计算机视觉—YOLO+Transfomer多场景目标检测实战「已完结」

第1章 计算机视觉YOLO+Transfomer多场景目标检测课程导学/

[9.6M] 1-1计算机视觉-YOLO+Transformer多场景目标检测实战-导学

第2章 深度学习环境的搭建 – 三大系统全覆盖/

[ 12M] 2-1深度学习开发环境搭建-导学

[ 23M] 2-2申请阿里云的免费GPU和CPU资源

[ 13M] 2-3申请Kaggle的免费GPU和CPU资源

[7.2M] 2-4申请Google的免费GPU和CPU资源

[ 23M] 2-5打造自己的深度学习开发环境-硬件部分

[8.9M] 2-6打造自己的深度学习开发环境-软件部分(一)

[ 18M] 2-7打造自己的深度学习开发环境-软件部分(二)-Nvidia驱动的安装

[ 26M] 2-8打造自己的深度学习开发环境-软件部分(三)-miniconda与jupyter

[ 12M] 2-9打造自己的深度学习开发环境-软件部分(四)-使用Docker搭建环境

[ 19M] 2-10打造自己的深度学习开发环境-软件部分(五)-_实战_使用Docker

[ 16M] 2-11使用VSCode作为深度学习开发编辑器

[ 17M] 2-12使用Pycharm作为深度学习开发编辑器

[3.7M] 2-13本章总结

第3章 AI神器ChatGPT、Gemini、Copilot – 开启AI新纪元/

[6.1M] 3-1掌握多种AI工具-导学

[ 20M] 3-2代码生成工具-通义灵码与小浣熊

[ 16M] 3-3代码生成工具-Copilot

[ 11M] 3-4大语言模型助手-Kimi

[ 23M] 3-5大语言模型助手-NewBing

[ 16M] 3-6大语言模型助手-Gemini

[ 21M] 3-7大语言模型助手-Poe

[ 11M] 3-8大语言模型之提示词(一)

[ 18M] 3-9大语言模型之提示词(二)

[ 23M] 3-10大语言模型之提示词(三)

[ 15M] 3-11大语言模型之提示词(四)

[ 22M] 3-12大语言模型之提示词(五)

[6.5M] 3-13本章小结

第4章 Python语言基础知识 – Python起手式，打开AI大门/

[5.9M] 4-1Python语言基础知识-导学

[ 18M] 4-2Python语言基础知识-变量的定义与使用

[ 26M] 4-3Python语言基础知识-逻辑判断与优先级

[ 20M] 4-4Python语言基础知识-循环

[ 13M] 4-5Python语言基础知识-函数的定义与使用

[ 23M] 4-6Python语言基础知识-类与对象

[ 36M] 4-7Python语言基础知识-四种复合类型

[9.0M] 4-8Python语言基础知识-可变变量与不可变变量

[ 21M] 4-9Python语言基础知识-特有技术-切片

[ 14M] 4-10Python语言基础知识-其它特有技术

[ 33M] 4-11Pythony语言基础知识-NumPy库的使用

[ 27M] 4-12Python语言基础知识-MatPlotLib库的使用

[3.9M] 4-13Python语言基础知识-本章小结

第5章 经典计算机视觉核心技术与算法 – 重温经典，扎实AI根基/

[6.1M] 5-1经典计算机视觉核心技术与算法-导学

[6.5M] 5-2经典计算机视觉核心技术与算法-视觉的基本处理流程

[ 15M] 5-3经典计算机视觉核心技术与算法-OpenCV环境的搭建

[ 26M] 5-4经典计算机视觉核心技术与算法-通过OpenCV采集图像与视频

[ 13M] 5-5经典计算机视觉核心技术与算法-二值化

[ 16M] 5-6经典计算机视觉核心技术与算法-二值化背后的原理

[ 19M] 5-7经典计算机视觉核心技术与算法-Blur

[ 19M] 5-8经典计算机视觉核心技术与算法-Blur后面的原理

[ 13M] 5-9经典计算机视觉核心技术与算法-腐蚀操作

[4.7M] 5-10经典计算机视觉核心技术与算法-膨胀操作

[ 14M] 5-11经典计算机视觉核心技术与算法-开运算与闭运算

[ 12M] 5-12经典计算机视觉核心技术与算法-开运算与其它复杂运算背后的原理

[ 18M] 5-13经典计算机视觉核心技术与算法-查找图像轮廓

[9.3M] 5-14经典计算机视觉核心技术与算法-如何绘制轮廓

[ 13M] 5-15经典计算机视觉核心技术与算法-轮廓的面积与周长

[ 11M] 5-16经典计算机视觉核心技术与算法-ROI

[ 16M] 5-17经典计算机视觉核心技术与算法-边缘检测Canny

[5.8M] 5-18经典计算机视觉核心技术与算法-本章小结

第6章 人工智能必知必会的数学知识 – 数学不再枯燥，AI公式秒懂/

[ 10M] 6-1必知必会的数学知识-向量

[ 16M] 6-2必知必会的数学知识-向量的基本运算(加法与点乘)

