最近闲来无事，老潘以一名普通算法工程师的角度，结合自身以及周围人的情况，理性也感性地分析一下极市平台前些天发布的2020年度中国计算机视觉人才调研报告。
以下的“计算机视觉人才”简称“人才”，感觉说人才有点怪怪的感觉？自己也算人才么？老潘只不过是一个普普通通的算法工程师罢了(逃)。
这个报告一共分为几个方面，用大白话讲一下就是：
- 计算机人才哪个城市最多，哪个专业最多、都喜欢发些什么论文、喜欢什么编程语言、深度学习框架、工作地点等等
- 作为计算机人才，我们应该学习什么才能不被社会所淘汰，如何提升自己
- 计算机人才也会有烦恼，不论是在学校还是在公司...
..都是你想知道的。
再次声明，该报告是由极市平台、中国图像图形学学会以及Deloitte联合发布。以下图片内容来源于报告，未做任何修改。一共34页的报告PDF，感兴趣的，公众号回复“000”即可。
哎呀，废话不多说，开始分析(吐槽)吧。
第一节 人才现状？
先看下人才分布？
调研人才分布中硕士和本科占比80%挺正常，硕士做算法工程的更多，博士做算法研究的更多。一般在互联网公司中，大部分都是硕士做算法工程师，来的实习生也都是硕士研究生，当然也有少许的本科生，特别优秀的本科生应该也是可以做算法工程师这个岗位的。
研究生相比本科生的优势可能是：
- 学位，以及多学了几年知识？
- 但最重要的是在研究生阶段你有实验室，实验室如果老师资源够好经费足够，是可以做一些其他人没有条件去做的事情。
回想起当年本科生的时候，大家都是凑钱参加比赛，所有设备都是队员们惨兮兮地从生活费中一点一点扣，买个主控板都要精打细算。拿不到好奖项(奖金)的时候也常常入不敷出。
不过那会大家都很开心，毕竟是真正的热爱，当年熬夜通宵的日子现在也一去不复返了。
本科生与研究生做项目的区别还有一个：本科生没有约束，作比赛更多的是凭着兴趣，是主动；研究生有导师管着，大部分学生做项目是导师要求，是被动。态度决定一切，兴趣才是不断学习的动力。
哦对了，报告中一句话值得推敲："在具备相关经验的群体中，其算法经验略多于工程经验"。
好好打工程基础吧！
看一下地域分布
来自北京的人才无需质疑数量肯定是第一，原因很简单，北京相应的人工智能企业最多，互联网氛围最好，大家当然都来北京了。接下来是深圳，深圳是创业之都，机具创业热情，硬件公司也多一些，机器人和AI结合的企业一抓一大把。最出名的算是大疆了。
好的企业都被一线二线城市瓜分了，那其他地方呢..
老潘也面临着残酷的事实：我这个专业这个技术方向，回老家实在找不到工作啊。
专业分布
再看一下专业分布。
学计算机专业的就是好呀，计算机相关专业在找工作上是有一定的优势，毕竟人家底子好一些。但是大家不要灰心，现在是自学的时代，网上好资源一搜一大把，只要你肯下功夫学习，不一定比专业搞计算机的差。
专业(相差太大的专业，例如田园设计等，这个难度可能会大些)和你在上学阶段学什么关系并不是很大，关键还是看自己。
趁着在学校，多找些组织，找些资料，赶紧学习吧！
研究领域
果然目标检测的人最多。
目标检测最好入门，资料最多，变种最多，代码最多...特别适合充当毕业生的毕设项目选题。不过如果是找算法开发相关的工作，只会目标检测是远远不够的。
老潘在前年找工作的时候主打的也是目标检测，当时在实习时候已经聊好了一个公司leader，答应说秋招的时候会再面试一下(就过)。但是秋招的时候那位leader不好意思地跟我说，他们公司目标检测相关任务开发这一块的人已经比较多了，他们更想要招有3D生成或者GAN项目经验的求职者。总而言之就是一句话：
你很优秀，但是不适合我们。
不过不同公司的需求是不一样的，目标检测这个方向对于大部分公司来说，仍然是需求量比较大的。
时代在发展，AI也在不停进步，你要问我现在CV领域哪儿还不卷？
我也不知道啊~
发表论文分布
发论文最好发的是什么话题？当然也是目标检测了。
不得不吐槽一下，不管是anchor-base还是anchor-free的检测框架，改一下脑袋(head)改一下颈部(neck)改一下身体(backbone)就可以水一篇论文了。什么？不会改？那就改一下数据集吧~同样的框架，换个场景，又是一条好汉。
喜欢的编程语言
还是老潘之前说过的，AI行业最流行的语言就是Python和C++。
