-
-
培訓(xùn)對(duì)象：
-
適合具備Python編程基礎(chǔ)和基本機(jī)器學(xué)習(xí)概念，希望系統(tǒng)掌握深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域核心技術(shù)應(yīng)用的算法工程師、計(jì)算機(jī)視覺工程師、AI應(yīng)用開發(fā)者、科研人員及計(jì)算機(jī)相關(guān)專業(yè)學(xué)生。
-
-
培訓(xùn)目標(biāo)：
-
完成本課程后，學(xué)員將能夠深入理解計(jì)算機(jī)視覺的核心任務(wù)（圖像分類、目標(biāo)檢測(cè)、圖像分割、目標(biāo)跟蹤、圖像生成等）及其深度學(xué)習(xí)解決方案，熟練掌握卷積神經(jīng)網(wǎng)絡(luò)（CNN）的架構(gòu)演進(jìn)和優(yōu)化技巧，熟練使用PyTorch/TensorFlow主流框架實(shí)現(xiàn)各類視覺任務(wù)的模型構(gòu)建、訓(xùn)練與部署，具備獨(dú)立解決實(shí)際計(jì)算機(jī)視覺問題的能力，并了解視覺大模型（ViT、多模態(tài)）的前沿技術(shù)。
-
-
培訓(xùn)內(nèi)容：
-
（1）計(jì)算機(jī)視覺概述與數(shù)學(xué)基礎(chǔ)：了解計(jì)算機(jī)視覺的發(fā)展歷程、核心任務(wù)分類（低層視覺、中層視覺、高層視覺）和典型應(yīng)用場(chǎng)景（安防監(jiān)控、自動(dòng)駕駛、醫(yī)療影像、工業(yè)質(zhì)檢、AR/VR）�；仡櫳疃葘W(xué)習(xí)視覺任務(wù)所需的數(shù)學(xué)基礎(chǔ)，包括線性代數(shù)（矩陣運(yùn)算、特征分解）、概率論（貝葉斯理論、分布估計(jì)）、微積分（梯度反向傳播）和數(shù)字圖像處理（濾波、變換）的核心概念。
（2）卷積神經(jīng)網(wǎng)絡(luò)（CNN）基礎(chǔ)：深入理解卷積運(yùn)算的數(shù)學(xué)原理，掌握卷積層（Convolutional Layer）的核心參數(shù)（卷積核大小、步長(zhǎng)、填充、輸入輸出通道）。學(xué)習(xí)池化層（Pooling）的各類方法（最大池化、平均池化、全局平均池化）及其作用。理解激活函數(shù)（ReLU、Leaky ReLU、PReLU、ELU）的特點(diǎn)與選擇。掌握批歸一化（Batch Normalization）和層歸一化（Layer Normalization）的原理與應(yīng)用。
（3）經(jīng)典CNN架構(gòu)與演進(jìn)：系統(tǒng)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展演進(jìn)脈絡(luò)。掌握LeNet-5在手寫數(shù)字識(shí)別中的應(yīng)用，理解AlexNet對(duì)深度學(xué)習(xí)復(fù)興的貢獻(xiàn)（ReLU、Dropout、數(shù)據(jù)增強(qiáng)）。學(xué)習(xí)VGGNet的模塊化設(shè)計(jì)思想，理解GoogLeNet/Inception系列的多尺度特征提取和1×1卷積降維技巧。深入理解ResNet殘差連接解決梯度消失的核心思想，學(xué)習(xí)DenseNet密集連接網(wǎng)絡(luò)的創(chuàng)新點(diǎn)。
