有三AI—CV论文指导2023「已完结」

1__科研论文写作指导（CV方向）/

[333M] 1__CV论文指导第7次直播-科研工具使用以及实验逻辑串讲

[ 94M] 2__CV论文指导第6次直播-论文查漏补缺

[564M] 3__CV论文指导第5次直播-论文投稿及审稿意见回复

[367M] 4__CV论文指导第4次直播-论文写作章节解析

[140M] 5__CV论文指导第3次直播-研究方法总结与应用

[637M] 6__CV论文指导第2次直播-撰写论文的前期准备

[126M] 7__CV论文指导第1次直播-什么是科研论文写作

2__深度学习之Pytorch—入门及实战/

[7.9M] 1__0-课程介绍

[ 27M] 2__1-PyTorch简介

[ 58M] 3__2.1-Windows系统下配置PyTorch环境

[ 73M] 4__2.2-ubuntu系统下配置PyTorch环境

[ 28M] 5__3.1-张量（上）

[138M] 6__3.2-张量（下）@ukoou.com

[153M] 7__4-层结构基本介绍

[ 86M] 8__5-网络结构搭建方法

[ 36M] 9__6-经典分类网络介绍

[ 49M] 10__7-优化器及损失函数

[ 41M] 11__8.1-数据读取及增强（上）

[ 37M] 12__8.2-数据读取及增强（下）

[ 20M] 13__9-模型读取和加载

[ 14M] 14__10.1-从零完成表情识别（项目简介）

[123M] 15__10.2-从零完成表情识别（数据读取）

[ 79M] 16__10.3-从零完成表情识别（模型搭建与训练）

[ 31M] 17__10.4-从零完成表情识别（模型测试）

[ 278] 18__代码与数据

资料代码/

3__深度学习之数据使用—理论实践篇/

[660M] 1__《深度学习之数据使用》直播01-自动化数据标注

[6.7M] 2__0 课程介绍-认准一手加微信307570512

[ 50M] 3__1 数据获取

[ 99M] 4__2 数据整理

[ 60M] 5__3 数据标注

[102M] 6__4 数据增强方法

[ 45M] 7__5.1 Pytorch图像分类数据增强实践-数据增强接口介绍

[ 71M] 8__5.2 Pytorch图像分类数据增强实践-实验结果

[ 80M] 9__6.1 数据增强开源库imgaug介绍

[114M] 10__6.2 数据增强开源库imgaug使用

[ 303] 11__数据与代码

资料代码/

4__深度学习之图像分类—理论与实践/

[315M] 1__《深度学习之图像分类》直播答疑04

[332M] 2__《深度学习之图像分类》直播答疑03

[174M] 3__《深度学习之图像分类》直播答疑02

[342M] 4__《深度学习之图像分类》直播答疑01

[ 11M] 5__0 课程简介

[119M] 6__1 图像分类基础

[ 14M] 8__3.1 从零完成表情识别实践（项目背景）

[123M] 9__3.2 从零完成表情识别实践（数据处理与读取）

[ 79M] 10__3.3 从零完成表情识别实践（模型搭建与训练）

[ 31M] 11__3.4 从零完成表情识别实践（模型测试）

[ 45M] 12__4.1 简单图像分类数据增强实战（接口简介）

[ 71M] 13__4.2 简单图像分类数据增强实战（实验比较）

[ 90M] 14__5.1 细粒度图像分类理论

[ 329] 15__5.2 细粒度图像分类参考资料（图文）

[ 26M] 16__6.1 鸟类细粒度图像分类实战（项目简介）

[ 30M] 17__6.2 鸟类细粒度图像分类实战（数据读取）

[ 72M] 18__6.3 鸟类细粒度图像分类实战（模型搭建与训练）

[ 48M] 19__7.1 多标签图像分类理论

[ 329] 20__7.2 多标签图像分类参考资料（图文）

[ 95M] 21__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）

[148M] 22__8.2 生活用品多标签图像分类实战（数据集制作及读取）

[199M] 23__8.3 生活用品多标签图像分类实战（训练）

[ 77M] 24__8.4 生活用品多标签图像分类实战（测试）

[ 87M] 25__9.1 半监督与无监督分类理论

[ 341] 26__9.2 半监督与无监督图像分类参考资料（图文）

[ 43M] 27__10.1 零样本分类理论

[ 324] 28__10.2 零样本图像分类参考资料（图文）

[ 15M] 29__11.1 血红细胞图像分类竞赛（内容简介）

[ 16M] 30__11.2 血红细胞图像分类竞赛（思路分析）

[ 85M] 31__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）

[ 82M] 32__11.4 血红细胞图像分类竞赛（基础功能实现-网络模型构建）

[ 89M] 33__11.5 血红细胞图像分类竞赛（基础功能实现-训练）

[ 28M] 34__11.6 血红细胞图像分类竞赛（学习率调整）

[ 25M] 35__11.7 血红细胞图像分类竞赛（标签平滑）

[ 39M] 36__11.8 血红细胞图像分类竞赛（知识蒸馏）

[ 44M] 37__11.9 血红细胞图像分类竞赛（投票策略）

[ 21M] 38__11.10 血红细胞图像分类竞赛（TTA策略）

[ 274] 39__代码与数据

资料代码/

5__深度学习之图像分割—理论与实践/

[7.1M] 1__0_课程内容

[132M] 2__1_图像分割基础

[130M] 3__2.1_语义分割基础模型

[102M] 4__2.2_语义分割模型改进

[ 304] 5__2.3_语义分割参考资料（图文）

[ 79M] 6__3.1_简单模型嘴唇分割_数据获取与整理

[ 36M] 7__3.2_简单模型嘴唇分割_模型搭建@IT视频网

[ 53M] 8__3.3_简单模型嘴唇分割_模型训练

[ 21M] 9__3.4_简单模型嘴唇分割_模型测试

[ 34M] 10__4.1_缺陷分割实战_内容介绍

[ 88M] 11__4.2_缺陷分割实战_模型搭建(理论)

[ 82M] 12__4.3_缺陷分割实战_模型搭建(代码)