不论是最火的深度学习框架Pytorch和Tensorflow，还是比较流行的模型加速推理框架TensorRT和TVM。都会提供Python接口来实现与用户的交互，提供API供用户使用，但实际内核代码都是使用C++编写的。原因很简单，为了保证性能以及方便地使用各种加速库(MKL、cuDNN)。另外，C++中的各种特性也比较适合团队协作开发大型项目，感兴趣的可以阅读相关源码，亲自感受下其牛逼之处。
对Pytorch源码感兴趣的可以看:
- 一个Tensor的生命历程(Pytorch版)-上篇
- 一个Tensor的生命历程(Pytorch版)-下篇
还有很多这里暂时不介绍了，有兴趣可以关注老潘，时不时会分析一哈框架。
喜欢的深度学习框架
以下内容很真实..国产的深度学习框架使用率7%不到(今年应该超过7%了，paddlepaddle很好用)，还是Pytorch和Tensorflow的天下。
PS：感觉Darknet应该是靠yolov3火起来的，而且后继有人不断更新...纯C语言开箱即用对工业界简直不要太好。Caffe2挺可惜。MXNet小而美。
老潘理性分析一哈。对于学生来说，框架的易用性和社区完善度很重要(说白了就是遇到不会的问题，百度的时候资料多不多)。还有刚开始入门的小白，会听别人说什么什么好什么好，跟风使用；但对于公司来说，基本就是根据实际需求选择使用框架，例如这个模型只有Tensorflow的开源版本，有咩有Pytorch的，灭有？复现太耗时间，直接上手Tensorflow吧~毕竟是以业务来驱动的，产出就是第一目标，反之亦然。
目前情况来看，Pytorch不论在学生还是公司占有率优势很大。老潘3年前开始使用Pytorch进行深度学习研究，那会还是0.2版本，对比当时的TensorFlow，简直就像蚂蚁和大象。但短短2、3年时间，蚂蚁已经长大了。
公司更倾向于Pytorch的原因也很简单：
- 多种模型Pytorch实现最多(例如CenterNet、FCOS)
- 多种整合好的训练框架基于Pytorch(mmdet、detectron2)
- Pytorch训练好的模型部署起来也比较方便(各类推理框架对于Pytorch的支持更多一些，例如TensorRT)
- 更多数不清的理由(例如debug方便、对新手友好等等)
当然TensorFlow也是有优点的，TensorFlow-server很多公司在使用，虽然也有一部分是历史原因，但是其稳定性和可靠性仍然比大部分的server要强。
PS：推荐一个可以媲美TensorFlow-Server的服务器推理框架——triton-inference-server，前身是TensorRT-server，现已开源，可以部署各种框架模型进去(TensorRT、Pytorch、TensorFlow、Onnxruntime等)，老潘研究过一段时间，苦于没有时间分享，感兴趣的可以交流一波~
什么？上述框架满足不了你？你要手撸一个框架自己搞(严重怀疑你是来炫技的)？在学生时代是可以花点时间，模仿其他大型框架写一个小的框架练练手，这里推荐几个项目来瞧一瞧学一学：
- tinyflow
- tinygrad
- C++模板元编程实战-一个深度学习框架的初步实现
一般来说，框架同时具备训练和推理功能。但训练部分写起来挺难，如果是只写推理功能的话，又简单一些。很多框架只有推理功能，感兴趣的可以参考一哈，简单列了一些(并不全)：
- NCNN
- MNN
- TVM
如果是硬件公司(很多这样的硬件创业公司)使用自己的芯片，也会有相应的AI底层算法工程师去搭建类似于TensorRT这样的产品，写op，操控内存接口，最终产出类似于TensorRT这样的动态链接库，暴露出API供上层调用。
总之，框架这东西还是用的舒服比较好，我嘛，就喜欢用Pytorch！
薪资情况
大部分互联网公司搞算法的薪资比搞开发的可能会高一些，但其实也相差不了多少(真的相差不了多少)。
大部分算法工程师也会干开发的活，只是附带算法这个属性罢了。只有真正的算法研究员才是真正研究算法理论退出新算法的。
对于硬件公司来说(vivo、oppo这类)，算法工程师和开发工程师薪资并无区别(硕士校招)。都是有好几档，看各自水平定级。但是会有些研究性质的岗位只要求博士参与，这也就是博士与硕士的差距。
对于硕士研究生来说，算法和开发相差并没有想象中那么大，也不存在所谓的鄙视链。
行业分布
