深度学习工程化之路：YOLO模型训练与部署实战笔记（开篇）

一、前言

为什么写这个内容？
本科毕业到现在，来公司工作有一年多了。中间学习到了不少的内容，完善了我对于深度学习模型训练和部署的世界观。从今天开始，我计划基于我的认知，将YOLO系列作为切入点，系统记录从数据 -> 训练 -> 优化 -> 部署的完整深度学习流水线，这既是对自己的技术积累的复盘，也是希望能够和大家一起学习。

二、整体大纲

系列主要分为两大块：模型训练、模型部署，相比于零散的知识点，我更希望能够将知识进行“闭环”，初步规划如下：

• 模型训练，分为：
  1、数据准备与增强：数据集格式转换、Mosaic/Mixup等数据增强策略详解。
  2、YOLO训练框架超参数调整：训练参数（LR, Anchors, Loss gain）的配置与调整技巧。
  3、YOLO训练网络结构调整：如何修改Backbone与Head，以及常见的改进思路。
  4、YOLO模型评估与导出：mAP指标分析、Bad Case排查及模型导出（Pt to ONNX）。

• 模型部署，分为：
  1、模型的转换、验证：部署框架下的模型转换及精度对齐。
  2、输入图像预处理：Letterbox自适应缩放、归一化等操作。
  3、部署框架推理api调用：基于推理框架（如ONNXRuntime/MNN）的API调用流程。
  4、模型后处理：输出解码与NMS（非极大值抑制）的高效实现。

大纲内容将随系列更新不断完善，后续的细节内容也随着我个人认知的增加而进行调整和修改。