計算機視覺算法：從卷積到部署實現全流程解析

葉匯賢 李啟亮

計算機視覺算法：從卷積到部署實現全流程解析 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2026-06-01
  • 定價: $719
  • 售價: $718
  • 語言: 簡體中文
  • ISBN: 7302717702
  • ISBN-13: 9787302717706
  • 相關分類: Computer Vision

    • 下單後立即進貨 (約4週~6週)

  • 計算機視覺算法：從卷積到部署實現全流程解析-preview-1
  • 計算機視覺算法：從卷積到部署實現全流程解析-preview-2
  • 計算機視覺算法：從卷積到部署實現全流程解析-preview-3
計算機視覺算法：從卷積到部署實現全流程解析-preview-1

相關主題

商品描述

"《AI全棧開發新範式：全場景效能躍遷手冊》以“從基礎到部署”為主線，全面且系統地介紹計算機視覺相關技術旨在幫助讀者 本書以“從基礎到部署”為主線，全面且系統地介紹計算機視覺相關技術旨在幫助讀者 本書以“從基礎到部署”為主線，全面且系統地介紹計算機視覺相關技術旨在幫助讀者 本書以“從基礎到部署”為主線，全面且系統地介紹計算機視覺相關技術旨在幫助讀者 本書以“從基礎到部署”為主線，全面且系統地介紹計算機視覺相關技術旨在幫助讀者 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 構建完整的理論與實踐體系。本書內容涵蓋神經網絡基礎、數據工程典前沿視覺算法， 以及模型訓練、推理和部署等全流程環節，完整展示了從數據準備到的閉。每 以及模型訓練、推理和部署等全流程環節，完整展示了從數據準備到的閉。每 以及模型訓練、推理和部署等全流程環節，完整展示了從數據準備到的閉。每 以及模型訓練、推理和部署等全流程環節，完整展示了從數據準備到的閉。每 章內容不僅包括深入的算法解析，還配有豐富實驗代碼。 本書各章節均按照“知其然，所以”的理念進行構建由淺入深、循序漸地帶領 本書各章節均按照“知其然，所以”的理念進行構建由淺入深、循序漸地帶領 本書各章節均按照“知其然，所以”的理念進行構建由淺入深、循序漸地帶領 本書各章節均按照“知其然，所以”的理念進行構建由淺入深、循序漸地帶領 本書各章節均按照“知其然，所以”的理念進行構建由淺入深、循序漸地帶領 讀者學習，使其能紮實掌握核心理念並在際工作中靈活運用。 本書適合計算機 、人工智能自動化等相關專業的科生研究及希望系統入門本書適合計算機 、人工智能自動化等相關專業的科生研究及希望系統入門本書適合計算機 、人工智能自動化等相關專業的科生研究及希望系統入門本書適合計算機 、人工智能自動化等相關專業的科生研究及希望系統入門視覺領域的自學者，也適用於職場中計算機視工程師、 覺領域的自學者，也適用於職場中計算機視工程師、 AI 算法工程師、圖像處理等 算法工程師、圖像處理等 技術從業者，還能滿足有一定深度學習基礎、想入掌握視覺算法核心並打通“理論解析 技術從業者，還能滿足有一定深度學習基礎、想入掌握視覺算法核心並打通“理論解析 技術從業者，還能滿足有一定深度學習基礎、想入掌握視覺算法核心並打通“理論解析 技術從業者，還能滿足有一定深度學習基礎、想入掌握視覺算法核心並打通“理論解析 技術從業者，還能滿足有一定深度學習基礎、想入掌握視覺算法核心並打通“理論解析 - 代 碼實現 - 場景部署”全鏈路的進階學習者。" 序漸進地帶領讀者學習，使其紮實掌握核心理念並在實際工作靈活運用。

