智能科学与技术智能科技公司智能系统工程师实习报告

智能科学与技术智能科技公司智能系统工程师实习报告一、摘要2023年7月1日至2023年8月31日，我在智能科学与技术智能科技公司担任智能系统工程师实习生。期间，参与开发基于深度学习的图像识别模块，使用PyTorch框架处理标注数据集，完成2.3万张图片的预处理与增强，模型准确率提升至92.5%，超出预期目标1.2%。负责搭建实验环境，部署TensorFlow2.4与CUDA11.0，优化模型推理速度，单张图片处理时间从280毫秒降至180毫秒。通过日志分析定位系统瓶颈，提出GPU显存分配策略，使并发任务数增加40%。掌握数据驱动的迭代优化方法，形成“预处理模型训练性能调优”标准化流程，可直接应用于同类项目。二、实习内容及过程实习目的是将课堂上学到的深度学习和计算机视觉知识应用到实际项目中，了解智能系统工程师的工作流程。实习单位是家做智能硬件解决方案的公司，主要业务是开发基于边缘计算的图像识别产品。我被分配到算法优化小组，跟着导师做模型部署和性能调优。主要做了图像识别模块的云端训练和边缘端部署。7月5号到10号，负责处理一个车辆检测的数据集，包含1.5万张标注图片，分辨率从720P到1080P不等。用Python加载数据，用OpenCV做数据增强，包括随机旋转、翻转和亮度调整。导师教我用PyTorch构建模型，我从头学到autograd机制和nn.Module的用法。跑完第一次训练，模型mAP只有68%，比预期低不少。调试花了两天时间。发现是数据集中有大量遮挡样本，直接训练会导致模型泛化能力差。于是和导师一起制定新策略，先做半监督预训练，再用干净标注做微调。7月18号重新跑完流程，mAP提升到82%，边缘端推理速度也快了30%。这个过程中学到了模型蒸馏和损失函数加权的技术，这些都是后来课程里没讲过的。遇到的最大困难是部署到边缘设备时显存不足。8月初测试板载NPU时，Inference时直接崩溃。查资料发现是TensorFlowLite量化参数没调对。花了两周时间研究量化策略，从浮点转INT8，手动调整符号位和振幅参数。最后把模型大小压缩到原来的1/4，推理时显存占用从400MB降到150MB。导师说下次可以直接用ONNXRuntime替代，效率更高。实习成果就是完成了一个可商用的车辆检测模型，参数量不到500万，在测试集上mAP达到89%，端到端延迟控制在50毫秒以内。还写了一份部署文档，列出了不同硬件的优化建议。最大的收获是掌握了模型从训练到落地的完整流程，包括量化、剪枝这些优化手段。公司培训机制比较松散，没人系统地讲工具链的使用，很多知识都要靠自学。建议可以搞个内部Wiki，把常用的脚本和踩过的坑都记下来。岗位匹配度上，感觉学校教的偏理论研究，实际工作需要更多工程经验，比如嵌入式系统知识。如果能提前接触点C++或者baremetal编程会更有优势。这段经历让我意识到，做算法不能光埋头写代码，得懂硬件限制，否则很多优化都是徒劳。三、总结与体会这八周实习像把理论知识搭进了现实。7月刚进公司时，对着导师给的任务清单有点懵，完全不知道从哪儿下手。导师给我发了之前的项目文档，里面有张图展示了数据预处理到模型部署的完整流程，看着密密麻麻的模块，感觉学的东西一下子有了用武之地。后来我负责的图像识别模块，用PyTorch训练的时候，模型参数调到1亿多就跑不动了，导师教我用混合精度训练，加上梯度累积，最后能在单块RTX3090上跑通2000步的更新，这让我第一次真切感受到算法落地不是随便写写代码就行。实习最大的收获是学会怎么面对不确定性。8月中旬有一次线上测试，边缘设备突然报错，原来是C++写的推理接口内存泄漏。我连夜用Valgrind定位到问题，改了智能指针的用法才解决。第二天和导师复盘，他说这类问题学校里很难遇到，但实际工作中太常见了。这让我意识到，学生时代做项目追求结果完美，工作后更看重解决问题的能力。比如调参时，以前我恨不得把精度提到99%，现在会考虑成本和效率，比如这次车辆检测模型，在精度和速度之间做了取舍，最终交付的版本在端侧延迟和准确率上找到平衡点。行业趋势这块，公司用的很多技术比如ONNXRuntime、模型量化，都是边缘计算标配。我发现现在很多论文写得再花哨，如果量化效果不好、部署复杂，商业上根本没价值。导师跟我说，他们内部有个不成文的规矩，新模型必须能在板载NPU上跑，参数量不能超过1M，否则就算失败。这让我开始关注边缘端适配这块，可能这就是未来几年重点方向。后续打算补学嵌入式Linux和arm架构知识，看看能不能考个嵌入式开发相关的认证。实习最后做的总结报告，导师看了说比我上学时写论文条理清楚多了，可能是因为现在做事要考虑成本、进度，不能光想着理论有多完美。这种从学生到职场人的心态转变，比单纯学会几个技能更珍贵。致谢感谢智能科技公司给我这次实习机会，让我了解了智能