（4）圖像分類實(shí)戰(zhàn)：掌握?qǐng)D像分類任務(wù)的完整流程，包括數(shù)據(jù)集準(zhǔn)備（ImageNet、CIFAR-10/100、自定義數(shù)據(jù)集）、數(shù)據(jù)預(yù)處理（歸一化、標(biāo)準(zhǔn)化）和數(shù)據(jù)增強(qiáng)技術(shù)（隨機(jī)裁剪、水平翻轉(zhuǎn)、色彩抖動(dòng)、CutMix、MixUp）。使用PyTorch/TensorFlow構(gòu)建CNN分類模型，實(shí)現(xiàn)完整的訓(xùn)練、驗(yàn)證和測(cè)試流程。學(xué)習(xí)遷移學(xué)習(xí)，使用預(yù)訓(xùn)練模型（ResNet、EfficientNet、DenseNet）進(jìn)行微調(diào)，適應(yīng)特定分類任務(wù)。
（5）目標(biāo)檢測(cè)基礎(chǔ)：兩階段檢測(cè)器：理解目標(biāo)檢測(cè)的核心任務(wù)（目標(biāo)分類+定位）。掌握R-CNN系列檢測(cè)器的演進(jìn)：R-CNN的候選區(qū)域方法、Fast R-CNN的感興趣區(qū)域池化（RoI Pooling）、Faster R-CNN的區(qū)域提議網(wǎng)絡(luò)（RPN）。深入理解錨框（Anchor Box）的概念、設(shè)計(jì)策略和匹配規(guī)則。
（6）目標(biāo)檢測(cè)進(jìn)階：?jiǎn)坞A段檢測(cè)器：學(xué)習(xí)單階段檢測(cè)器的核心思想（一次前向直接預(yù)測(cè)）。掌握YOLO系列檢測(cè)器的演進(jìn)（YOLOv1-v8的核心改進(jìn)），理解SSD（Single Shot MultiBox Detector）的多尺度特征圖預(yù)測(cè)策略。了解無錨框檢測(cè)器（Anchor-Free）的代表算法（CenterNet、FCOS）。實(shí)戰(zhàn)訓(xùn)練YOLO目標(biāo)檢測(cè)模型，實(shí)現(xiàn)自定義數(shù)據(jù)集的目標(biāo)檢測(cè)應(yīng)用。
（7）圖像分割技術(shù)：掌握?qǐng)D像分割任務(wù)的分類（語義分割、實(shí)例分割、全景分割）。深入理解全卷積網(wǎng)絡(luò)（FCN）的核心思想和上采樣技術(shù)（轉(zhuǎn)置卷積、雙線性插值）。學(xué)習(xí)U-Net的編碼器-解碼器架構(gòu)及其在醫(yī)學(xué)圖像分割中的應(yīng)用。掌握DeepLab系列的空洞卷積（Dilated/Atrous Convolution）和空洞空間金字塔池化（ASPP）。了解實(shí)例分割代表算法Mask R-CNN的原理。實(shí)戰(zhàn)實(shí)現(xiàn)U-Net圖像分割模型。
（8）目標(biāo)跟蹤技術(shù)：了解目標(biāo)跟蹤的核心任務(wù)和應(yīng)用場(chǎng)景（視頻監(jiān)控、人機(jī)交互、自動(dòng)駕駛）。掌握經(jīng)典跟蹤算法：卡爾曼濾波、光流法、Meanshift/Camshift。學(xué)習(xí)相關(guān)濾波跟蹤（KCF、DCF）的原理。掌握深度學(xué)習(xí)跟蹤算法（SiamFC、SiamRPN、SiamMask）的核心思想。實(shí)現(xiàn)基于深度學(xué)習(xí)的單目標(biāo)跟蹤應(yīng)用。
（9）生成對(duì)抗網(wǎng)絡(luò)（GAN）與圖像生成：理解生成對(duì)抗網(wǎng)絡(luò)的核心思想（生成器與判別器的博弈過程）和訓(xùn)練機(jī)制。掌握經(jīng)典GAN模型（DCGAN、WGAN、LSGAN）的特點(diǎn)與改進(jìn)。學(xué)習(xí)條件GAN（cGAN）實(shí)現(xiàn)指定類別圖像生成。了解圖像翻譯的代表算法（Pix2Pix、CycleGAN）在風(fēng)格遷移中的應(yīng)用。實(shí)戰(zhàn)實(shí)現(xiàn)DCGAN生成手寫數(shù)字或人臉圖像。