行业分布还是比较中肯的，人工智能领域与深度学习密切相关。大部分互联网公司也有很多深度学习的业务线存在，例如快手、抖音等各种AI玩法，都是与深度学习关系很深的项目。
还有电商的以图搜图、虚拟试妆；教育领域的视频教学中的课程互动、拍照搜题、智能阅卷等等。都是现在很平常融入生活中的AI场景，也可以说，AI无处不在了。
借一下报告中的内容：
自2018年起，全球计算机视觉技术不断成熟，开源生态、技术社区、人工智能开放平台的建立也使得算法的开发与应用门槛显著下降。德勤在《全球人工智能发展白皮书》中指出，由深度学习驱动的计算机视觉在某些领域已经超越人类，特别是在人脸识别、图像分类等任务中。同时，在我国，计算机视觉技术的应用拥有庞大的市场空间与丰富的场景数据，因而当技术成熟度达到产业要求时，不少垂直行业，尤其是行业中的头部企业，选择了在组织内部搭建计算机视觉团队，打造行业专属的计算视视觉算法产品或相关功能。
第二节 人才的个人期望与规划
人才能有什么规划？无非就是想不断提升自己的技术水平和薪资水平罢了。
城市意愿
还是北上广深，老潘作为一名算法工程师，因为北京的互联网机会多，就毫不犹豫去了北京。其实对于任何打工者来说，哪的工作机会多当然就去哪儿了，在老家空有一身本领，但找不到合适的工作是最无奈的。
当然也与城市发展以及公司薪资多少有关系，大城市发的钱比较多，但是房租贵，小城市发的钱比较少，但是房租便宜。究竟去哪儿好，还是看自己。
提升自己
不得不说，程序员这个职业为何适合年轻人，有一点原因就是新技术来的很快，我们需要不停地根据业务需求学习新的知识，最好是能够快速上手。年轻人嘛，不会的东西学学就会了。
上图已经表达的很清楚了，大部分的程序员都是靠自学。自学是个主动的过程，自己寻找资料自己决定下一步该学什么。虽然有点累但是学习效率很惊人。
个人认为网上的付费视频可以看，但不是必要的，视频只是辅助作用。而且被动学习有时候会让自己产生感觉学习了不少的幻觉，老潘提醒一哈，如果只是光看视频不进行实战(完成一些课后作业啥的)，学了不多久就会忘得。
遇到问题就百度或者google一下就好了，大部分的技术文章出自以下这些平台，这些平台是很好交流技术的地方：
- 知乎
- CSDN
- 掘金
- 博客园
- 开源中国
- 腾讯云社区
- 等等
当然也有很多优秀的个人博客，这里就不一一列举了。不要脸地宣传一下自己的博客(逃)：
- oldpan博客
工作岗位选择？
算法工程师还是最香的，适合算法与工程兼备的童鞋。
高校老师和高效研究生适合喜欢搞研究、喜欢探索新方向的童鞋。
AI产品经理和AI项目经理据老潘所知门槛较高，大厂一般都会要求有实习经验的童鞋。
研究兴趣变化
报告指出：
在计算机视觉技术发展过程中，随着前沿理论的不断突破、产业应用的趋势变化，计算机视觉领域的人才 研究方向也在相应作出调整。本次报告对在职人员希望未来研究的领域进行了调研，结果发现:目标检测、图像分割、文本理解、目标跟踪仍为计算机视觉人才未来研究的重点方向，同时医学影像处理识别的研究兴趣排名由第 7 位上升到第 5 位，这可能与新冠疫情后医疗领域计算机视觉相关需求骤增有关。
目标检测目前还是很热门的研究方向，毕竟刚需在那里摆着。老潘建议，学生阶段，最好还是多方向、多尝试尝试不同方向的算法，不要把苹果放一个篮子里。
第三节 社会对人才的述求
硕士级别是算法工程师的敲门砖，那是因为之前本科的时候很少有深度学习的项目，大部分只是ACM或者大学生电子设计大赛这样子的。和人工智能关系不是很大。
现在条件好了，深度学习也普及了，大部分高校也开设了相关的课程。我的表弟他们在本科阶段已经参与一些老师的项目，开始训练yolov3模型部署在TX2上去参加一些比赛，和研究生做的并没有本质上区别，这都是5年前想都不敢想的。
现在是全民普及AI的时代，AI已经无处不在了。
技术要求
很真实，企业对人才的要求实际只有一个：
- 能帮我解决问题！
但是解决问题也没有实际那么简单，需要很扎实的基础和较强的学习能力才行。
在企业不同于在学校，企业要求的不可能是demo级别的玩具，更多的是稳定可靠、精度达到要求且可以上线，缺一不可，看似简单，但实际困难重重。与高校场景完全不同，所以建议大家在高校中尽量多参加一些实际的项目，要有反馈，千万不要自嗨。
PS：作为算法工程师，往往都是有压力的！拖大家的福，老潘的头发还是很浓密...
