随着深度学习的不断发展,越来越多的业务场景使用深度学习算法解决实际问题。然而,深度学习算法应用的迭代周期普遍较长,包括数据采集与标注、算法训练、算法部署落地等必要环节。由于其流程的复杂性,所以需要大量专业背景不同的人员参与其中,使得沟通成本上升,影响算法迭代效率。此外,在算法迭代周期的各个环节都会面临诸多挑战。比如,在数据准备环节,数据采集与标注需要花费大量的成本,不完善的数据管理方式可能造成数据资产的丢失;在算法训练环节,复杂的算法环境依赖,不科学的模型迭代管理方式可能造成模型与日志文件的丢失;在算法部署落地环节,算法服务的开发部署与运维同样面临着许多困难。针对以上问题,本文的主要工作内容包含以下三个部分:(1)搭建了一个“数据-训练-部署”闭环生产的深度学习平台,提供一站式的深度学习服务,主要包含四个业务功能模块:数据集管理、算法训练、算法在线化服务、自助式图像算法任务。(2)在“数据”环节,针对传统数据标注方式效率低下的问题,本文设计并实现了算法辅助标注系统。采用图像聚类与标签预测算法,将图像标注效率提升了近3倍。(3)在“部署”环节,传统算法部署落地环节流程复杂,需要耗费大量开发、部署与运维成本。针对此问题,本文提出了一套基于Kubernetes的算法在线化服务统一计算框架。算法开发人员无需编写服务化部署代码,只需专注于算法本身,即可一键部署算法服务。本文实现了算法服务部署运维的自动化与标准化,同时赋予了算法服务高并发与高可用性。