课程介绍
Python深度学习入︾门,介绍Opencv框架实战,Pytorch技术在图像分类和图像识别方面的技术实战,Yolo模型的实战应用,提升职业々技能。
培训对象
计算机相关专业专科本科在校生,或理工科ㄨ本科,且至少熟悉一门编程语言;
Java 开发⊙工程师、机器学习工程师、机器学习开发工程师、机器ぷ学习算法工程师、 数←据科学家、人工智能工程师、人工智能应用工程师、人工智能应用开发工程师、应用架构高级工程师、人工智能↓产品经理;
课程收益
通过实战案例的讲解,使学〖员了解Opencv和深度『学习(Pytorch)的知识和技能。
知识概要
初⌒ 识深度学习;
计算机视觉部分;
视觉检测类应用的实战;
课程大纲
初识深度学习
概念与术语(人工智能、计算机视觉、深度学习)
Python环境安装
什么是Opencv框架
如果准备Pytorch环境
Window或linux环境下的准备工作)
实现第一个神】经网络
详解神经♂网络的组成部分
向量化
值归一化
处理缺失值
过拟合与欠拟合
权重正则化
Dropout使用
计算机视觉部分
Opencv和python的整合
加载第一张照片〗
激活基于Python的摄像头数据源
构建一个CNN模型网络
Conv2D
池化技术
非线性激活Relu
Mnist数据集识别实验详解
模型训练
猫狗照片识别
利用迁移学习进行视觉数据分析
VGG模型介绍
InterceptionV3网络介绍
ResNet介绍
模型权重的保存和加载
模型格式的转换
利用Flask框架搭建视觉模型的Web部署
视觉检测类应用的实战
安装YoloV4框架
利用Pytorch实现Yolo的物体识别功能
实战案例1:利用Yolo识别常见ξ的物体
实战案例2:训练自定义数据集,识别自定义场景
实战案例3:利用视觉框架制作车载疲劳驾驶检测器
实战案例4:结合deepsort框架实现基于视频流的物体识别和物体计数跟踪实战
课程扩展 -- Pytorch中的OpenNMT
课程扩展 -- 多模型间的格式转换中间件 ONNX
课程扩展 -- fast.ai 平台介绍,如何使用免费GPU资源
认证过程
无认证考试
开班信息
暂无开班信息