随报随学 | 共10课 | ★★☆ |
开课时间 | 课程周期 | 难易度 |
随着计算机视觉技术的蓬勃发展,目标检测算法模型已经迭代了好几代,从two stages到one stage等,不一而举。它们各有优缺点,没有哪个模型在所有场景下都是最优的。但是综合起来看,基于准确度、实时性以及易用性、可移植性等方面来考虑,YOLOV3无疑是到目前为之最佳的目标检测算法模型之一,在当前工业界中应用非常广泛。
本课程以实战为主,主要是基于一个来自实际开发项目的无人零售商品数据集(训练集和测试集总共有8000多张图片)来讲解如何一步一步地训练出YOLOV3算法模型并进行性能评估。当然,在讲解过程中,不仅仅教大家如何使用,而且还会把背后的原理以及容易犯的错误都讲清楚。让大家学完本课程后能知其然而且知其所以然,从而真正地掌握它,并应用到实际场景中去。
第一课:课程内容、目标、特色以及平台环境等介绍。
第二课:目标检测基础知识。包括常用数据集介绍、性能指标以及各种目标检测算法模型的演进。
第三课:YOLOV3目标检测原理介绍,包括网络层结构、多通道卷积,感受野,检测框回归和分类,IOU,NMS等概念。
第四课:开源框架darknet代码下载、编译及其安装。此外还包括训练预处理(图像颜色转换、不变形缩放等)和推理后处理代码的梳理。
第五课:YOLOV3模型训练上部分 包括无人零售商品数据集准备、标注、格式转换。
第六课:YOLOV3模型训练下部分 包括cfg配置文件修改、anchors计算 模型训练、训练日志分析。
第七课:模型性能评估,包括mAP, AP及recall等值计算和画出PR曲线等。
第八课:模型部署和推理,包括基于darknet框架以及OpenCV python接口的图像识别。
第九课:YOLOV3 darknet模型转换成caffe1.0 model以及验证。
第十课:YOLOV3模型性能优化方法探讨,包括数据增强,标注方法的灵活运用,高分辨率图片的识别,以及DIOU和Guassian-YOLOV3模型的讲解等。
Ubuntu16.0.4或18.0.4 + python。 最好有GPU,以提高训练速度。
对目标检测算法原理及应用感兴趣的所有人员,包括算法工程师、在校大学生等。
学完本课程可以使得大家能熟练使用darknet框架来对自己的数据集训练出YOLOV3模型,同时可以使用相关工具对该模型进行各方面性能评估,并基于训练出来的算法模型对未知图片进行目标检测。
本人近几年来一直专注于目标检测算法的研究以及应用。对各种经典目标检测算法模型都有比较深入了解,同时对算法模型在各个平台的部署甚至在嵌入式端的移植也积累了比较多的经验,在本课程学习过程中我们都可以来进行讨论和交流。
当然,如果大家对计算机视觉,甚至整个人工智能方向的职业规划、就业有任何问题或迷惑,我也乐于和你们分享我的看法和观点。1、 学习方式:老师发布教学资料、教材,幻灯片和视频,学员通过网络下载学习。同时通过论坛互动中老师对学员进行指导及学员之间相互交流。
2、 学习作业:每课均有布置课后作业,学员完成书面作业后则可进入下一课学习。
3、 老师辅导:通过论坛站内信及邮件等多种方式与老师进行一对一互动。
4、 完成课程:最后一课作业交纳后,老师完成作业批改,即可完成课程并取回相应剩余的逆向学费。
GMT+8, 2024-12-10 06:55 , Processed in 10.108445 second(s), 32 queries .