[ 74M] 13__4.4_缺陷分割实战_数据读取

[110M] 14__4.5_缺陷分割实战_模型训练

[ 32M] 15__4.6_缺陷分割实战_模型测试

[ 50M] 16__5.1_弱监督语义分割基础

[111M] 17__5.2_弱监督语义分割模型

[ 323] 18__5.3_弱监督语义分割参考资料（图文）

[ 95M] 19__6.1_Image Matting基础

[108M] 20__6.2_基于Trimap预测的Image Matting模型

[ 42M] 21__6.3_Image Matting模型改进（粗标签篇）

[ 307] 22__6.4_Image Matting参考资料（图文）

[ 23M] 23__7.1_人像Image Matting实战_模型简介@ukoou.com

[ 65M] 24__7.2_人像Image Matting实战_数据准备与读取

[ 44M] 25__7.3_人像Image Matting实战_模型定义

[ 67M] 26__7.4_人像Image Matting实战模型_训练与测试

[ 56M] 27__8.1_实例分割基础

[ 73M] 28__8.2_实例分割基础模型

[ 98M] 29__8.3_二阶段实例分割算法

[139M] 30__8.4_一阶段实例分割算法

[ 299] 31__8.5_实例分割参考资料（图文）

[ 52M] 32__9.1_实例分割实战_数据读取

[6.9M] 33__9.2_实例分割实战_评价指标编写

[149M] 34__9.3_实例分割实战_网络模型搭建

[ 274] 35__图像分割代码及数据

资料代码/

6__深度学习之目标检测—理论与实践/

[346M] 1__《深度学习之目标检测》直播答疑03

[489M] 2__《深度学习之目标检测》直播答疑02@微信307570512

[777M] 3__《深度学习之目标检测》直播答疑01

[ 66M] 4__0-课程简介

[ 55M] 5__1.1-问题定义

[ 39M] 6__1.2-数据集

[607M] 7__1.3-评价指标

[ 58M] 8__1.4-脑图时刻

[ 38M] 9__1.5-算法发展总览

[279M] 10__1.6-传统检测算法流程

[311M] 11__1.7-基于深度学习的目标检测流程和分类

[ 87M] 12__1.8-脑图时刻

[404M] 13__1.9-anchor-base算法结构

[ 90M] 14__2.1-RCNN详解

[ 82M] 15__2.2-SPPNet详解

[528M] 16__2.3-Fast RCNN详解

[248M] 17__2.4-Faster RCNN详解

[111M] 18__2.5-one-stage算法引入+脑图时刻@IT视频网

[ 323] 19__2.6 二阶段目标检测参考资料（图文）

[539M] 20__3.1-YOLOv1讲解

[771M] 21__3.2-YOLOv2讲解

[607M] 22__3.3-YOLOv3讲解

[857M] 23__3.4-YOLOv4讲解

[699M] 24__3.5-YOLOv5讲解

[ 323] 25__3.6 一阶段目标检测参考资料（图文）

[ 10M] 26__4.1-YOLO v3工业缺陷检测实战-原理回顾

[8.1M] 27__4.2-YOLO v3工业缺陷检测实战-数据集介绍

[ 86M] 28__4.3.1-YOLO v3工业缺陷检测实战-主干网络代码讲解

[ 35M] 29__4.3.2-YOLO v3工业缺陷检测实战-Neck+Head部分代码讲解

[ 35M] 30__4.3.3-YOLO v3工业缺陷检测实战-解码过程讲解

[ 84M] 31__4.3.4-YOLO v3工业缺陷检测实战-前向推理代码讲解

[ 80M] 32__4.4-YOLO v3工业缺陷检测实战-模型训练

[ 56M] 33__4.5-YOLO v3工业缺陷检测实战-模型测试

[106M] 34__5.1-FasterRCNN原理回顾-微信307570512