作者簡介

葉匯賢,博士，廣東省高級職稱—高級工程師，長期從事人工智能深度學習產品與算法研發，尤其擅長計算機視覺二維和三維算法的研究與應用，精通數字人和大模型算法的設計與實現。擁有豐富的全棧開發經驗，能夠將先進的算法成功產品化並落地應用。還具備出色的團隊建設與管理能力，曾帶領並擴展多個項目團隊，實現了從研發到產品化的全流程管理與執行。在專利申請與學術研究方面，已發表學術論文 10 篇；擁有 40 余項專利，其中包括 2 項 PCT 國際專利，授權專利超過 20 項。2024 年 1 月，本人出版了《人工智能點雲處理及深度學習算法》一書，出版社為北京航空航天大學出版社。現任廣州美央創新科技有限公司（AIMIRA）高級算法專家，主要負責算法研發和技術管理，專註於人工智能領域計算機視覺二維、三維算法以及數字人和大模型算法的開發。AIMIRA 是一家領先的高端醫療科技公司，致力於通過人工智能和深度學習技術革新抗衰老醫學領域的診療方法，提供更為安全高效的治療方案。在科學研究工作方面，於浙江省之江實驗室（人工智能國家實驗室）工作一年，參與場景文本理解算法和智能計算育種計算平臺課題研究，針對性地提出一種新型基於關鍵點的表型檢測算法，並且已完成算法設計與驗證測試。此外，參與申報了 2020～2021 年度廣東省重點領域研發計劃“新一代人工智能”重大專項——基於 Atlas 計算平臺生態創新協同技術研究及應用。

