【有三AI】人工智能：计算机视觉体系化进阶升级版「完整」

01 深度学习之Pytorch—入门及实战/

0-课程介绍

1-PyTorch简介

10.1-从零完成表情识别（项目简介）

10.2-从零完成表情识别（数据读取）

10.3-从零完成表情识别（模型搭建与训练）

10.4-从零完成表情识别（模型测试）

2.1-Windows系统下配置PyTorch环境

2.2-ubuntu系统下配置PyTorch环境

3.1-张量（上）

3.2-张量（下）

4-层结构基本介绍

5-网络结构搭建方法

6-经典分类网络介绍

7-优化器及损失函数

8.1-数据读取及增强（上）

8.2-数据读取及增强（下）

9-模型读取和加载

SimpleNet人脸表情识别代码.pdf

02 深度学习之数据使用—理论实践篇/

0 课程介绍.ts

1 数据获取.ts

2 数据整理.ts

3 数据标注.ts

4 数据增强方法.ts

5.1 Pytorch图像分类数据增强实践-数据增强接口介绍.ts

5.2 Pytorch图像分类数据增强实践-实验结果.ts

6.1 数据增强开源库imgaug介绍.ts

6.2 数据增强开源库imgaug使用.ts

《深度学习之数据使用》直播01-自动化数据标注.ts

深度学习之数据使用课程代码与数据.pdf

03 深度学习之模型分析—理论实践篇/

0 课程介绍

1.1 模型可视化分析(结构篇）

1.2 模型可视化分析(权重篇)

1.3 模型可视化分析(反卷积篇)

1.4 模型可视化分析实践(反卷积篇)

1.5 模型可视化分析(激活热图篇)

1.6 模型可视化分析实践(激活热图篇)

2 模型复杂度分析

3 模型速度分析

深度学习之模型分析代码.doc

04 深度学习之图像分类—理论实践篇/

0 课程简介

02 深度学习之数据使用—理论实践篇/

1 图像分类基础

10.1 零样本分类理论

10.2 零样本图像分类参考资料（图文）/

11.1 血红细胞图像分类竞赛（内容简介）

11.10 血红细胞图像分类竞赛（TTA策略）

11.2 血红细胞图像分类竞赛（思路分析）

11.3 血红细胞图像分类竞赛（基础功能实现-数据集的统计分析）

11.4 血红细胞图像分类竞赛（基础功能实现-网络模型构建）

11.5 血红细胞图像分类竞赛（基础功能实现-训练）

11.6 血红细胞图像分类竞赛（学习率调整）

11.7 血红细胞图像分类竞赛（标签平滑）

11.8 血红细胞图像分类竞赛（知识蒸馏）

11.9 血红细胞图像分类竞赛（投票策略）

2 多类别图像分类理论

3.1 从零完成表情识别实践（项目背景）

3.2 从零完成表情识别实践（数据处理与读取）

3.3 从零完成表情识别实践（模型搭建与训练）

3.4 从零完成表情识别实践（模型测试）

4.1 简单图像分类数据增强实战（接口简介）

4.2 简单图像分类数据增强实战（实验比较）

5.1 细粒度图像分类理论

5.2 细粒度图像分类参考资料（图文）/

6.1 鸟类细粒度图像分类实战（项目简介）

6.2 鸟类细粒度图像分类实战（数据读取）

6.3 鸟类细粒度图像分类实战（模型搭建与训练）

7.1 多标签图像分类理论

7.2 多标签图像分类参考资料（图文）/

8.1 生活用品多标签图像分类实战（多标签分类简介及算法简介）

8.2 生活用品多标签图像分类实战（数据集制作及读取）

8.3 生活用品多标签图像分类实战（训练）

8.4 生活用品多标签图像分类实战（测试）

9.1 半监督与无监督分类理论

9.2 半监督与无监督图像分类参考资料（图文）/

《深度学习之图像分类》直播答疑01

《深度学习之图像分类》直播答疑02

《深度学习之图像分类》直播答疑03

《深度学习之图像分类》直播答疑04

深度学习之图像分类课程-代码和数据

05 深度学习之图像分割—理论实践篇/

0_课程内容

1_图像分割基础

2.1_语义分割基础模型

2.2_语义分割模型改进

2.3_语义分割参考资料（图文）/

3.1_简单模型嘴唇分割_数据获取与整理

3.2_简单模型嘴唇分割_模型搭建

3.3_简单模型嘴唇分割_模型训练

3.4_简单模型嘴唇分割_模型测试

4.1_缺陷分割实战_内容介绍

4.2_缺陷分割实战_模型搭建(理论)