[ 32M] 35__5.2-数据集介绍

[426M] 36__5.3.1-主干网络代码讲解

[343M] 37__5.3.2-RPN网络代码讲解

[237M] 38__5.3.3-Head部分代码讲解

[246M] 39__5.3.4-前向推理代码详解

[417M] 40__5.3.5-训练部分详解

[468M] 41__5.4-权重文件处理知识+本期内容整体梳理

[130M] 42__6.1-Anchor free引入

[176M] 43__6.2-Densebox详解（上）

[301M] 44__6.2-Densebox详解（中）

[278M] 45__6.2-Densebox详解（下）

[167M] 46__6.3-CornerNet详解（上）

[212M] 47__6.3-CornerNet详解（中）

[232M] 48__6.3-CornerNet详解（下）

[169M] 49__6.4-CenterNet详解（上）

[ 99M] 50__6.4-CenterNet详解（中）-认准一手加微信307570512

[ 79M] 51__6.4-CenterNet详解（下）

[ 309] 52__6.5-Anchor-free参考资料（图文）

[8.6M] 53__7.1-印刷电路板数据集介绍

[109M] 54__7.2-CenterNet原理回顾（上）

[100M] 55__7.2-CenterNet原理回顾（下）

[6.0M] 56__7.3-前向推理代码详解

[144M] 57__7.4-训练过程代码详解（上）

[116M] 58__7.4-训练过程代码详解（下）

[ 37M] 59__7.5-内容总结

[ 98M] 60__8.1_MMdetection简介与安装

[941M] 61__8.2_MMdetection框架总体讲解

[677M] 62__8.3_配置文件讲解（上）

[436M] 63__8.3_配置文件讲解（下）

[218M] 64__8.4_推理相关源码分析

[285M] 65__8.5_训练相关源码分析

[145M] 66__8.6_自定义数据集-微信307570512

[216M] 67__8.7_COCO与VOC格式转化

[ 77M] 68__8.8_Kmeans聚类边界框

[ 79M] 69__8.9_热力图绘制

[164M] 70__8.10_训练过程和检测结果可视化分析

[297M] 71__8.11_工程实践技巧

[ 250] 72__数据与代码

资料代码/

7__基于ResNet的生活用品多标签图像分类实战/

[ 95M] 1__第1节_多标签分类简介及算法简介

[148M] 2__第2节_数据集制作及读取

[199M] 3__第3节_模型搭建与训练

[ 77M] 4__第4节_模型测试

[ 271] 5__数据及代码

资料代码/

8__基于EfficientNet的血红细胞分类竞赛实战/

[ 15M] 1__第1节_内容简介@www.ukoou.com

[ 16M] 2__第2节_思路分析

[ 85M] 3__第3.1节_基础功能实现（数据集统计分析）

[ 82M] 4__第3.2节_基础功能实现（网络模型搭建）

[ 89M] 5__第3.3节_基础功能实现（模型训练）

[ 28M] 6__第4节_学习率调整

[ 25M] 7__第5节_标签平滑

[ 39M] 8__第6节_知识蒸馏

[ 44M] 9__第7节_投票策略

[ 21M] 10__第8节_TTA策略

[ 250] 11__数据和代码

资料代码/

9__基于BiSeNet的表面缺陷分割实战/

[ 34M] 1__第1节_项目介绍

[ 88M] 2__第2.1节_模型搭建(理论)

[ 82M] 3__第2.2节_模型搭建(代码)

[ 74M] 4__第3节_数据集读取@www.ukoou.com

[110M] 5__第4节_模型训练

[ 32M] 6__第5节_模型测试

[ 249] 7__数据和代码

资料代码/