（10）視覺Transformer與多模態(tài)：了解Transformer在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用演進(jìn)。掌握ViT（Vision Transformer）的核心思想（圖像分塊、位置編碼、Transformer編碼器）。學(xué)習(xí)Swin Transformer的層次化架構(gòu)和移動(dòng)窗口注意力機(jī)制。了解視覺-語言多模態(tài)模型（CLIP）的原理及其在零樣本分類、圖文檢索中的應(yīng)用。實(shí)踐使用預(yù)訓(xùn)練ViT模型進(jìn)行圖像分類。
（11）模型壓縮、加速與部署：掌握深度學(xué)習(xí)模型的優(yōu)化技術(shù)，包括模型剪枝（結(jié)構(gòu)化剪枝、非結(jié)構(gòu)化剪枝）、知識(shí)蒸餾（教師-學(xué)生網(wǎng)絡(luò)）、量化訓(xùn)練（INT8量化、混合精度訓(xùn)練）。學(xué)習(xí)ONNX作為中間表示格式的轉(zhuǎn)換方法。掌握使用TensorRT加速推理的配置和優(yōu)化技巧。了解移動(dòng)端部署方案（NCNN、TFLite、MNN）。實(shí)踐完成模型從訓(xùn)練到移動(dòng)端部署的全流程。
（12）綜合項(xiàng)目實(shí)戰(zhàn)：完整視覺應(yīng)用系統(tǒng)開發(fā)：結(jié)合所學(xué)知識(shí)，完成一個(gè)完整的計(jì)算機(jī)視覺項(xiàng)目（如自動(dòng)駕駛感知系統(tǒng)、工業(yè)缺陷檢測(cè)平臺(tái)、人臉識(shí)別門禁系統(tǒng)等）。涵蓋需求分析、數(shù)據(jù)采集與標(biāo)注、模型選型與訓(xùn)練、優(yōu)化加速、系統(tǒng)集成和效果評(píng)估的全流程，形成規(guī)范的視覺應(yīng)用項(xiàng)目報(bào)告。<｜end▁of▁thinking｜>### 深度學(xué)習(xí)計(jì)算機(jī)視覺培訓(xùn)大綱
-
培訓(xùn)對(duì)象：適合具備Python編程基礎(chǔ)和基本機(jī)器學(xué)習(xí)概念，希望系統(tǒng)掌握深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域核心技術(shù)應(yīng)用的算法工程師、計(jì)算機(jī)視覺工程師、AI應(yīng)用開發(fā)者、科研人員及計(jì)算機(jī)相關(guān)專業(yè)學(xué)生。
-
培訓(xùn)目標(biāo)：完成本課程后，學(xué)員將能夠深入理解計(jì)算機(jī)視覺的核心任務(wù)（圖像分類、目標(biāo)檢測(cè)、圖像分割、目標(biāo)跟蹤、圖像生成等）及其深度學(xué)習(xí)解決方案，熟練掌握卷積神經(jīng)網(wǎng)絡(luò)（CNN）的架構(gòu)演進(jìn)和優(yōu)化技巧，熟練使用PyTorch/TensorFlow主流框架實(shí)現(xiàn)各類視覺任務(wù)的模型構(gòu)建、訓(xùn)練與部署，具備獨(dú)立解決實(shí)際計(jì)算機(jī)視覺問題的能力，并了解視覺大模型（ViT、多模態(tài)）的前沿技術(shù)。
-
培訓(xùn)內(nèi)容：
（1）計(jì)算機(jī)視覺概述與數(shù)學(xué)基礎(chǔ)：了解計(jì)算機(jī)視覺的發(fā)展歷程、核心任務(wù)分類（低層視覺、中層視覺、高層視覺）和典型應(yīng)用場(chǎng)景（安防監(jiān)控、自動(dòng)駕駛、醫(yī)療影像、工業(yè)質(zhì)檢、AR/VR）�；仡櫳疃葘W(xué)習(xí)視覺任務(wù)所需的數(shù)學(xué)基礎(chǔ)，包括線性代數(shù)（矩陣運(yùn)算、特征分解）、概率論（貝葉斯理論、分布估計(jì)）、微積分（梯度反向傳播）和數(shù)字圖像處理（濾波、變換）的核心概念。
