<form id="hztlr"><nobr id="hztlr"><nobr id="hztlr"></nobr></nobr></form>

          <address id="hztlr"><nobr id="hztlr"></nobr></address>

            <address id="hztlr"><nobr id="hztlr"><meter id="hztlr"></meter></nobr></address>

                  白勇
                  研究員/教授

                  擅長領域:深度學習、計算機視覺、機器學習

                  講師介紹:大學教授,美國歸國博士、博士生導師;人工智能公司專家顧問;長期從事人工智能、物聯網、大數據研究;已發表學術論文100多篇,授權發明專利10多項

                  計算機視覺:

                  PyTorch版Mask R-CNN圖像實例分割實戰:訓練自己的數據集

                  Mask R-CNN是一種基于深度學習的圖像實例分割方法,可對物體進行目標檢測和像素級分割。


                  本課程將手把手地教大家使用Labelme圖像標注工具制作自己的數據集,并使用PyTorch版本的Mask R-CNN(Facebook 官方maskrcnn-benchmark)訓練自己的數據集,從而能開展自己的圖像分割應用。


                  本課程的具體項目實戰案例是:對汽車行駛場景中的路坑、車、車道線等多類物體進行檢測和分割 。本課程使用PyTorch1.0在Ubuntu16.04系統上進行項目全過程的演示。


                  本課程提供項目標注的數據集和相關Python程序文件。

                  >
                  共19課時(已更新19課時)| ¥88.00| 26人學習過開始學習
                  計算機視覺:

                  YOLOv3目標檢測實戰:網絡模型改進方法

                  YOLOv3是一種基于深度學習的端到端實時目標檢測方法,以速度快見長。

                  本課程將學習YOLOv3實現darknet的網絡模型改進方法。具體包括:
                  ? PASCAL VOC數據集的整理、訓練與測試?
                  ? Eclipse IDE的安裝與使用?
                  ? 改進1:不顯示指定類別目標的方法 (增加功能)?
                  ? 改進2:合并BN層到卷積層 (加快推理速度)?
                  ? 改進3:使用GIoU指標和損失函數 (提高檢測精度)?
                  ? 改進4:tiny YOLOv3 (簡化網絡模型)
                  ? AlexeyAB/darknet項目介紹

                  除本課程《YOLOv3目標檢測實戰:網絡模型改進方法》外,本人推出了有關YOLOv3目標檢測的系列課程,請關注該系列的其它課程,包括:
                  《YOLOv3目標檢測實戰:訓練自己的數據集》
                  《YOLOv3目標檢測實戰:交通標志識別》
                  《YOLOv3目標檢測:原理與源碼解析》


                  在學習課程《YOLOv3目標檢測實戰:網絡模型改進方法》前,建議先學習課程《YOLOv3目標檢測實戰:訓練自己的數據集》和課程《YOLOv3目標檢測實戰:交通標志識別》之一和課程《YOLOv3目標檢測:原理與源碼解析》。
                  >
                  共26課時(已更新26課時)| ¥78.00| 50人學習過開始學習
                  計算機視覺:

                  U-Net圖像語義分割實戰:訓練自己的數據集

                  U-Net是一種基于深度學習的圖像語義分割方法,尤其在醫學圖像分割中表現優異。

                  本課程將手把手地教大家使用labelme圖像標注工具制作自己的數據集,生成Mask圖像,并使用U-Net訓練自己的數據集,從而能開展自己的圖像分割應用。

                  本課程有三個項目實踐:

                  (1) Kaggle鹽體識別比賽 :利用U-Net進行Kaggle鹽體識別

                  (2) Pothole語義分割:對汽車行駛場景中的路坑進行標注和語義分割

                  (3) Kaggle細胞核分割比賽 :利用U-Net進行Kaggle細胞核分割

                  本課程使用keras版本的U-Net,在Ubuntu系統上用Jupyter Notebook做項目演示。 包括:數據集標注、數據集格式轉換和Mask圖像生成、編寫U-Net程序文件、訓練自己的數據集、測試訓練出的網絡模型、性能評估。