4.3_缺陷分割实战_模型搭建(代码)

4.4_缺陷分割实战_数据读取

4.5_缺陷分割实战_模型训练

4.6_缺陷分割实战_模型测试

5.1_弱监督语义分割基础

5.2_弱监督语义分割模型

5.3_弱监督语义分割参考资料（图文）/

6.1_Image Matting基础

6.2_基于Trimap预测的Image Matting模型

6.3_Image Matting模型改进（粗标签篇）

6.4_Image Matting参考资料（图文）/

7.1_人像Image Matting实战_模型简介

7.2_人像Image Matting实战_数据准备与读取

7.3_人像Image Matting实战_模型定义

7.4_人像Image Matting实战模型_训练与测试

8.1_实例分割基础

8.2_实例分割基础模型

8.3_二阶段实例分割算法

8.4_一阶段实例分割算法

8.5_实例分割参考资料（图文）/

9.1_实例分割实战_数据读取

9.2_实例分割实战_评价指标编写

9.3_实例分割实战_网络模型搭建

图像分割课程代码及数据.doc

06 深度学习之目标检测—理论实践篇/

0-课程简介

1.1-问题定义

1.2-数据集

1.3-评价指标

1.4-脑图时刻

1.5-算法发展总览

1.6-传统检测算法流程

1.7-基于深度学习的目标检测流程和分类

1.8-(后)脑图时刻

1.9-anchor-base算法结构

2.1-RCNN详解

2.2-SPPNet详解

2.3-Fast RCNN详解

2.4-Faster RCNN详解

2.5-one-stage算法引入+脑图时刻

2.6 二阶段目标检测参考资料（图文）/

3.1-YOLOv1讲解

3.2-YOLOv2讲解

3.3-YOLOv3讲解

3.4-YOLOv4讲解

3.5-YOLOv5讲解

3.6 一阶段目标检测参考资料（图文）/

4.1-Anchor free引入

4.2-Densebox详解（上）

4.2-Densebox详解（下）

4.2-Densebox详解（中）

4.3-CornerNet详解（上）

4.3-CornerNet详解（下）

4.3-CornerNet详解（中）

4.4-CenterNet详解（上）

4.4-CenterNet详解（下）

4.4-CenterNet详解（中）

4.7-Anchor-free参考资料（图文）/

5.0-YOLO v3实战课程介绍

5.1-YOLO v3原理回顾

5.2-工业缺陷检测数据集介绍

5.3.1-主干网络代码讲解

5.3.2-Neck+Head部分代码讲解(上)

5.3.2-Neck+Head部分代码讲解(下)