（2）卷積神經(jīng)網(wǎng)絡(luò)（CNN）基礎(chǔ)：深入理解卷積運(yùn)算的數(shù)學(xué)原理，掌握卷積層（Convolutional Layer）的核心參數(shù)（卷積核大小、步長(zhǎng)、填充、輸入輸出通道）。學(xué)習(xí)池化層（Pooling）的各類方法（最大池化、平均池化、全局平均池化）及其作用。理解激活函數(shù)（ReLU、Leaky ReLU、PReLU、ELU）的特點(diǎn)與選擇。掌握批歸一化（Batch Normalization）和層歸一化（Layer Normalization）的原理與應(yīng)用。
（3）經(jīng)典CNN架構(gòu)與演進(jìn)：系統(tǒng)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展演進(jìn)脈絡(luò)。掌握LeNet-5在手寫數(shù)字識(shí)別中的應(yīng)用，理解AlexNet對(duì)深度學(xué)習(xí)復(fù)興的貢獻(xiàn)（ReLU、Dropout、數(shù)據(jù)增強(qiáng)）。學(xué)習(xí)VGGNet的模塊化設(shè)計(jì)思想，理解GoogLeNet/Inception系列的多尺度特征提取和1×1卷積降維技巧。深入理解ResNet殘差連接解決梯度消失的核心思想，學(xué)習(xí)DenseNet密集連接網(wǎng)絡(luò)的創(chuàng)新點(diǎn)。
（4）圖像分類實(shí)戰(zhàn)：掌握?qǐng)D像分類任務(wù)的完整流程，包括數(shù)據(jù)集準(zhǔn)備（ImageNet、CIFAR-10/100、自定義數(shù)據(jù)集）、數(shù)據(jù)預(yù)處理（歸一化、標(biāo)準(zhǔn)化）和數(shù)據(jù)增強(qiáng)技術(shù)（隨機(jī)裁剪、水平翻轉(zhuǎn)、色彩抖動(dòng)、CutMix、MixUp）。使用PyTorch/TensorFlow構(gòu)建CNN分類模型，實(shí)現(xiàn)完整的訓(xùn)練、驗(yàn)證和測(cè)試流程。學(xué)習(xí)遷移學(xué)習(xí)，使用預(yù)訓(xùn)練模型（ResNet、EfficientNet、DenseNet）進(jìn)行微調(diào)，適應(yīng)特定分類任務(wù)。
（5）目標(biāo)檢測(cè)基礎(chǔ)：兩階段檢測(cè)器：理解目標(biāo)檢測(cè)的核心任務(wù)（目標(biāo)分類+定位）。掌握R-CNN系列檢測(cè)器的演進(jìn)：R-CNN的候選區(qū)域方法、Fast R-CNN的感興趣區(qū)域池化（RoI Pooling）、Faster R-CNN的區(qū)域提議網(wǎng)絡(luò)（RPN）。深入理解錨框（Anchor Box）的概念、設(shè)計(jì)策略和匹配規(guī)則。
（6）目標(biāo)檢測(cè)進(jìn)階：?jiǎn)坞A段檢測(cè)器：學(xué)習(xí)單階段檢測(cè)器的核心思想（一次前向直接預(yù)測(cè)）。掌握YOLO系列檢測(cè)器的演進(jìn)（YOLOv1-v8的核心改進(jìn)），理解SSD（Single Shot MultiBox Detector）的多尺度特征圖預(yù)測(cè)策略。了解無錨框檢測(cè)器（Anchor-Free）的代表算法（CenterNet、FCOS）。實(shí)戰(zhàn)訓(xùn)練YOLO目標(biāo)檢測(cè)模型，實(shí)現(xiàn)自定義數(shù)據(jù)集的目標(biāo)檢測(cè)應(yīng)用。
