DL4CV实战——构建基于深度学习的智能图像识别系统

Posted 2021-04-07 炼数成金前沿推荐

深度学习的重要意义毋庸置疑，它在图像处理方面相关领域有许多实际应用。将图像处理和深度学习相结合，能够很好地解决很多问题。

本课程在基础知识的讲解，更关注完整工具链的搭建和使用：我们不仅要能够实现一个以vgg-16为基础的CBIR系统的深度学习模型，并且要通过训练和调参，使其能够解决实际问题；更进一步要将其作为webapi的服务开放出去，让我们的客户端(PC和android)都能够调用。

课程大纲：

第一课、综述。为什么要做这个方面的研究学习？学习什么内容？怎样进行有效学习？相关资料的推荐

第二课、基本单机环境的搭建；Python语言在深度学习中的作用

第三课、jupyter联机环境的搭建；xxnet的使用，colab环境的搭建使用，运行第一个深度学习的例子，特别是要将曲线图绘制出来

第四课、对numpy的简单介绍.和本课程相关的Python语法简介，要提取重点。运行第一个mnist的例子（给深度学习入门者的Python快速教程）

第五课、vgg-16模型简介，使用已经搭建起来系统训练和测试公用数据集

第六课、模型迁移和数据集增量概论简介，对本系统作用

第七课、CBIR（以图搜图）需求简介，如何基于vgg-16模型实现CBIR

第八课、在现有基础上，如何看懂结果曲线，并进行参数调优

第九课、flask简介和mvc基础框架

第十课、flask进阶，搭建基础上传、下载服务，开放webapi服务

第十一课、增加js/css，实现美化界面（代码开发、方便复用）

第十二课、结合现有模型，开放提供CBIR的webapi服务

第十三课、总结，课程回顾

授课时间：本期课程将于6月23日开始。课程持续时间大约为15周。

授课对象：

深度学习和图像处理从业者和爱好者、及相关专业院校学生

课程环境：

windows +anaconda+vscode

收获预期：

我们不仅要能够实现一个以vgg-16为基础的CBIR系统的深度学习模型，并且要通过训练和调参，使其能够解决实际问题；更进一步要将其作为 webapi的服务开放出去，让我们的客户端(PC和Android)都能够调用。

讲师简介：

禾路 老师

国家工信部认证软件设计师,嵌入式系统设计师；8年图像处理经验。长期奋斗在图像增强、识别一线。实战经验丰富，研究开发的连铸体拼接算法、人脸美化算法、红外线血管增强识别系统、中药识别系统、石材大板识别系统等均已投入使用。

对OpenCV有着深入理解和解析。对OpenCV结合mfc、csharp快速开发，解决实际问题有独到见解。开源框架GreenOpenMFCTemplate受到《学习OpenCV》中文版翻译者于士琪论坛和博客推荐。

作为Review参与2017年下半年上市的《学习OpenCV3》中文版的翻译工作。

点击下方二维码或阅读原文报名课程：