车牌识别系统算法的工程

但是车牌识别系统，你确定你的用户有显卡吗？在您自己的公司或实验室中，您可能不相信拥有数百个it团队的公司不会拥有图形卡。 硬件条件基本上可以满足; 但是对用户来说，一切都可能不同。 您需要在客户的计算机/服务器上运行它。 有很多项目。 在许多环境中，没有GPU，或者如果您进行工程设计，GPU可能是一种奢侈。 对于计算机视觉项目，如果客户需要在独特的硬件 (如智能制造领域的缺陷检测设备) 上携带模型，提前与用户确认硬件配置非常重要。

客户是否知道GPU是什么绝对是合作难度的分水岭。 知道和知道什么是GPU会更容易; 如果您对GPU一无所知或仅使用Intel GPU，则着陆难度会成倍增加。 一个简单的标准: 与客户沟通时。 请务必提前与用户沟通。 显卡很难找，你有数据吗？内部讨论的第一个问题一定是项目是否有数据？所有项目。 技术人员复制论文时，通常会有现成的数据集。 清理数据。 一旦项目启动，获取数据集和数据集预处理是最耗时的环节。 在接手了许多项目，讨论了所有的业务细节后，技术人员发现客户没有数据，或者数据不够。 有了数据... 你能理解吗？对于大多数计算机视觉项目，最后一个问题随之而来，我真的无法理解车牌识别系统的客户数据。 例如，医学图像和数据标签是医生需要多年培训才能做好的事情。 没有任何医学背景的测序仪很难在短时间内了解这些数据。 年初，我为一家工厂做了缺陷识别，弄清楚了使用什么网络和布局模式。 结果，我看不懂图片，也无法标记。

看起来一切都坏了，但是工厂的质量检查员一眼就能区分正常和缺陷。 这个行业的知识非常重要。 非医务人员很难看到哪些心血管造影有助于诊断。 理解彼此的期望？它给人的印象是 “人工智能是万能的”。 用户和技术人员之间的信息不对称导致对项目的期望不同。 面对从未接触过人工智能的用户，由于近年来媒体对人工智能行业的夸大报道。

确保用户理解以下几点: 但是不能保证这种准确性。 在任何情况下都与训练数据相去甚远，1。 仅保证测试集的准确性。 可以复制; 2. 机器学习项目无法达到100% 的准确性; 这不像您可以通过购买Microsoft离线下载来使用它。 3. 培训需要时间。 工程最烦人的是为客户做很多演示。 你需要为任何需求做一个演示，这些演示是浪费时间，但是我们不能不做。 因此，为了节省每个计算机视觉项目的时间，我终于。 我们已经使tegucv成为可视化的计算机视觉和神经网络工具。 目前支持图像识别、视频分类、人脸比对和车牌识别，tegucv支持window的纯本地操作。 车牌识别系统还包括自动参数选择，HTTP服务器等功能。十分钟后开始训练计算机视觉模型。 很多简单的工作可以直接用tegucv实现。 方便开发人员快速实现该技术，并且可以剥离许多简单的工作。