Name: 使用 PyTorch 进行图像分类与目标检测
Availability: InStock

使用 PyTorch 进行图像分类与目标检测

近年来，图像分类与目标检测得到了广泛应用。内容分类与监控、基于医学影像的疾病诊断、卫星图像中的地形识别，以及自动驾驶汽车的道路元素检测，其本质都是分类问题。PyTorch 是处理这些任务的流行框架，兼具易用性、深度学习功能、可定制性和优化能力。在本课程中，您将学习分类与目标检测模型的基础知识，并使用 PyTorch 在真实数据集上进行实践。您将掌握主流网络架构，学习如何实现并微调这些模型以获得更优性能。最后，您还将学习将模型转换为 ONNX 和 OpenVINO 格式，以便部署到边缘设备上。通过本课程的学习，您将掌握在实际应用中使用 PyTorch 进行图像识别与目标检测所必需的技能。

11 Lessons

WHAT YOU'LL LEARN

了解与图像分类、物体检测和卷积神经网络相关的核心概念

使用图像分类架构的实践经验

熟悉使用 PyTorch 进行图像分类任务

具备使用 ONNX 和 OpenVINO 部署深度学习模型的实际经验

了解与图像分类、物体检测和卷积神经网络相关的核心概念

Content

11 Lessons • 0 Quizzes • 0 Challenges

在开始之前

1
课程介绍
2
图像分类与目标检测
3
神经网络基础

卷积神经网络基础

1
卷积神经网络基础简介
2
什么是二维卷积？
3
图像与滤波器
4
卷积神经网络
5
卷积神经网络基础测验

流行的用于图像分类的神经网络架构

1
图像分类架构简介
2
AlexNet（2012）
3
VGG16（2014）
4
InceptionV1——GoogleNet（2014）
5
ResNet（2015）
6
MobileNetV1（2017年）和MobileNetV2（2018年）
7
EfficientNet（2019）
8
图像分类架构总结
9
关于CNN基础及其架构的测验

使用 PyTorch 进行图像分类

1
PyTorch图像分类入门
2
数据准备
3
使用 PyTorch 从零开始训练自定义模型
4
微调模型
5
迁移学习
6
关于训练问题与微调的测验

模型部署

1
模型部署简介
2
在 PyTorch 中使用部署框架

目标检测基础

1
从图像分类到目标检测
2
单阶段与两阶段架构
3
目标检测基础测验

两阶段目标检测架构

1
两阶段目标检测架构简介
2
R-CNN（2014）
3
Fast R-CNN（2015）
4
Faster R-CNN（2016）
5
两阶段目标检测器测验

单阶段目标检测架构

1
单阶段目标检测架构简介
2
SSD（2015）
3
YOLO（2015）、YOLOv2（2016）和 YOLOv3（2018）
4
YOLOv4（2020）
5
YOLOX（2021年）和 YOLOv6（2022年）
6
YOLOv7（2022）
7
关于单阶段目标检测器的测验

YOLOv7 模型在边缘设备上的训练与推理

1
YOLOv7 训练与部署简介
2
YOLOv7 工作流程：数据集创建、训练与部署
3
分析超参数
4
YOLOv7模型在边缘设备上的训练与推理测验

结论

1
总结

附录

1
在本地机器上搭建环境

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

使用 PyTorch 进行图像分类与目标检测

WHAT YOU'LL LEARN

Content

1. 在开始之前了解使用 PyTorch 进行图像分类、目标检测以及神经网络基础。

课程介绍

图像分类与目标检测

神经网络基础

2. 卷积神经网络基础掌握卷积神经网络（CNN）的基本原理，包括卷积操作、池化和批归一化。

卷积神经网络基础简介

什么是二维卷积？

图像与滤波器

卷积神经网络

卷积神经网络基础测验

3. 流行的用于图像分类的神经网络架构研究用于图像分类的各种神经网络架构，重点介绍关键进展与效率提升。

图像分类架构简介

AlexNet（2012）

VGG16（2014）

InceptionV1——GoogleNet（2014）

ResNet（2015）

MobileNetV1（2017年）和MobileNetV2（2018年）

EfficientNet（2019）

图像分类架构总结

关于CNN基础及其架构的测验

4. 使用 PyTorch 进行图像分类掌握使用 PyTorch 进行高效图像分类和模型微调的基础知识。

PyTorch图像分类入门

数据准备

使用 PyTorch 从零开始训练自定义模型

微调模型

迁移学习

关于训练问题与微调的测验

5. 模型部署解决在多种硬件架构和平台上部署与优化AI模型的问题。

模型部署简介

在 PyTorch 中使用部署框架

6. 目标检测基础应对目标检测的复杂性，区分单阶段与两阶段架构。

从图像分类到目标检测

单阶段与两阶段架构

目标检测基础测验

7. 两阶段目标检测架构在R-CNN、Fast R-CNN和Faster R-CNN的基础上，进一步推进两阶段目标检测的发展。

两阶段目标检测架构简介

R-CNN（2014）

Fast R-CNN（2015）

Faster R-CNN（2016）

两阶段目标检测器测验

8. 单阶段目标检测架构逐步解析以YOLO和SSD模型为代表的一阶段目标检测架构。

单阶段目标检测架构简介

SSD（2015）

YOLO（2015）、YOLOv2（2016）和 YOLOv3（2018）

YOLOv4（2020）

YOLOX（2021年）和 YOLOv6（2022年）

YOLOv7（2022）

关于单阶段目标检测器的测验

9. YOLOv7 模型在边缘设备上的训练与推理开始学习YOLOv7模型的训练、部署以及针对边缘设备的优化。

YOLOv7 训练与部署简介

YOLOv7 工作流程：数据集创建、训练与部署

分析超参数

YOLOv7模型在边缘设备上的训练与推理测验

10. 结论分解使用 PyTorch 进行图像分类和目标检测的关键策略。

总结

11. 附录深入剖析使用 Anaconda 管理 Python 环境的复杂概念。

在本地机器上搭建环境

Certificate of Completion

Reviews

Reviews & Comments (0)