基于深度学习的计算机视觉是AI技术在现实场景的重要应用方向之一，被广泛用于交通管理、无人驾驶、安全监控等领域。然而由于其技术门槛较高，图像识别仍然属于少数研究人员的专属，体现在以下几点：各种新概念层出不穷，掩盖了真实业务的痛点；越来越复杂的神经网络需要强大的 GPU 集群支持，而现实中并非每家公司都有 Google 的强大算力；真正落地的视觉产品需要整合图像标注、模型定义、训练、部署及服务接口等多个步骤，是一个复杂的系统设计问题而非纯算法问题；部分基于 C/C++ 的代码实现，如 Yolo 的 Darknet，难以拓展到真实生产环境下，充分利用现代开发框架如 Tensorflow 等在分布式处理和资源调度上的优势。在这里我们基于腾讯互娱 Turing Lab 近两年将前沿算法和实际项目需求结合的实践经验， 以 YoloV3 的部署和应用为例，探讨一个真正落地的图像识别系统从单机原型开发到基于分布式集群部署和应用的完整演化过程。

听众受益：

1. 前沿计算机视觉研究目标和实际业务需求的差异；
2. 前沿 AI 算法在实际工程项目中存在的问题；
3. 图像识别平台各环节的痛点和解决方案。