本课程详细讲解Yolov3 Tiny算法模型的训练，量化，仿真以及在海思开发板上的部署。

主要内容包括：

1.课程介绍
2.darknet框架代码下载及其编译
3.基于无人零售商品数据集训练yolov3 tiny
   a）无人零售数据集介绍
   b）配置文件data和cfg的介绍和修改
   c）模型训练和较优模型的挑选
4）yolov3 tiny darknet模型转换成caffe model
5）wk模型生成及其仿真验证
   a）3519av100 sdk010提供
   b）模型的量化
   c）仿真代码讲解及其运行
6）仿真检测结果框偏移现象及其纠正
7）量化模型在板载上运行

本课程在介绍计算机视觉深度学习基本概念基础上，详尽讲解YOLOV3和YOLOV4的算法模型原理，并基于实际项目中的无人零售商品数据集来手把手教大家如何将它训练成YOLOV3和V4模型，最后对训练出来的模型集进行性能评估，从而挑选出最优模型。

课程主要分为九大章：

1。课程内容介绍、特色及其答疑
2。计算机视觉深度学习基本概念及其yolo1,2,3的模型结构讲解
3。darknet框架介绍及其安装
4。darknet训练和推理代码的梳理
5。基于darknet框架训练一个无人零售商品数据集 上半部
6。基于darknet框架训练一个无人零售商品数据集 下半部
7。模型评估指标（训练过程的loss和iou曲线显示，PR，RECALL，AP以及MAP的计算）
8。YOLOV4算法模型原理讲解
9。YOLOV4算法模型的训练和测试

本课程主要基于3519av100来讲解SDK开发环境的搭建过程，希望能起到触类旁通，举一反三地作用。

从而帮助海思35系列初学者尽快地上手。

课程主要分为六大章：

1）介绍课程内容、特色、目标以及答疑

2）对3519av100 020版本的SDK进行梳理，并对交叉编译toolchain和sdk进行安装

3）编译uboot代码以及使用tftp和hitool两种方式进行烧写

4）编译kernel代码并烧写到板子里面。

5）文件系统fs制作以及烧写

本课程一共分为四个部分，如下所示。
一、课程内容、特色、目标以及答疑

二、点亮sensor imx377
1）3519av100 010SDK的提供以及框架梳理
2）sensor驱动代码的讲解

3）将sensor驱动编译进sample代码
3）sample_vio代码的简要讲解

三、基于NNIE实现摄像头视频识别的完整应用
1）模型量化选项详解
2）直接对摄像头输出的视频数据流进行yolov3识别，附上源代码并详细讲解。

本课程一共分为三个部分，如下所示。

一、课程内容、特色、目标以及答疑

二、MPP开发入门
1）讲解vi  vdec vpss 以及vo等概念以及视频图像怎么在它们之间传递
2）vdec vpss vo例程代码及其调试方法详解

三、基于NNIE构建一个jpeg图片识别的完整应用
1）模型量化选项详解
2）直接对jpeg图片进行目标检测，附上源代码并详细讲解。

本课程包括下面6个经典目标检测算法模型的讲解：

1.基于自己数据集的Faster RCNN模型训练、验证以及nnie上仿真和运行。

2.基于自己数据集的RFCN模型训练、验证以及nnie上仿真和运行。

3.基于自己数据集的SSD模型训练、验证以及nnie上仿真和运行。

4.基于自己数据集的Mobilenet SSD模型训练、验证以及nnie上仿真和运行。

5.Yolov2模型验证以及nnie上仿真和运行。

6.Yolov3 tiny模型验证以及nnie上仿真和运行。

本课程特色：

本课程内容分为5个部分：

1.海思35xx SDK资料梳理以及SVP相关文档详细介绍

2.将darknet框架训练出来的yolov3模型转换成caffemodel

5.开发板上的sample代码的运行以及代码分析

本课程特色：

1. 不是照本宣科，着力把背后的原理讲清楚。

2. 实用性很强。 目标检测算法是计算机视觉基本任务之一，而YOLOv3则仍然是目前工业界中应用非常广泛的算法模型，从速度、准确度以及易用性的trade-off来看，它目前仍然是最好的算法模型之一。

本课程专注于使用opencv4 APIs来解决实际工作中经常遇到的图像分割、识别问题。精心挑选的8个例子涵盖了图片滤镜特效，验证码识别，条形码和二维码定位和识别，试卷答题线检测、瓶盖缺陷识别以及车道线检测等方面。课程中既有原理讲解也有实战代码演示，更重要的是每节课后都布置有作业来提供动手机会，使得学员们通过实操来更好地消化和掌握课堂知识。