- 学习中
- 已学完
- 未学习
- 即将上线
计算机视觉开发编程基础
48课时62小时46分
| D1 Python入门 免费 | D2 变量和简单数据类型 免费 | D3 语句 免费 |
| D4 列表与元组 免费 | D5 字符串 免费 | D6 字典与集合 免费 |
| D7 函数 | D8 类与对象 | D9 封装 |
| D10 继承 | D11 多态 | D12 程序结构 |
| D13 异常 | D14 函数的重写与重载 | D15 迭代器与生成器 |
| D16 函数式编程 | D17 文件IO |
| D1 线性代数 | D2 Numpy库的介绍 |
| D1 Matplotlib基础 | D2 基本使用 | D3 绘制图形 |
| D4 Pandas基础 | D5 Series & DataFrame | D6 数据清洗与绘图 |
| D1 数据结构与算法基础 | D2 线性结构 | D3 树型结构 |
| D4 排序算法 | D5 查找算法 |
| D1 Git教程导学 | D2 Git教程练习 | D3 GitHub操作 |
| D4 Pycharm集成Git、GitHub和码云 |
| D1 PyQT5概念 | D2 创建PyQT5的第一个窗口 | D3 故宫介绍——通过两种方式实现 |
| D4 绘制注册界面，实现注册功能 | D5 图像显示 | D6 定时器-Qtimer的使用 |
| D7 进度条 QProgressBar | D8 PyQT的界面切换 | D9 记事本实现--QMainWindows |
| D10 文件浏览器、多媒体 | D11 多媒体的实现 | D12 事件 |
| D13 PyQT中多线程 | D14 打包PyQt5软件 |
计算机视觉基础开发核心课程
66课时68小时27分
| D1 为什么要学微积分、导数的含义、斜率的极值和极小值 | D2 常见的导数、不可微函数、导数的性质、切平面和偏导数、梯度 |
| D1 人工智能工具环境介绍 | D2 计算机眼中的图像 | D3 灰度实验 |
| D4 二值化 | D5 自适应二值化 | D6 形态学变换 |
| D7 图片颜色识别 | D8 图片颜色替换 | D9 ROI切割 |
| D10 图像缩放 | D11 图像镜像翻转 | D12 图像的仿射变换 |
| D13 图像校正 | D14 图像添加水印 | D15 图像噪点消除 |
| D16 图像梯度处理 | D17 图像边缘检测 | D18 绘制图像轮廓 |
| D19 凸包特征检测 | D20 图像轮廓特征查找 | D21 直方图均衡化 |
| D22 模板匹配 | D23 霍夫变换 | D24 图像亮度变换 |
| D1 MQTT库的介绍与3D场景的交互 | D2 自动驾驶简介 | D3 3D场景的介绍 |
| D4 获取3D场景的数据 | D5 透视变换 | D6 提取车道线 |
| D7 车道线拟合 | D8 车道线显示 | D9 车辆控制与自动驾驶 |
| D1 机器学习介绍与定义 | D2 KNN决策边界 | D3 距离计算方式 |
| D4 使用数学方法实现KNN | D5 前向传播与损失函数 | D6 反向传播的学习率与梯度下降 |
| D7 自求导的方法实现线性回归算法 | D8 深度学习框架PyTorch的tensor(1) | D9 深度学习框架PyTorch的tensor(2) |
| D10 基于PyTorch框架的线性回归原理 | D11 PyTorch技巧与模型查看 | D12 基于TensorFlow框架的线性回归 |
| D13 TensorFlow技巧与模型查看 | D14 基于PaddlePaddle框架的线性回归 | D15 PaddlePaddle技巧与模型查看 |
| D16 【项目】基于PyTorch的房价预测 | D17 【作业】基于PyTorch的鲍鱼年龄判定 | D18 【作业】基于sklearn共享单车租赁预测 |
| D1 概率与事件 | D2 生日问题与概率的反直觉、条件概率 | D3 贝叶斯与朴素贝叶斯 |
| D4 随机变量与离散分布 | D5 连续概率分布与数学概念 | D6 贝叶斯分类案例 |