5.3.3-解码过程讲解

5.3.4-前向推理代码讲解

5.3.5-训练过程讲解

6.1-FasterRCNN原理回顾

6.2-数据集介绍

6.3.1-主干网络代码讲解

《深度学习之目标检测》直播答疑01

《深度学习之目标检测》直播答疑02

《深度学习之目标检测》直播答疑03

07 深度学习之模型设计—理论实践篇/

0_课程介绍

1.1.0_经典浅层卷积网络设计_简介

1.1.1_Neocognitron

1.1.2_TDNN

1.1.3_Cresceptron

1.1.4_LeNet

1.2.0_网络深度对分类模型的影响_简介

1.2.1_经典的网络AlexNet

1.2.2_更深的网络VGGNet

1.2.3_梯度问题与ResNet

1.3.1_ResNet垃圾分类任务介绍

1.3.2_ResNet垃圾分类数据集预处理

1.3.3_ResNet垃圾分类数据读取

1.3.4_ResNet垃圾分类模型训练

1.3.5_ResNet垃圾分类模型测试

1.3.6_ResNet垃圾分类模型调优

2.1.0_经典模型的宽度设计思想_简介

2.1.1_通道数量调整

2.1.2_多分支网络结构

2.1.3_通道补偿技术

2.2.0_网络宽度对模型性能影响_简介

2.2.1_多通道的网络Inception-v1

2.2.2_拓宽的残差网络ResNeXt

2.3.1_InceptionNet花卉分类实战-项目简介

2.3.2_InceptionNet花卉分类实战-模型搭建（Inception V1）

2.3.3_InceptionNet花卉分类实战-模型搭建（Inception V2V3）

2.3.4_InceptionNet花卉分类实战-模型搭建（Inception V4）

2.3.5_InceptionNet花卉分类实战-模型训练

2.3.6_InceptionNet花卉分类实战-模型测试

3.1.1_STN

3.1.2_DynamicCapacityNetworks

3.1.3_Learn to Pay Attention

3.2.1_SENet

3.2.2_SKNet

3.2.3_ResNeSt

3.3.1_CBAM

3.3.2_BAM

3.3.3_ResidualAttention

3.3.4_Dual Attention Network

3.4.1_基于SENet模型的人种分类-数据集介绍与读取

3.4.2_基于SENet模型的人种分类-模型搭建通用模板

3.4.3_基于SENet模型的人种分类-从零搭建ResNet模型

3.4.4_基于SENet模型的人种分类-模型训练通用模板

3.4.5_基于SENet模型的人种分类-SENet模型搭建与训练

4.1.1_Xception理论介绍

4.1.2_Xception代码讲解

4.2.1_MobileNet V1理论介绍

4.2.2_MobileNet V1代码讲解

4.3.1_MobileNet V2理论介绍

4.3.2_MobileNet V2代码讲解

4.4.1_shufflenetv1_理论

4.4.2_shufflenetv1_代码

4.5.1_shufflenetv2理论

4.5.2_shufflenetv2代码

4.6.1_squeezenet理论

4.6.2_squeezenet代码

5.1.1_通用的分类任务训练代码

5.1.2_利用Tensorboard监控训练速度

5.1.3_通用的分类任务预测代码

5.2.1_Pytorch模型格式转换与优化

5.2.2_安卓部署单张图片识别app

5.2.3_安卓部署实时识别app

模型设计课程代码

注意力机制模型参考资料（图文）/

经典模型参考资料（图文）/

轻量级模型设计参考资料（图文）/

08 深度学习之模型优化—理论实践篇/

0 课程介绍

1 模型剪枝基础

10.1 Distiller框架(简介)

10.2 Distiller框架(模型剪枝模块)

10.3 Distiller框架(模型量化模块)

11.1 结构化模型剪枝实战(项目背景)

11.2 结构化模型剪枝实战(模型训练)

11.3 结构化模型剪枝实战(剪枝与结果)

12.1 8位模型量化实战(校准表生成)

12.2 8位模型量化实战(ncnn框架简介)

12.3 8位模型量化实战(ncnn模型转换)

12.4 8位模型量化实战(ncnn量化与推理)

13.1 知识蒸馏实战(简介)

13.2 知识蒸馏实践(模型训练与蒸馏)

2 非结构化模型剪枝

3.1 结构化模型剪枝(幅度篇)

3.2 结构化模型剪枝(稀疏权重篇)

3.3 结构化模型剪枝(稀疏因子篇)

3.4 结构化模型剪枝(重建篇)

4 模型量化基础

5.1 二值模型量化(基础篇)

5.2 二值模型量化(重建篇)

6.1 8位量化(KL散度篇)

6.2 8位量化(非对称篇)

7 混合量化(基础篇)

8 知识蒸馏基础

9.1 知识蒸馏框架(特征匹配篇)

9.2 知识蒸馏框架(优化目标篇)

模型优化代码

模型剪枝参考资料（图文）/

模型蒸馏参考资料（图文）/

模型量化参考资料（图文）/

09 深度学习之视频分类—理论实践篇/

0 课程介绍

1 视频分类基础 (1)

