入行几年，做过不少视觉项目，分类、检测、分割、关键点定位，传说中的三大浪漫全都齐全了。从起初的摸索到慢慢总结出系统的流程，也算是所谓的在实践中学习吧。
通常来说，一个深度学习项目从立项到落地需要经历以下步骤。

需求分析和验收指标制定

需求分析

• 用于服务器端还是移动端
• 对准确度和延迟的要求如何
• 模型大小有无限制
• 内存峰值

验收指标制定

客观指标

• 模型精度，比如分类的准确度、检测的mAP、分割的IoU、关键点的MSE等
• 模型大小
• 速度
• 内存峰值

主观指标

• 比如关键点的稳定性
• 分割的可接受度和GAN的生成图片质量
  主观指标一般通过多人全部或随机打分来实现。通常可以采用5分制。3分为可用，4分为较好，5分为优秀。

技术选型

• 调研主流算法
• 评估开源代码是否可用
  • 可用
  • 可改进
  • 不可用：评估自己从头实现的难度

数据准备

• 公开数据集
• 自己标注
• 数据清洗

代码编写和模型训

• 代码编写：可视化，确保代码的正确性
• 训练加速：数据预加载、GPU预处理
• 开始炼丹，迭代优化：超参数设置、数据增广、损失函数

模型部署

• 服务器端
• 移动端