CVer想知道的都在这里了，一块儿分析下《中国计算机视觉人才调研报告》吧！

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状况，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。

如下的“计算机视觉人才”简称“人才”，感受说人才有点怪怪的感受？本身也算人才么？老潘只不过是一个普普统统的算法工程师罢了(逃)。

这个报告一共分为几个方面，用大白话讲一下就是：

• 计算机人才哪一个城市最多，哪一个专业最多、都喜欢发些什么论文、喜欢什么编程语言、深度学习框架、工做地点等等
• 做为计算机人才，咱们应该学习什么才能不被社会所淘汰，如何提高本身
• 计算机人才也会有烦恼，不管是在学校仍是在公司...

..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。如下图片内容来源于报告，未作任何修改。一共34页的报告PDF，感兴趣的，公众号回复“000”便可。

哎呀，废话很少说，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，硕士作算法工程的更多，博士作算法研究的更多。通常在互联网公司中，大部分都是硕士作算法工程师，来的实习生也都是硕士研究生，固然也有少量的本科生，特别优秀的本科生应该也是能够作算法工程师这个岗位的。

研究生相比本科生的优点多是：

• 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，实验室若是老师资源够好经费足够，是能够作一些其余人没有条件去作的事情。

回想起当年本科生的时候，你们都是凑钱参加比赛，全部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)的时候也经常入不敷出。

不过那会你们都很开心，毕竟是真正的热爱，当年熬夜通宵的日子如今也一去不复返了。

本科生与研究生作项目的区别还有一个：本科生没有约束，做比赛更多的是凭着兴趣，是主动；研究生有导师管着，大部分学生作项目是导师要求，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："在具有相关经验的群体中，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确定是第一，缘由很简单，北京相应的人工智能企业最多，互联网氛围最好，你们固然都来北京了。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，那其余地方呢..

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做啊。

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做上是有必定的优点，毕竟人家底子好一些。可是你们不要灰心，如今是自学的时代，网上好资源一搜一大把，只要你肯下功夫学习，不必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非很大，关键仍是看本身。

趁着在学校，多找些组织，找些资料，赶忙学习吧！

研究领域

果真目标检测的人最多。

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。不过若是是找算法开发相关的工做，只会目标检测是远远不够的。

老潘在前年找工做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)。可是秋招的时候那位leader很差意思地跟我说，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，可是不适合咱们。

不过不一样公司的需求是不同的，目标检测这个方向对于大部分公司来讲，仍然是需求量比较大的。

时代在发展，AI也在不停进步，你要问我如今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？固然也是目标检测了。

不得不吐槽一下，无论是anchor-base仍是anchor-free的检测框架，改一下脑壳(head)改一下颈部(neck)改一下身体(backbone)就能够水一篇论文了。什么？不会改？那就改一下数据集吧~一样的框架，换个场景，又是一条好汉。

喜欢的编程语言

仍是老潘以前说过的，AI行业最流行的语言就是Python和C++。

不管是最火的深度学习框架Pytorch和Tensorflow，仍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。缘由很简单，为了保证性能以及方便地使用各类加速库(MKL、cuDNN)。另外，C++中的各类特性也比较适合团队协做开发大型项目，感兴趣的能够阅读相关源码，亲自感觉下其牛逼之处。

对Pytorch源码感兴趣的能够看:

• 一个Tensor的生命历程(Pytorch版)-上篇
• 一个Tensor的生命历程(Pytorch版)-下篇

还有不少这里暂时不介绍了，有兴趣能够关注老潘，时不时会分析一哈框架。

喜欢的深度学习框架

如下内容很真实..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)，仍是Pytorch和Tensorflow的天下。

PS：感受Darknet应该是靠yolov3火起来的，并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挺惋惜。MXNet小而美。

老潘理性分析一哈。对于学生来讲，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，百度的时候资料多很少)。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；但对于公司来讲，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。

目前状况来看，Pytorch不论在学生仍是公司占有率优点很大。老潘3年前开始使用Pytorch进行深度学习研究，那会仍是0.2版本，对比当时的TensorFlow，简直就像蚂蚁和大象。但短短二、3年时间，蚂蚁已经长大了。

公司更倾向于Pytorch的缘由也很简单：

• 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(各种推理框架对于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)

固然TensorFlow也是有优势的，TensorFlow-server不少公司在使用，虽然也有一部分是历史缘由，可是其稳定性和可靠性仍然比大部分的server要强。

PS：推荐一个能够媲美TensorFlow-Server的服务器推理框架——triton-inference-server，前身是TensorRT-server，现已开源，能够部署各类框架模型进去(TensorRT、Pytorch、TensorFlow、Onnxruntime等)，老潘研究过一段时间，苦于没有时间分享，感兴趣的能够交流一波~

什么？上述框架知足不了你？你要手撸一个框架本身搞(严重怀疑你是来炫技的)？在学生时代是能够花点时间，模仿其余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

通常来讲，框架同时具有训练和推理功能。但训练部分写起来挺难，若是是只写推理功能的话，又简单一些。不少框架只有推理功能，感兴趣的能够参考一哈，简单列了一些(并不全)：

• NCNN
• MNN
• TVM

若是是硬件公司(不少这样的硬件创业公司)使用本身的芯片，也会有相应的AI底层算法工程师去搭建相似于TensorRT这样的产品，写op，操控内存接口，最终产出相似于TensorRT这样的动态连接库，暴露出API供上层调用。

总之，框架这东西仍是用的舒服比较好，我嘛，就喜欢用Pytorch！

薪资状况

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。

对于硬件公司来讲(vivo、oppo这类)，算法工程师和开发工程师薪资并没有区别(硕士校招)。都是有好几档，看各自水平定级。可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。

