面向深度神经网络的高效可复现工作流：工业缺陷检测案例研究

随着深度神经网络（DNNs）成为日益普遍的工作负载，可用于辅助其开发和部署的库和工具范围也显著增长。可扩展、生产质量级别的工具在宽松许可下免费可用，且足够易用，即使小型团队也能实现高效产出。然而在研究界，对这些工具的认知和使用未必广泛，研究人员可能错失了利用最新工具和工作流带来的潜在生产力提升。本文呈现了一个案例研究，讨论了我们近期为工业缺陷检测制作端到端人工智能应用的经验。我们详细介绍了所利用的高层深度学习库、容器化工作流、持续集成/部署流水线以及开源代码模板，以产出一个有竞争力的结果，其性能与我们三个目标数据集上的其他排名方案相当。我们强调了利用此类系统所能带来的价值，即使对于研究也是如此，并详述了我们的解决方案，展示了在服务器级 GPU 上的最佳准确率和推理时间结果，以及在服务器级 CPU 和 Raspberry Pi 4 上的推理时间。