[ 10M] 6-3必知必会的数学知识-运算-向量的基本运算(叉乘)

[ 10M] 6-4必知必会的数学知识-矩阵的基本运算

[ 14M] 6-5必知必会的数学知识-2D变换

[9.4M] 6-6必知必会的数学知识-齐次坐标

[9.0M] 6-7必知必会的数学知识-利用齐次坐标实现各种3D变换

[ 16M] 6-8必知必会的数学知识-求导

[8.4M] 6-9必知必会的数学知识-链式求导与偏导

[7.6M] 6-10必知必会的数学知识-张量

[3.5M] 6-11必知必会的数学知识-本章小结

第7章 深度学习必备的基础知识 – 从感知机到神经网络，一网打尽/

[6.1M] 7-1深度学习必备的基础知识-导学

[9.4M] 7-2深度学习必备的基础知识-人工智能、机器学习与深度学习的关系

[ 17M] 7-3深度学习必备的基础知识-神经元与神经网络

[ 16M] 7-4深度学习必备的基础知识-监督学习与无监督学习

[ 10M] 7-5深度学习必备的基础知识-数据集的划分

[ 16M] 7-6深度学习必备的基础知识-过拟合、欠拟合与代价函数

[ 19M] 7-7深度学习必备的基础知识-代价函数的意义

[9.1M] 7-8深度学习必备的基础知识-线性回归代价函数的导数

[ 19M] 7-9深度学习必备的基础知识-梯度下降

[9.4M] 7-10深度学习必备的基础知识-学习率

[ 14M] 7-11深度学习必备的基础知识-逻辑回归

[5.6M] 7-12深度学习必备的基础知识-sigmoid激活函数

[ 16M] 7-13深度学习必备的基础知识-逻辑回归的代价函数

[7.5M] 7-14深度学习必备的基础知识-逻辑回归的梯度下降

[ 16M] 7-15深度学习必备的基础知识-逻辑回归代价函数关于w和b偏导后的公式证明

[ 20M] 7-16深度学习必备的基础知识-深度神经网络与前向传播

[ 13M] 7-17深度学习必备的基础知识-多种激活函数

[ 13M] 7-18深度学习必备的基础知识-反向传播与计算图

[9.4M] 7-19深度学习必备的基础知识-前向传播与反向传播的完整过程

第8章 训练优化深度神经网络模型的方法 – 炼丹秘籍，模型调优不再玄学/

[8.2M] 8-1训练优化神经网络-导学

[ 17M] 8-2训练优化神经网络-向量化与矩阵化

[ 21M] 8-3训练优化神经网络-L2正则化

[6.5M] 8-4训练优化神经网络-Dropout

[ 10M] 8-5训练优化神经网络-数据归一化处理

[7.8M] 8-6训练优化神经网络-初始化权重参数

[9.4M] 8-7训练优化神经网络-全批量梯度下降

[7.9M] 8-8训练优化神经网络-随机梯度下降与小批量梯度下降

[ 12M] 8-9训练优化神经网络-参数优化

[ 16M] 8-10训练优化神经网络-BatchNormalization

第9章 实战-手写字的识别 – 你的第一个AI项目，成就感爆棚/

[5.5M] 9-1_实战_手写字识别-导学

[ 11M] 9-2_实战_手写字识别-Tensorflow与keras

[ 23M] 9-3_实战_手写字识别-加载mnist数据集

[ 13M] 9-4_实战_手写字识别-构造神经网络

[ 12M] 9-5_实战_手写字识别-编译神经网络

[ 11M] 9-6_实战_手写字识别-训练神经网络模型

[ 19M] 9-7_实战_手写字识别-优化神经网络

[4.2M] 9-8_实战_手写字识别-Pytorch的一点历史

[ 16M] 9-9_实战_-手写字识别-Pytorch加载数据集

[ 14M] 9-10_实战_手写字识别-Pytorch导入训练数据和测试数据

[ 20M] 9-11_实战_手写字识别-Pytorch构建神经网络

[ 18M] 9-12_实战_手写字识别-用Pytorch实现训练神经网络的逻辑

[ 14M] 9-13_实战_手写字识别-用Pytorch实现评估神经网路的逻辑

[ 13M] 9-14_实战_手写字识别-Pytorch训练和评估神经网络

[ 27M] 9-15_实战_手写字识别-模型与训练优化

[ 23M] 9-16_实战_手写字识别-模型的保存部署与使用

第10章 卷积神经网络 – 图像识别的利器，CNN深度剖析/

[ 10M] 10-1卷积神经网络CNN-导学

[6.5M] 10-2卷积神经网络CNN-卷积操作