| D7 贝叶斯多分类案例 |
| D1 曲线拟合与非线性化、阶跃函数 | D2 sigmoid、tanh、ReLU、Softmax激活函数 | D3 leaky ReLU、PReLU、ELU激活函数 |
| D4 极大似然估计与交叉熵损失函数 | D5 逻辑回归与二分类问题 | D6 逻辑回归项目实现与练习 |
计算机视觉深度开发核心课程
31课时28小时5分
| D1 全连接与链式求导法则 | D2 Softmax与交叉熵 | D3 优化器和优化方法 |
| D4 神经网络的可解释性与欠拟合 | D5 神经网络的过拟合 | D6 神经网络的正则化 |
| D7 神经网络的过拟合解决方案 | D8 深度学习回顾与任务 | D9 深度学习基础 |
| D10 知识回顾 |
| D1 计算机眼中的图像 | D2 卷积为什么能识别图像原理 | D3 卷积为什么能识别图像练习 |
| D4 池化为什么能增强特征 | D5 多通道卷积、偏置过程 | D6 CUDA与CuDNN安装 |
| D7 LeNet-5原理与算法基础 | D8 【项目】LeNet-5的手写体识别项目 | D9 分类算法的评估标准 |
| D10 简单入门项目-数字识别 | D11 视觉-CNN基础 |
| D1 图像识别的历史发展 | D2 AlexNet原理和结构 | D3 基于AlexNet的猫狗分类项目 |
| D4 VggNet原理和结构 | D5 GoogLeNet原理和结构 | D6 ResNet残差网络原理与结构 |
| D7 ResNet网络代码复现练习 | D8 MobileNetV1原理与结构 | D9 MobileNetV2原理与结构 |
| D10 MobileNetV3网络代码复现练习 |
计算机视觉实战进阶实战
50课时0小时0分
| D1 3D分拣场景介绍与数据通信 | D2 3D场景数据采集 | D3 使用分类算法训练数据集 |
| D4 网络fine-tuning:整个网络与某几层 | D5 3D场景分类算法项目部署 | D6 目标检测简介 |
| D7 目标检测的数据集-Pascal VOC | D8 目标检测的数据集-MS COCO | D9 目标检测的数据集-YOLO |
| D10 目标检测的评价指标 | D11 目标检测的挑战 | D12 R-CNN原理 |
| D13 Fast R-CNN原理 | D14 Faster R-CNN原理 | D15 SSD的原理与网络结构分析 |
| D16 YOLO简介与快速上手使用-预测篇 | D17 YOLO简介与快速上手使用-训练篇 | D18 YOLOV1的原理与网络结构 |
| D19 YOLOV2的原理与网络结构 | D20 YOLOV3的原理与网络结构 | D21 YOLOV4的原理与网络结构 |
| D22 YOLOV5的原理与网络结构 | D23 YOLOV5的使用与代码精讲-预测部分 | D24 YOLOV5的使用与代码精讲-网络搭建 |
| D25 YOLOV5的使用与代码精讲-训练部分 | D26 YOLOV8的原理与网络结构 | D27 3D场景检测算法项目部署 |
| D1 人脸识别项目功能演示 | D2 人脸识别项目整体框架介绍 | D3 人脸数据集的下载、标注与处理 |
| D4 快速使用YOLOV8训练一个人脸检测 | D5 远处人脸检测失利与数据集优化 | D6 FaceNet的原理详解 |
| D7 基于facenet的人脸向量化 | D8 数据库存储与相似性基础 | D9 人脸识别项目实现 |
| D10 基于PyQT5实现人脸录入功能 | D11 基于PyQT5实现人脸识别功能 | D12 基于PyQT5实现人脸数据库管理功能 |
| D1 Linux系统介绍 | D2 Windows环境-wsl2环境安装 | D3 Linux服务器连接 |
| D4 Ubuntu基本命令 |
| D1 CPU、GPU、NPU介绍 | D2 RKNPU介绍与发展 | D3 YOLO-COCO预训练模型转换 |
| D4 YOLO-COCO与训练模型板载部署 | D5 自定义模型转换和部署 | D6 RK3588算法部署接入3D场景 |
| D7 更快的推理：C++部署方案 |