                  本課程提供項目的數據集和Python程序文件。


                  >
                  共15課時(已更新15課時)| ¥88.00| 264人學習過開始學習
                  計算機視覺:

                  DeepLabv3+圖像語義分割實戰:訓練自己的數據集

                  DeepLabv3+是一種非常先進的基于深度學習的圖像語義分割方法,可對物體進行像素級分割。


                  本課程將手把手地教大家使用labelme圖像標注工具制作數據集,并使用DeepLabv3+訓練自己的數據集,從而能開展自己的圖像語義分割應用。


                  本課程有兩個項目實踐:

                  (1) CamVid語義分割 :對CamVid數據集進行語義分割

                  (2) RoadScene語義分割:對汽車行駛場景中的路坑、車、車道線進行物體標注和語義分割


                  本課程使用TensorFlow版本的DeepLabv3+,在Ubuntu系統上做項目演示。 包括:安裝deeplab、數據集標注、數據集格式轉換、修改程序文件、訓練自己的數據集、測試訓練出的網絡模型以及性能評估。


                  本課程提供項目的數據集和Python程序文件。


                  下圖是使用DeepLabv3+訓練自己的數據集RoadScene進行圖像語義分割的測試結果:



                  >
                  共15課時(已更新15課時)| ¥88.00| 286人學習過開始學習
                  計算機視覺:

                  Mask R-CNN圖像實例分割實戰:訓練自己的數據集

                  Mask R-CNN是一種基于深度學習的圖像實例分割方法,可對物體進行目標檢測和像素級分割。

                  本課程將手把手地教大家使用VIA圖像標注工具制作自己的數據集,并使用Mask R-CNN訓練自己的數據集,從而能開展自己的圖像分割應用。


                  本課程有三個項目案例實踐:

                  (1) balloon實例分割 :對圖像中的氣球做檢測和分割

                  (2) pothole(單類物體)實例分割:對汽車行駛場景中的路坑進行檢測和分割

                  (3) roadscene( 多類物體)實例分割:對汽車行駛場景中的路坑、車、車道線等進行檢測和分割


                  本課程使用Keras版本的Mask R-CNN,在Ubuntu系統上做項目演示。

                  本課程提供項目的數據集和python程序文件。


                  下面是使用Mask R-CNN對roadscene進行圖像實例分割的測試結果




                  下圖是使用Mask R-CNN對pothole進行單類物體圖像實例分割的測試結果:


                  下圖是使用Mask R-CNN對roadscene進行多類物體圖像實例分割的測試結果:


                  >
                  共24課時(已更新24課時)| ¥88.00| 320人學習過開始學習
                  計算機視覺:

                  YOLOv3目標檢測:原理與源碼解析


                  Linux創始人Linus Torvalds有一句名言:Talk is cheap, Show me the code.(冗談不夠,放碼過來!)。

                  代碼閱讀是從入門到提高的必由之路。尤其對深度學習,許多框架隱藏了神經網絡底層的實現,只能在上層調包使用,對其內部原理很難認識清晰,不利于進一步優化和創新。

                   

                  YOLOv3是一種基于深度學習的端到端實時目標檢測方法,以速度快見長。

                  YOLOv3的實現Darknet是使用C語言開發的輕型開源深度學習框架,依賴少,可移植性好,可以作為很好的代碼閱讀案例,讓我們深入探究其實現原理。

                   

                  本課程將解析YOLOv3的實現原理和源碼,具體內容包括:


                  •      YOLO目標檢測原理 
                  •      神經網絡及Darknet的C語言實現,尤其是反向傳播的梯度求解和誤差計算 
                  •      代碼閱讀工具及方法 
                  •      深度學習計算的利器:BLAS和GEMM 
                  •      GPU的CUDA編程方法及在Darknet的應用 
                  •      YOLOv3的程序流程及各層的源碼解析


                   

                  本課程將提供注釋后的Darknet的源碼程序文件。

                   

                  除本課程《YOLOv3目標檢測:原理與源碼解析》外,本人推出了有關YOLOv3目標檢測的系列課程,包括:


