点击上方“ CVer ”，选择加" 星标 "置顶

重磅干货，第一时间送达

在产业生产环境下, Windows 系统是最常见的操作平台，深度学习相关的安全帽检测、质量检测等算法的产业部署，多数情况下是在Windows系统上完成的。而大多数深度学习框架只考虑了Linux系统，对Windows系统的适配工作，尤其是部署阶段较为薄弱，使产业深度学习算法实际部署应用的难度高居不下。

近期，飞桨目标检测兴趣小组的成员基于PaddleX（飞桨全流程开发工具）开发了一套专门面向工业场景的部署软件，使开发者可以直接对摄像头捕获的图像进行实时可视化检测，极大的降低了深度学习算法部署及实时预测的难度。

该软件的设计，兼容了多种型号的相机、实现了多种形式的预测方式、提供了更加细致的阈值设置文件，并将工业相机、工控机、深度学习算法软件实现了串联，彻彻底底的打通深度学习在工业产线Windows系统部署的最后一公里。

上周，我们在飞桨开发者说直播中分享了使用PYQT在工业场景深度学习模型部署的常见难题、如何实现深度学习模型快速部署及实时检测、以及详细的软件实现过程。那么本周，我们继续将会为大家介绍基于C#的深度学习部署软件的开发过程。本次直播将结合工业场景为大家进行演示、一步步介绍如何去封装一个C++的DLL接口，供C#的调用，也会提供一个单独的GRPC预测的Demo，让大家轻松应对不同场景。

错过了上周直播的同学可以点击链接观看回放：

https://www.bilibili.com/video/BV1rp4y1q7ap

本期直播介绍

直播时间：12月16日 19:00-20:00

直播方式：飞桨B站直播间

相关产品：PaddleX（飞桨全流程开发工具）

l  《基于C#的部署软件的功能实现》——李康宇

l  《如何编译一个可供C#调用的DLL》——朱玉石

l  《如何搭建一个grpc的服务来提供多种部署选择》——王成

该项目的源码会在直播时开放，如果你感兴趣，欢迎观看直播获取喔。

（扫描下方海报二维码入群，获取直播链接及源码）

Star 有奖

在小伙伴们的支持下，PaddleX荣登GitHubTrending榜单啦！！所以！本周三晚上直播中，我们将进行抽奖！！给 PaddleX（飞桨全流程开发工具） Github 点 Star，即可参与，领奖时间以及方式如下:

1、在PaddleX的Github Star列表前六页中随机抽取幸运者，并在微信群里进行公示，怕错过了中奖信息的小伙伴赶紧扫码直播海报上的二维码入群喔。

2、获奖的用户可以在微信里面私信飞桨小哥哥，凭借Github账号截图领奖。

3、开奖时间：本周三（12月16日）直播结束时，在线开奖。

奖品多多，赶紧动手Star点起来！！

l  50元京东卡 *4

l  百度云超级会员月卡 *5

l  鼠标垫 *5

l  小度熊抱枕 *2

PaddleX  Github 链接：

https://www.paddlepadde.org.cn/paddle/paddleX

PPDE 飞桨开发者说 Live

每周三晚上 19:00-20:00，都有一位PPDE（飞桨开发者技术专家）或飞桨社区开发者在B站与大家见面交流。错过了往期直播的小伙伴，可以到B站搜索 飞桨PaddlePaddle 回顾之前的直播哟。

飞桨开发者技术专家（PPDE）

飞桨开发者技术专家（PPDE）是百度飞桨对开发者的荣誉认证体系，成为其中的一员后，除了有专属的 PPDE 系列活动外，还将享有从技术专家认证、顶级峰会交流与演讲邀约，到全球技术游学、PPDE 专项赞助等丰富权益。

想了解如何成为PPDE？点击“ 阅读原文 ”即可获取更多信息啦！

点击上方“CVer”，选择加"星标"置顶重磅干货，第一时间送达在产业生产环境下, Windows 系统是最常见的操作平台，深度学习相关的安全帽检测、质量检测等算法的产业部... 适用于Chrome开发者工具的明日之夜主题。 用零基础主题制作。 https://github.com/gbraad/chrome-devtools-tomorrow-night-bright-theme 支持语言:English 有无标注好的数据，如果有标注数据，数据增广之后是否可以让 模型 很好的收敛；如果没有标注数据，找一找公开带标注的数据集里面有没有可以迁移学习的。 因为之后 模型 压缩损失精度，就要提前在训练时尽可能把精度达到更高、缩短训练时间。比如大batch size和Linear scaling、warm up、Zero γ 、no bias decay等的方法。同时优先考虑mobilenet等backbone，看精度是否在要求内。听说，有条件的会搜索一下网络结构。 优化使用推理引 在你开始之前 确保您已安装以下依赖项。 CUDA 10.2、11.0 更新 1、11.1 更新 1、11.2 更新 2、11.3 更新 1、11.4 更新 3、11.5 更新 1 或 11.6 cuDNN 8.3.2 安装过程： 下载与您正在使用的 Windows 版本匹配的 TensorRT zip 文件。 选择要安装 TensorRT 的位置。 zip 文件会将所有内容安装到名为 在python服务器上 部署 模型 文件，给出一个http服务，后台通过这个服务就可以调用 模型 进行输入输出了。 优点：算法与后端的工作界限明显，不需要特别多的沟通；在使用 模型 前还需要进行数据预处理，不需要额外再进行代码迁移。 缺点：需要服务器安装python环境，维护的成本增加，服务器之间接口的通信问题，获取 模型 输出所需 并发与并行 并发：在操作系统中，是指一个时间段中有几个程序都处于已启动运行到运行完毕之间，且这几个程序都是在同一个处理机上运行，但任一时刻点上只有一个程序在处理机上运行。例如吃饭的时候打电话，你只能吃完一口饭，再说一句话，再吃一口饭，再说一句话，并发说明你有处理多个任务的能力，不一定要同时。 并行：指的是系统具有同时处理多个任务的能力。例如上面的吃饭打电话的例子，你可以一边吃饭一边说话。 同步与异步 同步和异步关注的是消息通信机制。同步就是调用消息，调用方必须等到这个消息返回 需求一：简单的demo演示，只要看看效果的，像是学校里面的demo展示这种 caffe、tf、pytorch等框架随便选一个，切到test模式，拿python跑一跑就好，顺手写个简单的GUI展示结果 高级一点，可以用CPython包一层接口，然后用C++工程去调用 需求二：要放到服务器上去跑，但一不要求吞吐二不要求时延的那种，说白了还是有点玩玩的意思 caffe、tf、pytorch等框架随便选一个，按照官方的 部署 教程，老老实实用C++ 部署 ，例如pytorch 模型 用