資源)

正如報告中所說：

短時間內在高校開設細分領域的課程仍有不小的挑戰:

• 一方面，計算機視覺細分領域普遍，學生興趣較爲分散，細分領域課程可能沒法知足所有學生須要;
• 另外一方面，因爲本領域技術迭代速度極快，且部分領域的學習須要多樣化產業實際案例的支持，課程開設難度較大。

因此大部分的高校課程都是以打基礎爲主，很是適合剛入門的童鞋，老潘只想說一句：好好珍惜在學校的美好時光，認真學習吧，不要浪費時間~

最後

時間老是過的很快，還記得那會剛入門深度學習的時候，看吳恩達和李宏毅的課看的津津有味，雖然啥也不懂。轉眼間3年過去，如今已經全民AI了，雖然偶爾會迷茫，但已經踏入深度學習的老潘依然會堅持走下去，不管是以何種形式。

但願你們可以和我一塊兒堅持下去吧~

文中提到的一些分享資源在這裏。

撩我

• 若是你與我志同道合於此，老潘很願意與你交流；
• 若是你喜歡老潘的內容，歡迎關注和支持。

想知道老潘是如何學習踩坑的(PS:想與我交流問題)來公衆號找我~

撩我吧

想知道老潘是如何學習踩坑的，想與我交流問題~請關注公衆號「oldpan博客」。