基于深度学习的计算机视觉（CV）模型，比如图像分类，在应用上比较成熟了。
不管是ImageNet的分类模型，还是目标检测模型，都在实际应用中取得很好的效果，准确率、召回率达到生产要求。
深度学习模型虽说成熟，但数据的组织却远没那么容易。而数据的好坏，决定了最终的应用效果。
一句话，在CV实际项目中，通常会花约80%以上的时间，用来搞数据。
（一）确定数据的形式，即数据的内容是什么
对不同的业务，数据的内容要求是不同的。
比如，对自动驾驶，要有大量的交通路况数据。
对医疗影像，要有大量的医院成片数据。
对鉴黄，就要有大量的涉黄的影视和图片样本。
（二）选择合适的数据来源，即数据采集途径
数据采集是计算机视觉任务中一大难点。
对平台性公司，比如BAT这种，有天然的数据优势。他们有海量的用户，用户的数据积累在他们系统中，为AI任务提供了良好的条件。
对普通的创业型公司，数据来源是个难点。我见到很多公司是买的数据，或者联系百度、阿里等众包服务，帮他们采集数据。
一般AI项目里，数据的成本要占到整个项目成本的30%左右。
如果是通用的图像分类任务，网上有大量的开源数据集可用。比如ImageNet、COCO，这些数据可以充分利用起来，完成冷启动过程。
（三）数据的结构设计，包括分层比率
打个比方，对于鉴黄的分类模型，肯定不是扔一些色情图片进去，就可以作为样本跑起来。这里涉及到数据的分层结构。
模型一上线，就会产生如下四类数据：
- TP：真的正样本，即确实是色情图片，模型正确识别出来
- FP：假的正样本，即不是色情图片，但被模型误判为色情
- TN：真的负样本，即确实不是色情图片，模型识别正确
- FN：假的负样本，即明明是色情图片，但模型漏过了，这部分至关重要
在模型完成冷启动，上线运行后，需要进行持续的数据迭代。
所谓数据迭代就是指线上预测的数据回流回来，再由人工审核或其他模型二审，得到上述四个维度的精准数据集。我们自己的项目，就花了大量时间在人工二审上。
这四个数据集补充到训练样本里，完成新的模型训练，这叫模型迭代。
而它们的分层比率，也需要精确计算。比如模型的召回率太低，就要加大FN的比率。
（图1：数据迭代、模型迭代）
通过这个分类模型案例，我们可以看到工程在AI项目里的作用至关重要。它保证了数据迭代、模型迭代的过程，从而让模型越来越智能。
很多AI项目落不了地，就败在工程上。
（四）数据的标注和审核
原始数据采集回来后，需要做标注。
比如，对于分类任务，就要标记图片为哪个类别；对于目标检测，就要把图片里的目标框起来，并设置标记；对于人体关键点检测，就要标明每个关键点的位置；对于语义分割，就更复杂，是像素级的标记。
不是简单标完就了事，因为每个人对标注对象的理解不一样，所以标完还要审。
可以采取多标的方式来自动审核。标完由模型过一遍，如果多份标注的计算结果一致，则说明标注正确；否则就打回重标。
这部分工作也费时费力，通常一个算法人员，对应的是一堆标注人员。
（五）数据的统计
数据的分布、数据的版本管理、数据对模型的影响，这些统计的细节工作同样重要。
在深度学习视觉领域，数据代表了一切。
只有深入了解数据、分析数据、把握数据，才可能把工作做好。
COCO视觉挑战赛，得分最高的不一定是模型最优秀的，而是对数据最了解的。
（图2：数据是保证项目成功的关键）
总结：在AI实际应用中，算法重要，数据、工程也同等重要。如果你找到了精通算法的博士，不代表项目就可以成功。在设计算法的同时，请同时把数据分析团队、工程研发团队搭建好，AI项目才真正可能落地。