（7）圖像分割技術(shù)：掌握?qǐng)D像分割任務(wù)的分類（語義分割、實(shí)例分割、全景分割）。深入理解全卷積網(wǎng)絡(luò)（FCN）的核心思想和上采樣技術(shù)（轉(zhuǎn)置卷積、雙線性插值）。學(xué)習(xí)U-Net的編碼器-解碼器架構(gòu)及其在醫(yī)學(xué)圖像分割中的應(yīng)用。掌握DeepLab系列的空洞卷積（Dilated/Atrous Convolution）和空洞空間金字塔池化（ASPP）。了解實(shí)例分割代表算法Mask R-CNN的原理。實(shí)戰(zhàn)實(shí)現(xiàn)U-Net圖像分割模型。
（8）目標(biāo)跟蹤技術(shù)：了解目標(biāo)跟蹤的核心任務(wù)和應(yīng)用場(chǎng)景（視頻監(jiān)控、人機(jī)交互、自動(dòng)駕駛）。掌握經(jīng)典跟蹤算法：卡爾曼濾波、光流法、Meanshift/Camshift。學(xué)習(xí)相關(guān)濾波跟蹤（KCF、DCF）的原理。掌握深度學(xué)習(xí)跟蹤算法（SiamFC、SiamRPN、SiamMask）的核心思想。實(shí)現(xiàn)基于深度學(xué)習(xí)的單目標(biāo)跟蹤應(yīng)用。
（9）生成對(duì)抗網(wǎng)絡(luò)（GAN）與圖像生成：理解生成對(duì)抗網(wǎng)絡(luò)的核心思想（生成器與判別器的博弈過程）和訓(xùn)練機(jī)制。掌握經(jīng)典GAN模型（DCGAN、WGAN、LSGAN）的特點(diǎn)與改進(jìn)。學(xué)習(xí)條件GAN（cGAN）實(shí)現(xiàn)指定類別圖像生成。了解圖像翻譯的代表算法（Pix2Pix、CycleGAN）在風(fēng)格遷移中的應(yīng)用。實(shí)戰(zhàn)實(shí)現(xiàn)DCGAN生成手寫數(shù)字或人臉圖像。
（10）視覺Transformer與多模態(tài)：了解Transformer在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用演進(jìn)。掌握ViT（Vision Transformer）的核心思想（圖像分塊、位置編碼、Transformer編碼器）。學(xué)習(xí)Swin Transformer的層次化架構(gòu)和移動(dòng)窗口注意力機(jī)制。了解視覺-語言多模態(tài)模型（CLIP）的原理及其在零樣本分類、圖文檢索中的應(yīng)用。實(shí)踐使用預(yù)訓(xùn)練ViT模型進(jìn)行圖像分類。
（11）模型壓縮、加速與部署：掌握深度學(xué)習(xí)模型的優(yōu)化技術(shù)，包括模型剪枝（結(jié)構(gòu)化剪枝、非結(jié)構(gòu)化剪枝）、知識(shí)蒸餾（教師-學(xué)生網(wǎng)絡(luò)）、量化訓(xùn)練（INT8量化、混合精度訓(xùn)練）。學(xué)習(xí)ONNX作為中間表示格式的轉(zhuǎn)換方法。掌握使用TensorRT加速推理的配置和優(yōu)化技巧。了解移動(dòng)端部署方案（NCNN、TFLite、MNN）。實(shí)踐完成模型從訓(xùn)練到移動(dòng)端部署的全流程。
（12）綜合項(xiàng)目實(shí)戰(zhàn)：完整視覺應(yīng)用系統(tǒng)開發(fā)：結(jié)合所學(xué)知識(shí)，完成一個(gè)完整的計(jì)算機(jī)視覺項(xiàng)目（如自動(dòng)駕駛感知系統(tǒng)、工業(yè)缺陷檢測(cè)平臺(tái)、人臉識(shí)別門禁系統(tǒng)等）。涵蓋需求分析、數(shù)據(jù)采集與標(biāo)注、模型選型與訓(xùn)練、優(yōu)化加速、系統(tǒng)集成和效果評(píng)估的全流程，形成規(guī)范的視覺應(yīng)用項(xiàng)目報(bào)告。
