Course Code: machinelearning1
Duration: 7 hours
Course Outline:

内容提要      本讲座面向图像目标识别AI工业级应用项目相关人员，以AI工具（Tensorflow,pytorch等）应用而非纯数学原理的视角，在边讲解边实践的过程中，让大家能够快速掌握使用AI技术，解决本行业中的问题（例如：卫星图像中的多目标识别），推动行业的智能化和精准化。在应用AI技术不断解决行业问题的过程中反过来加深对AI技术（例如：机器学习、深度学习）及其背后的数学原理的理解。

为了使学员在短时间内能够快速掌握深度学习算法的工业级应用，建议在培训开始之前，大家自行阅读《机器学习算法》前9章内容，以对各种算法有一个大致的了解。

讲座大纲

  1. 人工智能、深度学习与目标检测
    1. 人工智能简介
      1. AI发展简史
      2. AI、机器学习（ML）以及深度学习（DL）的关系
    2. 深度学习简介
      1. 神经网络（NN）
      2. 深度神经网络（DNN）
      3. 深度卷积神经网（CNN）
    3. 目标检测
      1. 目标检测算法发展简史
      2. 深度学习目标检测算法
    4. 迁移学习简介
      1. 训练深度学习模型依赖大数据
      2. 大数据造成的问题
      3. 迁移学习
      4. TensorFlow 预训练模型库
  1. 搭建深度学习开发环境
    1. 深度学习训练所需要的硬件
      1. 显卡选型
      2. AI训练“服务器”
    2.  深度学习开发环境所需软件
      1. 简介与安装Python 和 Anaconda简介
      2. PyCharm IDE 简介与安装
      3. 安装TensorFlow/Pytorch等AI框架
      4. 安装Git工具
      5. 安装Tensorflow Object Detection API 框架
      6. 安装COCO API 等
      7. 简介与安装LabelImg
  1. 训练模型
    1. Tensorflow Ojbect Detection API 软件框架简介
    2. 使用Tensorflow 预训练模型
      1. 如何选择预训练模型
      2. 预训练模型的文件构成
      3. 一个典型的深度学习训练操作流程
    3. 准备训练图片数据集
      1. Kaggle数据集下载流程
      2. 训练图片的数量问题
      3. 训练图片的样本不平衡问题
    4. 使用 LabelImg 标注图片
      1. LabelImg简介
      2. 标注图片项目文件结构
      3. 标注图片
      4. 标注文件（*.XML）简介
      5. 建立验证图片数据集
      6. 建立测试图片数据集
    5. 依据标注类型创建标签映射文件
    6. 创建Tensorflow TFRecord文件
      1. XML与CSV文件转换
      2. CSV到tfrecord转换
    7. 修改预训练模型的配置文件
      1. 预训练模型的配置文件
      2. 配置文件的结构
      3. 修改COCO配置文件
    8. 训练模型
    9. 使用TensorBoard 观察训练过程
    10. 评估训练好的模型
    11. 导出训练好模型的冻结图
    12. 用训练好的模型做目标检测
    13. 用Python程序一键训练模型
  1. 优化并部署AI模型
    1. OpenVINO 工具套件
    2. OpenVINO 典型开发流程
    3. 安装OpenVINO 工具套件
    4. 安装Cmake 和Visual Studio 2017
    5. 安装硬件驱动
      1. 显卡驱动
    6. 运行演示程序
    7. OpenVINO AI 推理计算Python范例
  1.  进一步提升AI推理计算性能
    1. 性能评价指标
    2. 同步和异步模式
      1. 同步模式范例
      2. 异步模式范例
    3. 多设备和异构插件
      1. 异构插件
      2. 多设备插件
  1. 工业领域AI图像目标识别应用范例
    1. 光学字符识别范例
    2. 垃圾瓶自动分选范例
    3. 农作物病虫害自动识别范例
    4. 深度学习外观缺陷检测范例