                  •   《YOLOv3目標檢測實戰:訓練自己的數據集》
                  •   《YOLOv3目標檢測實戰:交通標志識別》
                  •   《YOLOv3目標檢測:原理與源碼解析》
                  •   《YOLOv3目標檢測:網絡模型改進方法》


                   

                  建議先學習課程《YOLOv3目標檢測實戰:訓練自己的數據集》或課程《YOLOv3目標檢測實戰:交通標志識別》,對YOLOv3的使用方法了解以后再學習本課程。


                  >
                  共31課時(已更新31課時)| ¥78.00| 385人學習過開始學習
                  計算機視覺:

                  YOLOv3目標檢測實戰:交通標志識別

                  在無人駕駛中,交通標志識別是一項重要的任務。本項目以美國交通標志數據集LISA為訓練對象,采用YOLOv3目標檢測方法實現實時交通標志識別。

                  具體項目過程包括包括:安裝Darknet、下載LISA交通標志數據集、數據集格式轉換、修改配置文件、訓練LISA數據集、測試訓練出的網絡模型、性能統計(mAP計算和畫出PR曲線)和先驗框聚類。

                  YOLOv3基于深度學習,可以實時地進行端到端的目標檢測,以速度快見長。本課程將手把手地教大家使用YOLOv3實現交通標志的多目標檢測。本課程的YOLOv3使用Darknet,在Ubuntu系統上做項目演示。 Darknet是使用C語言實現的輕型開源深度學習框架,依賴少,可移植性好,值得深入學習和探究。

                  除本課程《YOLOv3目標檢測實戰:交通標志識別》外,本人推出了有關YOLOv3目標檢測的系列課程,請持續關注該系列的其它課程視頻,包括:

                  《YOLOv3目標檢測實戰:訓練自己的數據集》

                  《YOLOv3目標檢測:原理與源碼解析》

                  《YOLOv3目標檢測:網絡模型改進方法》

                  另一門課程《YOLOv3目標檢測實戰:訓練自己的數據集》主要是介紹如何訓練自己標注的數據集。而本課程的區別主要在于學習對已標注數據集的格式轉換,即把LISA數據集從csv格式轉換成YOLOv3所需要的PASCAL VOC格式和YOLO格式。本課程提供數據集格式轉換的Python代碼。

                  請大家關注以上課程,并選擇學習。

                  下圖是使用YOLOv3進行交通標志識別的測試結果


                  >
                  共16課時(已更新16課時)| ¥58.00| 325人學習過開始學習
                  計算機視覺:

                  YOLOv3目標檢測實戰:訓練自己的數據集

                  YOLOv3是一種基于深度學習的端到端實時目標檢測方法,以速度快見長。本課程將手把手地教大家使用labelImg標注和使用YOLOv3訓練自己的數據集。課程分為三個小項目:足球目標檢測(單目標檢測)、梅西目標檢測(單目標檢測)、足球和梅西同時目標檢測(兩目標檢測)。

                  本課程的YOLOv3使用Darknet,在Ubuntu系統上做項目演示。包括:安裝Darknet、給自己的數據集打標簽、整理自己的數據集、修改配置文件、訓練自己的數據集、測試訓練出的網絡模型、性能統計(mAP計算和畫出PR曲線)和先驗框聚類。

                  Darknet是使用C語言實現的輕型開源深度學習框架,依賴少,可移植性好,值得深入探究。

                  除本課程《YOLOv3目標檢測實戰:訓練自己的數據集》外,本人推出了有關YOLOv3目標檢測的系列課程,請持續關注該系列的其它課程視頻,包括:

                  《YOLOv3目標檢測實戰:交通標志識別》

                  《YOLOv3目標檢測:原理與源碼解析》

                  《YOLOv3目標檢測:網絡模型改進方法》

                  敬請關注并選擇學習!

