白勇
研究员/教授

擅长领域:深度学习、计算机视觉、机器学习

讲师介绍:大学教授,美国归国博士、博士生导师;人工智能公司专家顾问;长期从事人工智能、物联网、大数据研究;已发表学术论文100多篇,授权发明专利10多项

计算机视觉:

U-Net图像语义分割实战:训练自己的数据集

U-Net是一种基于深度学习的图像语义分割方法,尤其在医学图像分割中表现优异。

本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集,生成Mask图像,并使用U-Net训练自己的数据集,从而能开展自己的图像分割应用。

本课程有三个项目实践:

(1) Kaggle盐体识别比赛 :利用U-Net进行Kaggle盐体识别

(2) Pothole语义分割:对汽车行驶场景中的路坑进行标注和语义分割

(3) Kaggle细胞核分割比赛 :利用U-Net进行Kaggle细胞核分割

本课程使用keras版本的U-Net,在Ubuntu系统上用Jupyter Notebook做项目演示。 包括:数据集标注、数据集格式转换和Mask图像生成、编写U-Net程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。

本课程提供项目的数据集和Python程序文件。


>
共15课时(已更新15课时)| ¥88.00| 72人学习过开始学习
计算机视觉:

DeepLabv3+图像语义分割实战:训练自己的数据集

DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法,可对物体进行像素级分割。


本课程将手把手地教大家使用labelme图像标注工具制作数据集,并使用DeepLabv3+训练自己的数据集,从而能开展自己的图像语义分割应用。


本课程有两个项目实践:

(1) CamVid语义分割 :对CamVid数据集进行语义分割

(2) RoadScene语义分割:对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割


本课程使用TensorFlow版本的DeepLabv3+,在Ubuntu系统上做项目演示。 包括:安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。


本课程提供项目的数据集和Python程序文件。


下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果:



>
共15课时(已更新15课时)| ¥88.00| 125人学习过开始学习
计算机视觉:

Mask R-CNN图像实例分割实战:训练自己的数据集

Mask R-CNN是一种基于深度学习的图像实例分割方法,可对物体进行目标检测和像素级分割。

本课程将手把手地教大家使用VIA图像标注工具制作自己的数据集,并使用Mask R-CNN训练自己的数据集,从而能开展自己的图像分割应用。


本课程有三个项目案例实践:

(1) balloon实例分割 :对图像中的气球做检测和分割

(2) pothole(单类物体)实例分割:对汽车行驶场景中的路坑进行检测和分割

(3) roadscene( 多类物体)实例分割:对汽车行驶场景中的路坑、车、车道线等进行检测和分割


本课程使用Keras版本的Mask R-CNN,在Ubuntu系统上做项目演示。

本课程提供项目的数据集和python程序文件。


下面是使用Mask R-CNN对roadscene进行图像实例分割的测试结果




下图是使用Mask R-CNN对pothole进行单类物体图像实例分割的测试结果:


下图是使用Mask R-CNN对roadscene进行多类物体图像实例分割的测试结果:


>
共24课时(已更新24课时)| ¥88.00| 181人学习过开始学习
计算机视觉:

YOLOv3目标检测:原理与源码解析


Linux创始人Linus Torvalds有一句名言:Talk is cheap, Show me the code.(冗谈不够,放码过来!)。

代码阅读是从入门到提高的必由之路。尤其对深度学习,许多框架隐藏了神经网络底层的实现,只能在上层调包使用,对其内部原理很难认识清晰,不利于进一步优化和创新。

 

YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长。

YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架,依赖少,可移植性好,可以作为很好的代码阅读案例,让我们深入探究其实现原理。

 

本课程将解析YOLOv3的实现原理和源码,具体内容包括:


  •      YOLO目标检测原理 
  •      神经网络及Darknet的C语言实现,尤其是反向传播的梯度求解和误差计算 
  •      代码阅读工具及方法 
  •      深度学习计算的利器:BLAS和GEMM 
  •      GPU的CUDA编程方法及在Darknet的应用 
  •      YOLOv3的程序流程及各层的源码解析


 

本课程将提供注释后的Darknet的源码程序文件。

 

除本课程《YOLOv3目标检测:原理与源码解析》外,本人推出了有关YOLOv3目标检测的系列课程,包括:


  •   《YOLOv3目标检测实战:训练自己的数据集》
  •   《YOLOv3目标检测实战:交通标志识别》
  •   《YOLOv3目标检测:原理与源码解析》
  •   《YOLOv3目标检测:网络模型改进方法》


 