[6.6M] 10-3卷积神经网络CNN-CNN的一些基本概念

[ 11M] 10-4卷积神经网络CNN-三维卷积与多核卷积

[5.9M] 10-5卷积神经网络CNN-CNN中的池化

@it资源网ukoou.com

[6.3M] 10-6卷积神经网络CNN-标准CNN神经网络

[ 11M] 10-7卷积神经网络CNN-Keras实现CNN神经卷积网络

[ 20M] 10-8卷积神经网络CNN-KerasCNN网络架构优化

[ 14M] 10-9卷积神经网络CNN-使用Pytorch实现标准CNN网络

[ 11M] 10-10卷积神经网络CNN-经典神经网络AlexNet

[ 11M] 10-11卷积神经网络CNN-经典神经网络VGGNet

[ 16M] 10-12卷积神经网络CNN-经典神经网络ResNet

第11章 数据增强 – 巧妇难为无米之炊，数据增强来帮忙/

[5.7M] 11-1目标检测算法与原理-导学

[ 14M] 11-2目标检测算法与原理-迁移学习的工作原理

[ 19M] 11-3目标检测算法与原理-Tensorflow实现迁移学习

[ 38M] 11-4目标检测算法与原理-Pytorch实现迁移学习

[ 48M] 11-5目标检测算法与原理-Tensorflow数据增强-图片的导入与显示

[ 36M] 11-6目标检测算法与原理-Tensorflow数据增强-基本变换操作

[ 48M] 11-7目标检测算法与原理-Tensorflow数据增强-高级裁剪

[ 49M] 11-8目标检测算法与原理-tensorflow数据增强-噪音增强

[ 29M] 11-9目标检测算法与原理-Pytorch数据增强-基本变换

[ 15M] 11-10目标检测算法与原理-Pytorch数据增强-基本裁剪

[ 33M] 11-11目标检测算法与原理-Pytorch数据增强-高级裁剪

[ 26M] 11-12目标检测算法与原理-Pytorch数据增强-噪音增强

[8.2M] 11-13目标检测算法与原理-目标检测数据集

[ 23M] 11-14目标检测算法与原理-下载VOC数据集

[ 19M] 11-15目标检测算法与原理-tensorflow+albumentations实现数据增强(一)

[ 21M] 11-16目标检测算法与原理-tensorflow+albumentations实现数据增强(二)

[ 14M] 11-17目标检测算法与原理-tensorflow+albumentations实现数据增强(三)

[ 18M] 11-18目标检测算法与原理-tensorflow+albumentations实现数据增强(四)

[ 27M] 11-19目标检测算法与原理-Pytorch+albumentations实现数据增强(一)

[ 14M] 11-20目标检测算法与原理-Pytorch+albumentations实现数据增强(二)

第12章 目标检测算法与原理：深度解析计算机视觉算法 – 掌握核心，从原理到实现/

[ 16M] 12-1目标检测的基本原理

[ 33M] 12-2Tensorflow实现最简单的单目标检测-加载数据

[ 23M] 12-3Tensorflow实现最简单的单目标检测-构建神经网络

[ 56M] 12-4Tensorflow实现最简单的单目标检测-构造训练数据

[ 15M] 12-5Tensorflow实现最简单的单目标检测-模型训练(一)

[ 19M] 12-6Tensorflow实现最简单的单目标检测-模型训练(二)

[ 33M] 12-7Tensorflow实现最简单的单目标检测-使用模型

[ 34M] 12-8Pytorch实现最简单的单目标检测-加载Dataset

[ 17M] 12-9Pytorch实现最简单的单目标检测-神经网络

[ 33M] 12-10Pytorch实现最简单的单目录检测-模型训练

[ 33M] 12-11Pytorch实现最简单的单目标检测-模型的使用

[ 21M] 12-12核心算法-滑动窗口

[ 15M] 12-13核心算法-AnchorBox

[ 12M] 12-14核心算法-AnchorBox的工作原理

[ 13M] 12-15目标检测的技术发展路线

[ 13M] 12-16双阶段目标检测模型-RCNN-FastRCNN与FasterRCNN

[ 13M] 12-17SelectiveSearch算法(一)