                  >
                  共23課時(已更新23課時)| ¥58.00| 636人學習過開始學習
                  計算機視覺:

                  基于深度學習的計算機視覺: 原理與實踐 (下部)

                  本課程適合具有一定深度學習基礎,希望發展為深度學習之計算機視覺方向的算法工程師和研發人員的同學們。

                  基于深度學習的計算機視覺是目前人工智能最活躍的領域,應用非常廣泛,如人臉識別和無人駕駛中的機器視覺等。該領域的發展日新月異,網絡模型和算法層出不窮。如何快速入門并達到可以從事研發的高度對新手和中級水平的學生而言面臨不少的挑戰。精心準備的本課程希望幫助大家盡快掌握基于深度學習的計算機視覺的基本原理、核心算法和當前的領先技術,從而有望成為深度學習之計算機視覺方向的算法工程師和研發人員。

                  本課程系統全面地講述基于深度學習的計算機視覺技術的原理并進行項目實踐。課程涵蓋計算機視覺的七大任務,包括圖像分類、目標檢測、圖像分割(語義分割、實例分割、全景分割)、人臉識別、圖像描述、圖像檢索、圖像生成(利用生成對抗網絡)。本課程注重原理和實踐相結合,逐篇深入解讀經典和前沿論文70余篇,圖文并茂破譯算法難點, 使用思維導圖梳理技術要點。項目實踐使用Keras框架(后端為Tensorflow),學員可快速上手。

                  通過本課程的學習,學員可把握基于深度學習的計算機視覺的技術發展脈絡,掌握相關技術原理和算法,有助于開展該領域的研究與開發實戰工作。另外,深度學習之計算機視覺方向的知識結構及學習建議請參見本人CSDN博客。

                  本課程提供課程資料的課件PPT(pdf格式)和項目實踐代碼,方便學員學習和復習。

                  本課程分為上下兩部分,其中上部包含課程的前五章(課程介紹、深度學習基礎、圖像分類、目標檢測、圖像分割),下部包含課程的后四章(人臉識別、圖像描述、圖像檢索、圖像生成)。


                  >
                  共46課時(已更新46課時)| ¥168.00| 1418人學習過開始學習
                  計算機視覺:

                  基于深度學習的計算機視覺:原理與實踐(上部)

                  本課程適合具有一定深度學習基礎,希望發展為深度學習之計算機視覺方向的算法工程師和研發人員的同學們。

                  基于深度學習的計算機視覺是目前人工智能最活躍的領域,應用非常廣泛,如人臉識別和無人駕駛中的機器視覺等。該領域的發展日新月異,網絡模型和算法層出不窮。如何快速入門并達到可以從事研發的高度對新手和中級水平的學生而言面臨不少的挑戰。精心準備的本課程希望幫助大家盡快掌握基于深度學習的計算機視覺的基本原理、核心算法和當前的領先技術,從而有望成為深度學習之計算機視覺方向的算法工程師和研發人員。

                  本課程系統全面地講述基于深度學習的計算機視覺技術的原理并進行項目實踐。課程涵蓋計算機視覺的七大任務,包括圖像分類、目標檢測、圖像分割(語義分割、實例分割、全景分割)、人臉識別、圖像描述、圖像檢索、圖像生成(利用生成對抗網絡)。本課程注重原理和實踐相結合,逐篇深入解讀經典和前沿論文70余篇,圖文并茂破譯算法難點, 使用思維導圖梳理技術要點。項目實踐使用Keras框架(后端為Tensorflow),學員可快速上手。

                  通過本課程的學習,學員可把握基于深度學習的計算機視覺的技術發展脈絡,掌握相關技術原理和算法,有助于開展該領域的研究與開發實戰工作。另外,深度學習之計算機視覺方向的知識結構及學習建議請參見本人CSDN博客。

                  本課程提供課程資料的課件PPT(pdf格式)和項目實踐代碼,方便學員學習和復習。

                  本課程分為上下兩部分,其中上部包含課程的前五章(課程介紹、深度學習基礎、圖像分類、目標檢測、圖像分割),下部包含課程的后四章(人臉識別、圖像描述、圖像檢索、圖像生成)。






                  >
                  共69課時(已更新69課時)| ¥188.00| 2138人學習過開始學習

                  最近學員 累計5458

                  最新評論

                  手機看
                  關注公眾號

                  關注公眾號

                  下載APP

                  下載APP

                  客服 幫助 返回
                  頂部
                  爱乐透彩票