机器视觉技术与应用案例

1月25日-1月31日，每晚18:30-21:30线上直播

课程介绍

实验课程再次更新迭代！

本课程是人工智能-机器视觉的高级主题讲解，围绕机器视觉的目标识别、目标侦测、目标分割、目标跟踪四个核心主题讲解。

课程首先从环境与基础入门开始；然后讲解目标识别，目标识别主要讲解机器学习与深度学习两种识别算法的原理介绍、实现与应用；接着讲解目标侦测，这是这个课程的重点部分，这部分内容分别讲解了 One-Stage与Two-Stage两个侦测技术方向，其中重点讲解YOLO网络从v1到v5的理论、实现与应用；课程最后分别讲解了目标分割与目标跟踪，这两个内容以体系介绍与应用体验为主的方式讲解。

课程每个部分的讲解按照体验、原理、实现、应用四段方式进行，以理论为基础，重点偏实践应用。

注重理论基础，以应用为主，从而完成课程学习后既可以从事相关的研发工作，也具备灵活应用与创新的能力。
算法实现与应用全程演示，可以边听边跟着一起动手实践，听完课后提升实践能力，结合实践应用代码强化与巩固对理论的理解。
课程提供ipynb格式的课件，可以边复习边执行案例代码体验。同时提供课程对应的案例代码与课堂笔记。

注重理论基础，以应用为主，灵活应用与创新能力。

坚基于小组的学习及互动三位一体的教学方式

结合项目实例讲解视觉及深度学习应用

注重教学内容的可视化和工程实践

7天21小时直播课程+14小时实验录播

实验课程注重代码实践，更注重落地应用

第1课机器视觉应用基础

目标及实验案例

1月25日

晚18:30-21:30

1. 机器视觉相关模块安装；

2. Python安装脚本编写；

3. IPython接口使用；

3. OpenCV模块使用（图像与视频处理）；

4. PyTorch模块使用；

5. Github资源使用；

6. Qt编程模式；

要求：

1. 掌握本课程需要的基础知识；

2. 搭建本课程需要的实践环境；

实践：

1. 按照实验书册完成实验环境的安装；

2. 安装并运行车牌识别程序案例，测试环境是否正常工作。

第2课图像分类与目标识别

目标及实验案例

1月26日

晚18:30-21:30

机器学习的图像分类

1. 图像特征处理（PCA）；

2. 逻辑回归分类；

3. SVM分类；

4. 感知机分类；

要求：

1. 掌握机器学习中经典的特征抽取算法；

2. 掌握机器学习经典图像分类算法与梯度下降法；

实践：完成基于机器学习的人脸识别程序案例

深度学习的图像分类

1. 卷积运算与梯度特征标识；

2. 常见经典卷积神经网络；

3. 循环与递归神经网络；

4. 图像数据集处理；

5. 图像分类模型训练；

6. 常见经典图像数据集；

要求：

1. 掌握卷积与图像的梯度特征表示；

2. 掌握深度神经网络的前馈学习实现；

3. 能实现并应用经典卷积神经网络实现图像分类与目标识别；

实践：

完成垃圾分类识别案例

第3课 Two-Stage目标侦测

目标及实验案例

1月27日

晚18:30-21:30

1. selective search候选区域算法；

2. R-CNN；

3. Fast R-CNN与Faster R-CNN；

4. Mask R-CNN；

5. Faster R-CNN目标侦测应用；

6. pascal_voc数据集与标签

7. Faster R-CNN侦测模型训练；

要求：

1. 了解Two-Stage目标侦测相关算法；

2. 掌握Faster R-CNN算法的原理、实现与应用；

实践：

通过行人识别程序案例掌握Two-Stage目标侦测的数据集处理、训练与应用

第4课 One-Stage目标侦测及模型训练

目标及实验案例

1月28日

晚18:30-21:30

YOLO目标侦测

1. YOLO网络原理；

2. Darknet网络；

3. OpenCV调用预训练模型；

4. Darknet网络加载预训练模型；

5. YOLOv4与v5；

6. 图像侦测与视频侦测；

7. 交通标识识别应用；

要求：

1. 掌握YOLO网络原理与关键技术；

2. 掌握OpenCV中各种深度模型的加载与应用；

实践：

1. 利用预训练模型完成车流量监控程序；

YOLO模型训练

1. OpenCV官方标签工具使用；

2. Mark-YOLO标签工具；

3. 标签标注；

4. 图像数据集工程组织；

5. YOLO模型训练；

6. 训练中常见性能评价指标；

7. YOLO网络实现分析；

要求：

1. 能标注YOLO网络的数据集标签；

2. 能训练YOLO网络；

3. 能分析评估YOLO网络训练结果；

实践：

1. 利用预先提供的交通标识数据集，完成交通违规监控（闯红灯）程序案例；

2. 利用YOLO网络，完成人脸登录模块实现案例

第5课 SSD目标识别与模型训练

目标及实验案例

1月29日

晚18:30-21:30

SSD目标识别

1. SSD原理；

2. SSD实现；

3. SSD预训练模型应用；

4. SSD车牌识别应用；

要求：

1. 掌握SSD原理与关键技术；

2. 应用SSD算法实现不同的需求；

实践：

利用已知预训练型，实现车牌识别程序案例

SSD模型训练

1. SSD训练数据集工程组织；

2. 图像标签标注工具；

3. 图像标签格式转换；

4. SSD模型实现与训练；

5. 关于车牌数据集介绍；

6. 车牌数据集标注与训练；

要求：

1. 掌握SSD算法的数据集标签标注；

2. 能训练SSD模型；

实践：

利用预先提供与采集的数据集，完成车牌识别模型的训练案例；

第6课目标分割训练与应用

目标及实验案例

1月30日

晚18:30-21:30

1. 目标分割算法介绍；

2. DeepLab v3原理；

3. 数据集处理；

4. DeepLab v3模型训练；

5. 静态图像目标分割；

6. 视频目标分割；

要求：

1. 了解目标分割的相关技术；

2. 掌握DeepLab的原理与关键技术；

3. 能训练并应用DeepLab模型；

实践：

利用目标分割，实现视频背景替换程序案例；

第7课目标跟踪应用

目标及实验案例

1月31日

晚18:30-21:30

1. 单目标跟踪算法

2. 多目标跟踪算法；

3. DeepSORT原理；

4. DeepSORT预训练模型应用；

5. DeepSORT模型训练；

6.YOLOv4-DeepSORT/YOLOv5-DeepSORT

要求：

1. 了解各种目标跟踪相关技术与算法；

2. 掌握DeepSort原理与关键技术；

3. 能训练并应用DeepSort模型；

实践：

完成车辆的跟踪程序案例；

案例实验

赠送课件、代码、数据、配套实践手册

实力专家主讲

历届好评最多的实力派讲师

杨博

南京理工大学博士、主要研究方向学习模式识别，涉及领域包含计算机视觉、图像处理，人脸识别等算法研究。8年多的软件开发经验，12年的高校任教经验，6年的企业与政府IT培训经验，9年的IT职业教育经验；授课以幽默风趣见长，对教学方法有自己的认知，对职业培训与高校教育关系有一定的观察与实践；主张使用科技改变课堂，注重知识转移的规律与方法总结，形成自己以教学资源驱动、平台支撑知识交付为手段的理念；形成独自的把资源按照教材体系、课程体系到课堂体系划分的成熟度模型，强调职业教育应该摆脱以服务为主的模式，形成以核心教育产品为基础提供教学服务的主张，提倡使用大数据技术优化教学效果，提升知识转移效率与效果。