建议先学习课程《YOLOv3目标检测实战:训练自己的数据集》或课程《YOLOv3目标检测实战:交通标志识别》,对YOLOv3的使用方法了解以后再学习本课程。


>
共31课时(已更新31课时)| ¥78.00| 212人学习过开始学习
计算机视觉:

YOLOv3目标检测实战:交通标志识别

在无人驾驶中,交通标志识别是一项重要的任务。本项目以美国交通标志数据集LISA为训练对象,采用YOLOv3目标检测方法实现实时交通标志识别。

具体项目过程包括包括:安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。

YOLOv3基于深度学习,可以实时地进行端到端的目标检测,以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet,在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架,依赖少,可移植性好,值得深入学习和探究。

除本课程《YOLOv3目标检测实战:交通标志识别》外,本人推出了有关YOLOv3目标检测的系列课程,请持续关注该系列的其它课程视频,包括:

《YOLOv3目标检测实战:训练自己的数据集》

《YOLOv3目标检测:原理与源码解析》

《YOLOv3目标检测:网络模型改进方法》

另一门课程《YOLOv3目标检测实战:训练自己的数据集》主要是介绍如何训练自己标注的数据集。而本课程的区别主要在于学习对已标注数据集的格式转换,即把LISA数据集从csv格式转换成YOLOv3所需要的PASCAL VOC格式和YOLO格式。本课程提供数据集格式转换的Python代码。

请大家关注以上课程,并选择学习。

下图是使用YOLOv3进行交通标志识别的测试结果


>
共16课时(已更新16课时)| ¥58.00| 239人学习过开始学习
计算机视觉:

YOLOv3目标检测实战:训练自己的数据集

YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目:足球目标检测(单目标检测)、梅西目标检测(单目标检测)、足球和梅西同时目标检测(两目标检测)。

本课程的YOLOv3使用Darknet,在Ubuntu系统上做项目演示。包括:安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。

Darknet是使用C语言实现的轻型开源深度学习框架,依赖少,可移植性好,值得深入探究。

除本课程《YOLOv3目标检测实战:训练自己的数据集》外,本人推出了有关YOLOv3目标检测的系列课程,请持续关注该系列的其它课程视频,包括:

《YOLOv3目标检测实战:交通标志识别》

《YOLOv3目标检测:原理与源码解析》

《YOLOv3目标检测:网络模型改进方法》

敬请关注并选择学习!

>
共23课时(已更新23课时)| ¥58.00| 374人学习过开始学习
计算机视觉:

基于深度学习的计算机视觉: 原理与实践 (下部)

本课程适合具有一定深度学习基础,希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。

基于深度学习的计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异,网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术,从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。

本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务,包括图像分类、目标检测、图像分割(语义分割、实例分割、全景分割)、人脸识别、图像描述、图像检索、图像生成(利用生成对抗网络)。本课程注重原理和实践相结合,逐篇深入解读经典和前沿论文70余篇,图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow),学员可快速上手。

通过本课程的学习,学员可把握基于深度学习的计算机视觉的技术发展脉络,掌握相关技术原理和算法,有助于开展该领域的研究与开发实战工作。另外,深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。

本课程提供课程资料的课件PPT(pdf格式)和项目实践代码,方便学员学习和复习。

本课程分为上下两部分,其中上部包含课程的前五章(课程介绍、深度学习基础、图像分类、目标检测、图像分割),下部包含课程的后四章(人脸识别、图像描述、图像检索、图像生成)。


>
共46课时(已更新46课时)| ¥168.00| 1075人学习过开始学习
计算机视觉:

基于深度学习的计算机视觉:原理与实践(上部)

本课程适合具有一定深度学习基础,希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。

基于深度学习的计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异,网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术,从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。

本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务,包括图像分类、目标检测、图像分割(语义分割、实例分割、全景分割)、人脸识别、图像描述、图像检索、图像生成(利用生成对抗网络)。本课程注重原理和实践相结合,逐篇深入解读经典和前沿论文70余篇,图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow),学员可快速上手。

通过本课程的学习,学员可把握基于深度学习的计算机视觉的技术发展脉络,掌握相关技术原理和算法,有助于开展该领域的研究与开发实战工作。另外,深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。

本课程提供课程资料的课件PPT(pdf格式)和项目实践代码,方便学员学习和复习。

本课程分为上下两部分,其中上部包含课程的前五章(课程介绍、深度学习基础、图像分类、目标检测、图像分割),下部包含课程的后四章(人脸识别、图像描述、图像检索、图像生成)。






>
共69课时(已更新69课时)| ¥188.00| 1643人学习过开始学习

最近学员 累计3706

最新评论

手机看
关注公众号

关注公众号

下载APP

下载APP

客服 帮助 返回
顶部