目錄大綱

目錄

第 1 章 技術發展背景1

1.1 計算機視覺發展簡介1

1.2 計算機視覺常見任務5

1.2.1 圖像分類5

1.2.2 目標檢測6

1.2.3 目標跟蹤7

1.2.4 語義分割7

1.2.5 實例分割8

1.2.6 關鍵點檢測9

1.2.7 圖像生成10

1.2.8 圖像去噪11

1.2.9 三維視覺12

1.3 最新進展與研究方向13

1.3.1 Paper with Code13

1.3.2 頂級會議15

1.3.3 頂級期刊16

1.3.4 arXiv16

1.4 實踐與練習17

第 2 章 深度學習環境安裝18

2.1 Python 環境安裝18

2.1.1 Miniconda 安裝18

2.1.2 常用 Conda 命令19

2.2 Python IDE 與調試20

2.2.1 Visual Studio Code20

2.2.2 程序調試22

2.3 CUDA 安裝24

2.3.1 Windows CUDA Toolkit 安裝26

2.3.2 Linux CUDA ToolKit 安裝28

2.4 cuDNN 安裝29

2.4.1 Windows cuDNN 安裝32

2.4.2 Linux cuDNN 安裝33

2.5 PyTorch 介紹與安裝36

2.5.1 核心特性36

2.5.2 安裝方式37

2.5.3 模塊組件39

2.6 實踐與練習44

第 3 章 神經網絡基礎原理45

3.1 基礎知識45

3.1.1 梯度下降45

3.1.2 鏈式法則47

3.1.3 梯度消失與爆炸49

3.2 感知機51

3.2.1 感知機的組成51

3.2.2 感知機的工作原理52

3.2.3 感知機的作用與局限性53

3.3 卷積神經網絡54

3.3.1 全連接層54

3.3.2 卷積層55

3.3.3 模型資源與計算復雜度58

3.3.4 池化層62

3.3.5 激活函數63

3.3.6 損失函數67

3.3.7 訓練方法70

3.3.8 優化器72

3.3.9 正則化74

3.3.10 卷積神經網絡示例76

3.3.11 模型保存與加載79

3.3.12 模型結構可視化82

3.4 循環神經網絡87

3.5 註意力機制88

3.6 生成對抗網絡91

3.7 擴散模型93

3.8 實踐與練習94

第 4 章 數據工程96

4.1 有監督學習96

4.2 無監督學習98

4.3 數據標註102

4.3.1 圖像分類103

4.3.2 目標檢測103

4.3.3 語義分割106

4.3.4 標註工具107

4.3.5 半自動標註108

4.3.6 質量控制109

4.4 數據增強110

4.4.1 數據增強的作用110

4.4.2 基本幾何變換112

4.4.3 顏色變換117

4.4.4 噪聲註入119

4.4.5 Mixup 和 Cutout120

4.4.6 馬賽克增強121

4.4.7 深度學習增強123

4.4.8 AutoAugment124

4.4.9 Albumentations 增強庫125

4.5 歸一化127

4.5.1 輸入數據歸一化128

4.5.2 批歸一化129

4.5.3 層歸一化130

4.5.4 實例歸一化131

4.5.5 組歸一化131

4.6 數據集劃分132

4.6.1 數據集類別132

4.6.2 劃分方式133

4.7 模型評估134

4.7.1 準確率134

4.7.2 精確率、召回率和 F1-score135

4.7.3 ROC 曲線和 AUC 值136

4.7.4 平均精度137

4.7.5 交並比138

4.7.6 混淆矩陣140

4.7.7 Top-k 準確率141

4.7.8 對數損失141

4.8 常用數據集142

4.8.1 MNIST 數據集143

4.8.2 CIFAR-10 和 CIFAR-100 數據集145

4.8.3 ImageNet 數據集147

4.8.4 COCO 數據集150

4.8.5 COCO128 數據集153

4.8.6 PASCAL VOC 數據集153

4.8.7 LFW 數據集153

4.8.8 Cityscapes 數據集154

4.8.9 Open Images 數據集154

4.9 實踐與練習155

第 5 章 基礎神經網絡156

5.1 LeNet-5156

5.2 AlexNet162

5.3 VGGNet167

5.4 GoogLeNet171

5.5 ResNet177

5.6 DenseNet181

5.7 MobileNet185

5.7.1 MobileNet 概述185

5.7.2 MobileNet 系列的疊代升級188

5.8 ShuffleNet190

5.9 EfficientNet193

5.10 實踐與練習197

第 6 章 目標檢測算法198

6.1 R-CNN 系列199

6.1.1 候選區域生成199

6.1.2 特征提取與分類回歸200

6.1.3 Fast R-CNN203

6.1.4 Faster R-CNN215

6.2 SSD230

6.2.1 模型結構230

6.2.2 Anchor 設計234

6.2.3 損失函數236

6.3 YOLO238

6.3.1 模型結構238

6.3.2 損失函數與推理示例240

6.3.3 YOLOv2 優化243

6.4 RetinaNet: Focal Loss245

6.4.1 模型結構246

6.4.2 損失函數與推理示例252

6.5 EfficientDet254

6.6 未來方向與挑戰258

6.7 實踐與練習260

第 7 章 語義分割技術261

7.1 早期語義分割方法261

7.2 FCN263

7.3 DeepLab 系列272

7.3.1 DeepLab v1272

7.3.2 DeepLab v2276

7.3.3 DeepLab v3278

7.3.4 DeepLab v3+281

7.4 SegNet285

7.5 UNet288

7.6 註意力機制與 Transformer292

7.7 輕量級模型與高效計算292

7.8 未來發展方向與挑戰293

7.9 實踐與練習294

第 8 章 YOLO 目標檢測295

8.1 YOLOv3295

8.2 YOLOv4300

8.2.1 模型結構300

8.2.2 Mish 激活函數306

8.2.3 CIoU307

8.2.4 DropBlock309

8.2.5 CmBN309

8.2.6 損失函數310

8.2.7 總結311

8.3 YOLOv5312

8.3.1 數據增強312

8.3.2 模型結構315

8.3.3 損失函數319

8.3.4 官方程序325

8.3.5 訓練流程與技巧326

8.3.6 模型推理327

8.3.7 總結327

8.4 YOLOX328

8.4.1 模型結構328

8.4.2 Anchor-free 機制330

8.4.3 SimOTA 動態標簽分配332

8.4.4 性能表現334

8.5 YOLOv6334

8.6 YOLOv7338

8.6.1 運行程序339

8.6.2 模型結構與 ELAN340

8.6.3 重新參數化351

8.6.4 coarse-to-fine 結構352

8.7 YOLOv8355

8.8 YOLOv9359

8.9 YOLOv10369

8.9.1 模型架構優化369

8.9.2 NMS-free 後處理377

8.10 YOLOv11379

8.11 YOLO 系列總結386

8.12 實踐與練習387

第 9 章 模型部署技術389

9.1 模型部署389

9.1.1 模型部署的意義389

9.1.2 部署平臺391

9.1.3 硬件環境394

9.1.4 軟件環境396

9.1.5 模型優化398

9.2 模型轉換398

9.2.1 ONNX 背景398

9.2.2 ONNX 使用399

9.2.3 ONNX Optimizer403

9.3 模型量化405

9.3.1 量化背景405

9.3.2 常見量化方法407

9.3.3 PyTorch 量化409

9.3.4 ONNX 量化414

9.4 模型加密417

9.5 模型打包部署419

9.6 實踐與練習421

第 10 章 實驗課程422

10.1 安全帽檢測模型422

10.1.1 數據集制作422

10.1.2 模型訓練432

10.1.3 模型轉換436

10.1.4 模型量化440

10.1.5 模型加密448

10.1.6 打包與解壓456

10.1.7 部署驗證457

10.2 業務應用：人臉識別簽到461

10.2.1 基本流程462

10.2.2 人臉註冊462

10.2.3 人臉檢測與識別463

10.2.4 Web 界面搭建464

10.2.5 完整程序465

10.3 實踐與練習471

類似商品