对于硕士研究生来讲，算法和开发相差并无想象中那么大，也不存在所谓的鄙视链。

行业分布

行业分布仍是比较中肯的，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不少深度学习的业务线存在，例如快手、抖音等各类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。都是如今很日常融入生活中的AI场景，也能够说，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创建也使得算法的开发与应用门槛显著降低。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，于是当技术成熟度达到产业要求时，很多垂直行业，尤为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 人才的我的指望与规划

人才能有什么规划？无非就是想不断提高本身的技术水平和薪资水平罢了。

城市意愿

仍是北上广深，老潘做为一名算法工程师，由于北京的互联网机会多，就绝不犹豫去了北京。其实对于任何打工者来讲，哪的工做机会多固然就去哪儿了，在老家空有一身本领，但找不到合适的工做是最无奈的。

固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，可是房租贵，小城市发的钱比较少，可是房租便宜。究竟去哪儿好，仍是看本身。

提高本身

不得不说，程序员这个职业为什么适合年轻人，有一点缘由就是新技术来的很快，咱们须要不停地根据业务需求学习新的知识，最好是可以快速上手。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，本身寻找资料本身决定下一步该学什么。虽然有点累可是学习效率很惊人。

我的认为网上的付费视频能够看，但不是必要的，视频只是辅助做用。并且被动学习有时候会让本身产生感受学习了很多的幻觉，老潘提醒一哈，若是只是光看视频不进行实战(完成一些课后做业啥的)，学了很少久就会忘得。

遇到问题就百度或者google一下就行了，大部分的技术文章出自如下这些平台，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

固然也有不少优秀的我的博客，这里就不一一列举了。不要脸地宣传一下本身的博客(逃)：

• oldpan博客

工做岗位选择？

算法工程师仍是最香的，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，大厂通常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当中，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 研究方向也在相应做出调整。本次报告对在职人员但愿将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将来研究的重点方向，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。

目标检测目前仍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，最好仍是多方向、多尝试尝试不一样方向的算法，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，那是由于以前本科的时候不多有深度学习的项目，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。

如今条件好了，深度学习也普及了，大部分高校也开设了相关的课程。个人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，和研究生作的并无本质上区别，这都是5年前想都不敢想的。

如今是全民普及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！

可是解决问题也没有实际那么简单，须要很扎实的基础和较强的学习能力才行。

在企业不一样于在学校，企业要求的不多是demo级别的玩具，更多的是稳定可靠、精度达到要求且能够上线，缺一不可，看似简单，但实际困难重重。与高校场景彻底不一样，因此建议你们在高校中尽可能多参加一些实际的项目，要有反馈，千万不要自嗨。

PS：做为算法工程师，每每都是有压力的！拖你们的福，老潘的头发仍是很浓密...

其余需求岗位

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，每一个层都有与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色老潘以后抽空会汇总一波。

第四节 人才的培养与发展

虽说咱们大部分人是靠自学，感受有台电脑就能够。可是对于深度学习这个烧钱的方向来讲，有设备有机器是最好的，这里列一下咱们学习可能须要的设备：

• 显卡(深度学习训练必备)，关于显卡的选择，能够看下我以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，虽然是以前的，可是仍有参考意义。
• 推理卡(若是你不搞训练只搞部署)，相似于英伟达的TX二、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，相似于部署落地

关于部署落地，老潘有话想说：

• CV算法内卷严重，可是咱们能够看看视觉算法工业部署及落地方面的技术知识

实验室没有资源的可是又想参与的，能够本身掏钱买显卡(这里简单提一下，能够买2月26日发布的3060-12G显卡，官方建议价2499，性能和以前的1080ti差很少，若是有条件能够抢到，这款卡很适合作深度学习)，也能够白嫖一些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资源老潘尚未整理，以后会发布相关文章(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，能够经过各类方式解决，关键仍是要有热情和兴趣。毕竟深度学习这条路，注定不会一路顺风。

在学校与在公司的烦恼

在学校的烦恼能有啥哦？老潘认为在学校仍是很舒服的...想学什么学什么，想作什么作什么。

不过确定会有一些不知足于现状的学弟学妹们，想要突破一下本身，找点事情作。这个时候若是导师不给力，仍是要靠本身的，主动找点事情作吧~

有疑问也能够与我交流。

关于研究生导师和人工智能公司的发展瓶颈(烦恼)，就不是咱们所考虑的了，看看就行啦！

关于课程

基本高校的课程以下，课程基本是起到引导入门的做用。渴望学习的咱们，更多的是但愿本身找本身感兴趣喜欢的课程去学习。

课程资源限于篇幅，能够看看这篇：

• 2021年了，咱们还能够入门深度学习吗(含资源)

正如报告中所说：

短时间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普遍，学生兴趣较为分散，细分领域课程可能没法知足所有学生须要;
• 另外一方面，因为本领域技术迭代速度极快，且部分领域的学习须要多样化产业实际案例的支持，课程开设难度较大。

因此大部分的高校课程都是以打基础为主，很是适合刚入门的童鞋，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

时间老是过的很快，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，如今已经全民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，不管是以何种形式。

但愿你们可以和我一块儿坚持下去吧~

文中提到的一些分享资源在这里。

撩我

• 若是你与我志同道合于此，老潘很愿意与你交流；
• 若是你喜欢老潘的内容，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)来公众号找我~

撩我吧

想知道老潘是如何学习踩坑的，想与我交流问题~请关注公众号「oldpan博客」。