1 视频分类基础

2.1 3D卷积模型_基础篇

2.2 3D卷积模型_分解篇

2.3 3D卷积模型参考资料（图文）/

3.1 3D卷积视频分类实战_项目介绍

3.2 3D卷积视频分类实战_数据处理

3.3 3D卷积视频分类实战_模型搭建

3.4 3D卷积视频分类实战_模型训练

3.5 3D卷积视频分类实战_模型测试

4.1 双流模型_基础篇

4.2 双流模型_采样策略篇

4.3 双流模型参考资料（图文）/

5.1 双流模型视频分类实战_项目简介

5.2 双流模型视频分类实战_数据处理

5.3 双流模型视频分类实战_模型搭建

5.4 双流模型视频分类实战_模型训练

5.5 双流模型视频分类实战_模型测试

6.1 时序模型

6.2 时序模型参考资料（图文）/

7.1 时序模型视频分类实战_项目简介

7.2 时序模型视频分类实战_数据处理

7.3 时序模型视频分类实战_模型搭建

7.4 时序模型视频分类实战_模型训练

7.5 时序模型视频分类实战_模型测试

视频分类代码与数据

10 深度学习之人脸图像检测与识别—理论实践篇/

0_课程介绍

深度学习之人脸检测与识别课程代码

第1.1节-人脸检测核心算法（上）

第1.2节-人脸检测核心算法（下）

第1.3节-人脸检测参考资料（图文）/

第2.1节-人脸关键点检测核心算法

第2.2节-人脸关键点检测参考资料（图文）/

第3.1节-RetinaFace人脸检测实战_人脸检测简介

第3.2节-RetinaFace人脸检测实战 _常见人脸数据集

第3.3节-RetinaFace人脸检测实战_数据集读取模块

第3.4节-RetinaFace人脸检测实战_模型解读

第3.5节-RetinaFace人脸检测实战_MultiBox损失函数

第3.6节-RetinaFace人脸检测实战_测试与推理

第4.1节-PFLD人脸关键点检测实战_项目背景

第4.2节-PFLD人脸关键点检测实战_数据读取

第4.3节-PFLD人脸关键点检测实战_模型搭建

第4.4节-PFLD人脸关键点检测实战_模型训练

第4.5节-PFLD人脸关键点检测实战_模型测试

第5.1节-人脸识别核心算法（上）

第5.2节-人脸识别核心算法（下）

第5.3节-人脸识别参考资料（图文）/

第6.1节-人脸识别项目背景

第6.2节-人脸识别数据预处理

第6.3节-人脸识别数据读取

第6.4节-人脸识别模型搭建

第6.5节-人脸识别模型训练

第6.6节-人脸识别模型测试

第7.1节-人脸属性识别算法

第7.2节-人脸属性识别参考资料（图文）/

第8.1节-人脸表情识别项目背景

第8.2节-人脸表情识别数据处理与读取

第8.3节-人脸表情识别模型搭建与训练

第8.4节-人脸表情识别模型测试

11 深度学习之图像生成GAN—理论与实践篇/

0 课程介绍

1 全卷积图像生成GAN理论

2.1 DCGAN图像生成实战-项目解读

2.2 DCGAN图像生成实战-模型搭建

2.3 DCGAN图像生成实战-模型训练

2.4 DCGAN图像生成实战-模型测试

3 条件生成GAN理论

4 多尺度生成GAN理论

5.1 StyleGAN v1详解

5.2 StyleGAN v2详解

6.1 StyleGAN v1实战-模型解读

6.2 StyleGAN v1实战-模型测试

7 数据增强与仿真GAN理论

8 参考资料（图文）/

图像生成GAN代码.png

12 深度学习之模型量化—理论实践篇/

1_模型量化基础

2.1_二值模型量化-基础篇

2.2_二值模型量化-重建篇

3.1_8位模型量化-KL散度篇

3.2_8位模型量化-非对称篇

4_混合位宽量化

5.1_8bit模型量化实战-校准表生成

5.2_8bit模型量化实战-ncnn简介

5.3_8bit模型量化实战-ncnn模型转换

5.4_8bit模型量化实战-ncnn模型量化与推理

基于ncnn的8bit模型量化课程代码.pdf

13 深度学习之模型剪枝—理论实践篇/

1_模型剪枝基础

2.1_非结构化模型剪枝

3.1_结构化模型剪枝-权重篇

3.2_结构化模型剪枝-稀疏约束篇

3.3_结构化模型剪枝-稀疏因子篇

3.4_结构化连接剪枝-重建篇

4.1_结构化剪枝实战（项目背景）

4.2_结构化剪枝实战（模型训练）

4.3_结构化剪枝实战（模型剪枝）

基于稀疏约束的结构化模型剪枝课程代码