其他需求岗位
只有一点要提醒的，不是只有岗位名称包含CV、图像、AI等的才与深度学习有关系。随着深度学习的不断普及，上到算法层，中到软件层，下到硬件层，每个层都有与AI、与计算机视觉相关的岗位。
岗位名称五花八门，这里只说一句，名称是一方面，点进去看岗位介绍最靠谱！
关于算法岗位分布与特点老潘之后抽空会汇总一波。
第四节 人才的培养与发展
虽然说我们大部分人是靠自学，感觉有台电脑就可以。但是对于深度学习这个烧钱的方向来说，有设备有机器是最好的，这里列一下我们学习可能需要的设备：
- 显卡(深度学习训练必备)，关于显卡的选择，可以看下我之前的一篇文章给你一份配置清单:机器学习、深度学习电脑显卡配置指南，虽然是之前的，但是仍有参考意义。
- 推理卡(如果你不搞训练只搞部署)，类似于英伟达的TX2、Xavier系列、jetson nano系列，或者树莓派系列。这类板卡适合搞一些工程项目，类似于部署落地
关于部署落地，老潘有话想说：
- CV算法内卷严重，但是我们可以看看视觉算法工业部署及落地方面的技术知识
实验室没有资源的但是又想参与的，可以自己掏钱买显卡(这里简单提一下，可以买2月26日发布的3060-12G显卡，官方建议价2499，性能和之前的1080ti差不多，如果有条件可以抢到，这款卡很适合做深度学习)，也可以白嫖一些GPU资源(例如kaggle)：
- 随身GPU服务器：Kaggle中kernels的快速入门指南
- 还有一些白嫖的GPU资源老潘还没有整理，之后会发布相关文章(关注老潘不错过)。
放心吧，只要你真心想入坑深度学习，GPU资源什么的不是大问题，可以通过各种方式解决，关键还是要有热情和兴趣。毕竟深度学习这条路，注定不会一帆风顺。
在学校与在公司的烦恼
在学校的烦恼能有啥哦？老潘认为在学校还是很舒服的...想学什么学什么，想做什么做什么。
不过肯定会有一些不满足于现状的学弟学妹们，想要突破一下自己，找点事情做。这个时候如果导师不给力，还是要靠自己的，主动找点事情做吧~
有疑问也可以与我交流。
关于研究生导师和人工智能公司的发展瓶颈(烦恼)，就不是我们所考虑的了，看看就行啦！
关于课程
基本高校的课程如下，课程基本是起到引导入门的作用。渴望学习的我们，更多的是希望自己找自己感兴趣喜欢的课程去学习。
课程资源限于篇幅，可以看看这篇：
- 2021年了，我们还可以入门深度学习吗(含资源)
正如报告中所说：
短期内在高校开设细分领域的课程仍有不小的挑战:
- 一方面，计算机视觉细分领域广泛，学生兴趣较为分散，细分领域课程可能无法满足全部学生需要;
- 另一方面，由于本领域技术迭代速度极快，且部分领域的学习需要多样化产业实际案例的支持，课程开设难度较大。
所以大部分的高校课程都是以打基础为主，非常适合刚入门的童鞋，老潘只想说一句：好好珍惜在学校的美好时光，认真学习吧，不要浪费时间~
最后
时间总是过的很快，还记得那会刚入门深度学习的时候，看吴恩达和李宏毅的课看的津津有味，虽然啥也不懂。转眼间3年过去，现在已经全民AI了，虽然偶尔会迷茫，但已经踏入深度学习的老潘依然会坚持走下去，不论是以何种形式。
希望大家能够和我一起坚持下去吧~
文中提到的一些分享资源在这里。
撩我
- 如果你与我志同道合于此，老潘很愿意与你交流；
- 如果你喜欢老潘的内容，欢迎关注和支持。
想知道老潘是如何学习踩坑的(PS:想与我交流问题)来公众号「oldpan博客」找我~
老潘也会整理一些自己的收藏，希望能帮助到大家，来神秘传送门看看吧~