[ 19M] 12-18SelectiveSearch算法(二)

[ 23M] 12-19支持向量机

[ 14M] 12-20Faster-RCNN实现-RPN

[ 28M] 12-21Faster-RCNN实现-FasterRCNN类

[6.6M] 12-22Faste的-RCNN实现-为什么BBox的预测是线性回归

[ 15M] 12-23Faster-RCNN实现-AnchorBox的实现

[ 19M] 12-24Faster-RCNN实现-生成候选框

[ 23M] 12-25计算机视频核心算法-RoIPooling

[8.9M] 12-26计算机视觉核心算法-NMS

[ 10M] 12-27YOLO的整体架构

[6.0M] 12-28YOLO的输出

[ 13M] 12-29YOLO输出中位置信息的具体含义

[ 19M] 12-30YOLO输出中AnchorBox与IoU的作用

[ 15M] 12-31YOLOv1网络架构

[ 29M] 12-32YOLOv2网络架构

[ 24M] 12-33YOLOv3网络架构

[ 28M] 12-34YOLOv4及其以后的网络架构

[ 18M] 12-35YOLO损失函数

第13章 YOLO实战与应用 – 快速上手，打造你的专属目标检测器/

[ 14M] 13-1YOLO实战与应用-导学

[ 27M] 13-2YOLO实战与应用-命令行方式进行目标识别

[ 45M] 13-3YOLO实战与应用-编程方式进行目标识别（一）

[ 17M] 13-4YOLO实战与应用-编程方式进行目标识别（二）

[ 28M] 13-5YOLO实战与应用-进行实时目标识别

[ 15M] 13-6YOLO实战与应用-使用YOLO进行目标追踪

[ 25M] 13-7YOLO实战与应用-使用YOLO进行姿态评估

[ 17M] 13-8YOLO实战与应用-分割-分类与OBB

[ 19M] 13-9YOLO实战与应用-export与benchmark

第14章 YOLO高阶知识-训练与部署 – YOLO进阶之路，炼丹师的自我修养/

[6.9M] 14-1高阶-YOLO模型的训练与部署-导学

[ 13M] 14-2高阶-YOLO模型的训练与部署-火焰检测项目-获取数据集

[ 36M] 14-3高阶-YOLO模型的训练与部署-火焰检测项目-模型训练1

[ 15M] 14-4高阶-YOLO模型的训练与部署-火焰检测项目-模型训练2

[ 13M] 14-5高阶-YOLO模型的训练与部署-火焰检测项目-部署与测试

[6.0M] 14-6高阶-YOLO模型的训练与部署-车牌识别项目-采集数据

[ 23M] 14-7高阶-YOLO模型的训练与部署-车牌识别项目-数据标注1

[ 24M] 14-8高阶-YOLO模型的训练与部署-车牌识别项目-数据标注2

[ 40M] 14-9高阶-YOLO模型的训练与部署-车牌识别项目-模型训练

[ 22M] 14-10高阶-YOLO模型的训练与部署-[实战]车牌识别

第15章 注意力机制 – 解密Transformer的核心引擎，为CV进阶之路铺平道路/

[ 34M] 15-1注意力机制的实现

[ 12M] 15-2什么是注意力机制

[ 12M] 15-3注意力机制的一些细节

[4.5M] 15-4自注意力机制与注意力机制的区别

[4.3M] 15-5注意力机制中的注意力分数

[7.2M] 15-6注意力机制中的缩放因子

[ 13M] 15-7自注意力机制的具体操作过程

[7.6M] 15-8自注意力机制的矩阵化

第16章 手撕Transformer – 从CV到NLP，掌握AI界的“变形金刚”/

[ 17M] 16-1手撕Transformer-Transformer架构

[8.0M] 16-2手撕Transformer-Transformer的输入（一）

[ 19M] 16-3手撕Transformer-Transformer的输入（二）

[6.7M] 16-4手撕Transformer-编码器中的多头注意力机制

[ 13M] 16-5手撕Transformer-编解码器中的残差网络与层归一化

[ 14M] 16-6手撕Transformer-掩码注意力机制

[8.5M] 16-7手撕Transformer-解码器

第17章 计算机视觉YOLO+Transfomer多场景目标检测课程总结/

[ 20M] 17-1课程总结

资料代码/