14 基于MTCNN+VGG+CenterLoss的人脸识别实战/

Centerloss人脸识别课程代码.pdf

第1节_项目背景

第2节_数据预处理

第3节_数据读取

第4节_模型定义

第5节_模型训练

第6节_模型测试

15 基于KL散度的8bit对称模型量化原理与实战（NCNN篇）/

基于ncnn的8bit模型量化课程代码.pdf

第1节_基于KL散度的8bit模型量化原理

第2节_量化校准表生成

第3节_ncnn框架简介

第4节_ncnn模型转换

第5节_ncnn量化推理

16 基于DCGAN的人脸嘴部表情图像生成实战/

DCGAN人脸嘴部表情生成课程代码.pdf

第1节_任务解读

第2节_模型搭建

第3节_模型训练

第4节_模型测试

17 基于StyleGAN v1的人脸图像生成实战/

StyleGAN v1人脸图像生成课程代码.pdf

第1节_StyleGAN v1原理详解

第2节_StyleGAN v1模型代码详解

第3节_StyleGAN v1人脸图像生成模型测试

18 SimpleNet人脸嘴唇分割实战/

数据与代码

第1节_数据准备与读取

第2节_模型搭建

第3节_模型训练

第4节_模型测试

19 基于Semantic_Human_Matting的人像分割实战/

Semantic_Human_Matting人像分割课程代码.pdf

第1节_模型原理简介

第2节_数据处理

第3节_模型搭建

第4节_模型训练与测试

20 SimpleNet人脸表情识别实战/

SimpleNet人脸表情识别代码

数据与代码

第1节_项目背景介绍

第2节_数据处理与读取

第3节_模型搭建与训练

第4节_模型测试

21 简单图像分类数据增强实战/

Pytorch简单图像分类任务数据增强实践代码

代码和数据

数据与代码

第1节_Pytorch数据增强API介绍

第2节_Pytorch图像分类数据增强代码实践

22 基于稀疏约束的结构化模型剪枝/

基于稀疏约束的结构化模型剪枝课程代码

第1节_模型剪枝基础

第2节_项目简介

第3节_模型训练

第4节_模型剪枝

23 基于3DCNN的视频分类与行为识别实战/

3DCNN视频分类与行为识别代码.pdf

第1节_项目介绍

第2节_数据处理

第3节_模型搭建

第4节_模型训练

第5节_模型测试

24 基于CNN-LSTM的视频分类与行为识别实战/

CNN-LSTM视频分类与行为识别代码

第1节_项目介绍

第2节_数据处理

第3节_模型搭建

第4节_模型训练

第5节_模型测试

25 基于SlowFast的视频分类与行为识别实战/

SlowFast视频分类与行为识别代码

第1节_项目简介

第2节_数据读取

第3节_模型搭建

第4节_模型训练

第5节_模型测试

26 深度学习之模型设计-经典网络篇/

0_课程介绍

1.0_经典浅层卷积网络设计_简介

1.1_早期卷积网络Neocognitron

1.2_早期语音识别模型TDNN

1.3_早期卷积网络Cresceptron

1.4_经典卷积网络LeNet

2.0_网络深度对分类模型的影响_简介

2.1_经典的网络AlexNet

2.2_更深的网络VGGNet

2.3_梯度问题与ResNet

3.1_ResNet垃圾分类任务介绍

3.2_ResNet垃圾分类数据集预处理

3.3_ResNet垃圾分类数据读取

3.4_ResNet垃圾分类模型训练

3.5_ResNet垃圾分类模型测试

3.6_ResNet垃圾分类模型调优

4.0_经典模型的宽度设计思想_简介

4.1_通道数量调整

4.2_多分支网络结构

4.3_通道补偿技术

5.0_网络宽度对模型性能影响_简介

5.1_多通道的网络Inception-v1

5.2_拓宽的残差网络ResNeXt

6.1_InceptionNet花卉分类实战-项目简介

6.2_InceptionNet花卉分类实战-模型搭建（Inception V1）

6.3_InceptionNet花卉分类实战-模型搭建（Inception V2和V3）

6.4_InceptionNet花卉分类实战-模型搭建（Inception V4）

6.5_InceptionNet花卉分类实战-模型训练

6.6_InceptionNet花卉分类实战-模型测试

模型设计-经典网络篇课程代码

资料代码/