点击“Run Training Job”，右下角是从公有云传回到PyCharm的训练日志信息：
训练完成后，训练模型保存在公有云的OBS里，你可以自己选择下载或是在云上做推理。
如果有这样的一堆工具，是我们这些实际写代码的人的福音。
Mr Qiu “某利郡后；颇与郡人相安；日知来四处无虞；早收中熟；觉风雨如期；晚稻亦可望；惟是力绵求牧；来日方长。”——宋·文天祥《与洪度瑞明云岩书》在介绍如何转型进入AI领域之前，先介绍下个人的经历。从接触AI到工作至今大概7年，我把它分为3段：（1）在校学习期；（2）实习转型期；（3）工作成长期。在校期间学的比较广，主要方向在人工智能、高频电子电路、传统图像算法、嵌入式系统等，这个阶段通过以赛促学方式，取得了一些不错的比赛成绩；实习期间有幸参与到某重点项目的“以图搜图”模块，积累了大量的图像、人工智能方面的实战经验；毕业参加工作后，主要围绕计算机视觉、算法移植优化，深度学习框架优化，机器学习等进入研究和实践，有了一定的全栈AI经验。偶有感慨，虽然资质平平，但好在目标明确，持续奋斗，也遇到很多值得感谢的人，才有机会在这里介绍下经验。
2012年，一年一度的ImageNet图像识别比赛，CNN网络AlexNet以碾压的分类性能超过第二名（SVM方法），从此深度学习开始吸引研究者的注意。但真正吸引工业界去大规模投入深度学习，大概到了2015年到2016年，这个时候，贾扬清在博士期间开源了深度学习框架Caffe，谷歌开源第一版的人工智能引擎TensorFlow，Caffe曾一度以其优秀的代码架构，便捷的开发接口等优点受到广大研究者和工程师的推崇。早期做AI开发，很多工具都不完善，需要造轮子，这里的轮子主要包括离线训练时需要开发图像标注工具、需要修改深度学习框架实现相关算子的前向和后向计算、实现卷积中间特征可视化来调优模型等，在线部署时需要自己实现算子的FP16和int8计算，需要自己写CUDA代码等。
现在，进入AI领域的开发者不再需要做这些轮子，真的很幸福。
图像标注工具LabelImg等已开源，可以直接拿过来使用；TensorFlow迭代到更加利于开发者使用，提供了很多优秀的示例，可视化工具和推理部署工具等；随着PyTorch的逐渐崛起，已经可以与TensorFlow评分秋色，开发者有了更多的选择；英伟达推出了基于GPU的推理加速工具TensorRT可以免费使用，华为也推出了基于自研芯片达芬奇的推理加速和框架MindSpore，以更高密度的算力丰富开发者的选择。
随着巨头公司全力投入AI，AI的工具也越来越完善，开发者可以将精力集中在模型开发以及业务的实现上，这是一个AI的好时代，也是AI开发者的好时代，我想现在开始转型AI正逢其时。
再回头看看这些年的AI发展历程和踩过的坑，以个人的角度提炼出传统软件开发转型到AI开发工程的方法，希望对大家有帮助。暂且把这些总结为3个部分，分别为（1）动手跑起来、（2）原理掌握起来、（3）推理部署起来。
1. 动手跑起来：
这个阶段就是通过现有开源的优秀项目进行学习，这里我推荐darknet YOLOv3，项目地址https://github.com/pjreddie/darknet。该项目框架基于C语言实现，框架清晰易于调试。初学者在下载到项目代码后首先要将该项目跑起来，通过跟踪数据在整个框架的流动大致掌握AI是怎么工作的，可以解决什么样的问题。同时在跑通搭建环境的过程中，可以快速掌握GPU跟深度学习框架是怎么结合起来工作的、深度学习框架在运行过程中需要有什么依赖。
2. 原理掌握起来：
作为优秀和经典的端到端检测算法，首先推荐以YOLO进行学习，从推出至今已迭代到第四版本。可以从第一版本YOLOv1开始进入，再到第四版本YOLOv4，掌握YOLO是如何演化的，分别作了哪些改进，改进为什么会起到性能提升的效果。网上已有大量优秀的博客，开发者可以自行去搜索阅读。结合动手跑起来阶段的代码调试，相信会进步的更快。研究完成YOLO演化过程后，有兴趣可以再去研究下R-CNN系列的检测算法，R-CNN系列算法区别于YOLO是召回率高、准确率高，但是耗时，所以综合考虑工业界一般用的更多还是YOLO。
3. 推理部署起来：