Hao程式筆記

CV Day 45 系列總結與延伸路線 執行需求：CPU 可跑 。今天是「PyTorch 電腦視覺進階」系列的第四十五篇，也是專案五篇的最後一篇。我們花一天回顧這 45 天的學習路徑：從 Day 1 的五個任務地圖開始、走到分類（Day 3–9）、偵測（Day 10–17）、分割（Day 18–25）、姿態（Day 26–32）、生成（Day 33–40）、最後匯聚到這週的「工業瑕疵檢測」專案（Day 41–44）。本篇不寫新技術，只整理學過的工具、指標、模型，給出延伸到 2024 年底後可走的學習方向。我們會把七個階段的學習重點串成一張圖，並列出五個常見的職涯方向，最後給一份延伸閱讀清單（不引用 2025 年後的工具或版本）。 引言 回頭看 45 天前，Day 1 我們說「這系列要把讀者從『會訓練模型』帶到『能獨立完成 CV 專案』」。今天我們可以驗收這個承諾：Day 1 的導論建立了任務地圖，Day 2 把工具鏈備齊（Colab、torchvision、timm、Ultralytics），接著五個任務每個用 5–8 天展開（分類 9 天、偵測 8 天、分割 8 天、姿態 7 天、生成 8 天），最後 5 天把所有工具合成一個可以 demo 的瑕疵檢測服務。四十四篇技術文之後的這篇，是把所有工具、指標、概念在腦中重新組合成一張可以帶走的「地圖」。 本篇的內容分四段：第一段回顧七個階段的學習路徑與代表工具；第二段整理常見的職涯方向（CV 工程師、ML 工程師、Computer Vision Researcher、MLOps、Domain Expert）；第三段列出 2024 年底後仍可走的延伸學習方向，包含 anomaly detection 與少樣本學習等主題；第四段是 45 天學習的「自我評估清單」，讀者可以對照檢查自己學到了什麼、還缺什麼。這篇沒有新的程式碼，但有大量引用 Day 1–44 的連結，方便你回頭補課。 貫穿專案的共用設定（與 Day 41–44 完全一致）：MVTec AD bottle 類別、EfficientNet-B0（timm 1.0.x）、DeepLabV3Plus + ResNet34（smp 0.3.x）、ONNX opset 17、threshold 0.30。技術版本基準仍是 2024 年底（PyTorch ...

CV Day 44 部署：ONNX、FastAPI 與 Streamlit 執行需求：CPU 可跑 。本篇是專案五篇的倒數第二篇，要把你從 Day 41–43 練出來的兩個 PyTorch 模型（EfficientNet-B0 分類器與 DeepLabV3+ 分割器）部署成一個完整可用的瑕疵檢測服務。我們會做四件事：把兩個 .pt 權重匯出成 ONNX（opset 17）、用 onnxruntime 1.19 驗證 ONNX 推論、用 FastAPI 0.115 寫 HTTP 端點（POST 上傳圖片、回傳 good/defect + 信心分數 + 瑕疵 mask 的 base64 PNG）、用 Streamlit 1.39 寫展示頁（拖拉上傳 → 看分類結果 + 視覺化 mask）。整個流程在本地 CPU（無 GPU）上跑得動：ONNX 匯出約 60 秒、ONNX 推論單張約 80 ms、Streamlit 啟動約 5 秒；服務啟動後 throughput 約 4–8 FPS，符合 Day 41 的部署目標。 引言 Day 14 我們做過 YOLO11 的 ONNX 匯出，Day 22 用過 SAM 做標註助手，但「兩條管線 + FastAPI + Streamlit」這套完整部署流程是專案篇才走到。我們今天要解決的不是「怎麼匯出 ONNX」（Day 14 已示範），而是「怎麼把兩個獨立模型組合起來、回傳結構化 JSON、回應前端的需求」。實務上工業界的瑕疵檢測 API 通常回傳「是/否、有多少瑕疵、瑕疵在哪裡、長什麼樣」四個資訊，本篇都會提供。 本篇的程式分四段：第 1 段把 PyTorch .pt 匯出成 ONNX（opset 17）、第 2 段用 onnxruntime 寫推論類別、第 3 段用 FastAPI 0.115 寫 HTTP 端點、第 4 段用 Streamlit 1.39 寫展示頁。與前系列 Day 14（YOLO 部署）相比，本篇的差異有三：第一，兩個模型同時匯出與部署，要設計一個「共用 preprocess、共用 postprocess」的服務層；第二，回傳 JSON 同時包含分類與分割；第三，Streamlit 端能即時畫出 mask overlay。讀完這篇你會了解：ONNX opset 17 的特性、Efficien...

CV Day 43 評估與錯誤分析 執行需求：Colab T4 可跑 。本篇承接 Day 42 的兩個 best 權重（ cls_efficientnet_b0_best.pt 與 seg_deeplabv3plus_best.pt ），在 Day 41 切好的 test set（20 good + 10 defect）上完整評估一次：分類指標（AUROC、precision/recall/F1、混淆矩陣、信心門檻掃描）、分割指標（pixel accuracy、mIoU、Dice、瑕疵面積誤差）、錯誤分類（FN/FP/Localization/Duplicate）、三類瑕疵子類別的差異分析。整段推論流程在 Colab T4 約 8 分鐘；如果你把模型搬到 CPU（onnxruntime 1.19）跑，30 張 test 約 1 分鐘。我們會把評估結果寫成一份 markdown 報告，作為 Day 44 部署前最後一次診斷。 引言 Day 42 我們把 EfficientNet-B0 分類器訓練到 val_acc 0.9667、val_AUROC 0.9874；DeepLabV3+ 分割器訓練到 val_mIoU 0.7135、val_Dice 0.8329。但「val 高」並不代表「test 高」，原因是 val 的 30 張是我們刻意切的高缺陷率樣本（30% defect），test 的 30 張則維持 MVTec 官方的高瑕疵設計（33% defect，瑕疵影像被重新分配到 train/val 是教學示範的人為安排）。缺陷率劇烈變化時，AUROC 不變、但 precision/recall 會受影響；mIoU 與 Dice 也可能跟著變化。今天就是把 val 與 test 的指標全部鋪出來，並把每張錯誤案例（FN、FP、Localization）做成視覺化，作為 Day 44 部署 threshold 設定的依據。 本篇的評估方法沿用 Day 8、Day 17 與 Day 24 學過的工具：Day 8 的混淆矩陣與信心門檻掃描、Day 17 的錯誤四大分類（FN、FP、Localization、Duplicate）、Day 24 的分割評估（pixel accuracy、mIoU、Dice、Boundary F1）。我們把這些工具組合成一個「專...