机器视觉项目，使用传统算法能解决的问题同事非要使用深度学习！

和我们公司另外一个搞机器视觉的同事吵了一架，原因很简单，我们公司有个视觉项目，我的方案是使用传统算法，且不需要客户去标定检测物，也就是说，客户只需要点击软件的开始按钮就可以开始检测，而另外一个同事采取的则是深度学习框架，也就是需要客户对每一种型号的产品进行标定和取样才能开始检测，我觉得他这样做虽然对我们来说方便一些，但是对客户很不友好。最后，我俩谁也没说服得了谁，事情就僵在那了！

我之所以选择傻瓜式操作，原因就是这次的视觉项目，操作者都是一些普通流水线的工人，平时别说机器视觉了，可能很多人连电脑都没怎么用过，所以，我的设计就是让他们只需要点击“开始检测”和“结束检测”按钮就行了，其他什么都不需要他们去管。

这种与人方便的设计思路，我也是结合客户现场情况来决定的，选择把麻烦留给自己。

最主要的是，本次视觉检测项目其实也不是太难，只要代码考虑的周全，完全不需要客户去标定产品的，前期只需要经过一定的时间的测试验证即可。

本来，这个项目都已经快做完了，因为有部分产品存在一定的特殊性，因此出现了误检的情况，再加上我正在参与其他项目，暂时没时间把这部分误检情况写进代码里面，所以，这期间就发生了一点误会。

所谓的误会，其实就是公司认为我解决不掉这个问题，然后就让另外一个同样是搞视觉的同事问我情况，于是，我就把情况跟他说了。

我的意思就是现在出现的问题并不是解决不掉，而是我暂时没时间，我还特意告诉他现在这种情况应该怎么去解决。

最后，公司了解了情况，但是问题摆在那里有个不能不解决，所以就问我，如果让另外一个同事帮我写，我愿意不愿意。

我当然愿意，表示其实代码写起来很简单，主要费时间的就是测试这块。

一般来说，我在视觉代码写完以后，会批量测试几万张之前采集的各种状态下的产品图片，如果所有图片都批量跑完了算法没有问题以后，我才会去给客户更新最新算法。

这个过程可能需要耗费一两天时间，因为可能新算法有兼顾不到的地方，批量测试的时候可能跑一半发现问题又得改代码，改完以后还得从头开始......

因为我是用传统算法写的，我的这位同事比较排斥传统算法，因为他从学习到工作，使用的都是深度学习框架，传统算法虽然会一些，但是不太精。

于是，他就跟我说，我这种方法太原始了，没办法兼顾到所有情况，后面万一又出现物料不一致的情况，还得改代码！

总之，他的意思是还是用深度学习比较好，这样能兼顾到所有情况。

我跟他说，我知道深度学习好，但是你要当一帮上了年纪的大哥大姐去帮你框选ROI，你觉得实际吗？况且，还不仅仅是ROI的问题，训练成本也是一个问题。

客户那边的物料有上千个，但区别其实很小，而且，客户那边的生产车间是保密车间，图片很难带出来，我自己手上的几万张照片还是项目实施的时候带出来的，深度学习要训练，必然需要现场图片，难道还要每次出问题的时候让客户把图片导出来发给我们吗？我这里几万张图片就将近10个G了，一个深度学习的训练集至少也得50万张吧，这得多少数据？

不光如此，我负责的这个视觉项目其实已经稳定跑了半年多了，只不过最近出了几次特殊情况，没有考虑到而已，如果把现有逻辑从传统算法改为深度学习，那就意味着我们得重新修改代码，那么代码的稳定性、检测的稳定性将都需要重新花时间来验证，即使客户愿意，公司也不愿意吧？

最后，我和他因为这件事情就争执了起来，最后他跟我说：“不上深度学习，我是不知道怎么做了！”

我不知道他说的是不是气话，但是我是怕了，万一真的让他去改代码，那这个项目最起码还得半年才能验收！

最后，我跟公司说我抽个时间优化下算法，然后给客户一个交代！我坚持我的想法，这个项目不适合用深度学习来做！

结语

有时候，视觉项目的确是用深度学习能解决很多问题，但是，如果用纯技术思维去做项目，虽然项目做成的可能性大，但是客户体验是极差的。

我就碰到过很多这种情况，我估计很多人也碰到过一种情况，那就是明明项目已经通过验收了，但是客户就是不怎么去用，原因就在于此！

我们把很多本该可以通过代码去解决的问题交给使用者去解决了，这本就背离了功能性软件的初衷，功能性软件，本身存在的意义不光是专业性，还得尽可能减少让客户自己去操作复杂场景的次数，傻瓜式更好，否则，给客户带来的那就是冰冷的体验！