Course Code: machinelearning1
Duration: 7 hours
Course Outline:

內容提要      本講座面向圖像目標識別AI工業級應用項目相關人員，以AI工具（Tensorflow,pytorch等）應用而非純數學原理的視角，在邊講解邊實踐的過程中，讓大家能夠快速掌握使用AI技術，解決本行業中的問題（例如：衛星圖像中的多目標識別），推動行業的智能化和精准化。在應用AI技術不斷解決行業問題的過程中反過來加深對AI技術（例如：機器學習、深度學習）及其背後的數學原理的理解。

爲了使學員在短時間內能夠快速掌握深度學習算法的工業級應用，建議在培訓開始之前，大家自行閱讀《機器學習算法》前9章內容，以對各種算法有一個大致的了解。

講座大綱

  1. 人工智能、深度學習與目標檢測
    1. 人工智能簡介
      1. AI發展簡史
      2. AI、機器學習（ML）以及深度學習（DL）的關系
    2. 深度學習簡介
      1. 神經網絡（NN）
      2. 深度神經網絡（DNN）
      3. 深度卷積神經網（CNN）
    3. 目標檢測
      1. 目標檢測算法發展簡史
      2. 深度學習目標檢測算法
    4. 遷移學習簡介
      1. 訓練深度學習模型依賴大數據
      2. 大數據造成的問題
      3. 遷移學習
      4. TensorFlow 預訓練模型庫
  1. 搭建深度學習開發環境
    1. 深度學習訓練所需要的硬件
      1. 顯卡選型
      2. AI訓練“服務器”
    2.  深度學習開發環境所需軟件
      1. 簡介與安裝Python 和 Anaconda簡介
      2. PyCharm IDE 簡介與安裝
      3. 安裝TensorFlow/Pytorch等AI框架
      4. 安裝Git工具
      5. 安裝Tensorflow Object Detection API 框架
      6. 安裝COCO API 等
      7. 簡介與安裝LabelImg
  1. 訓練模型
    1. Tensorflow Ojbect Detection API 軟件框架簡介
    2. 使用Tensorflow 預訓練模型
      1. 如何選擇預訓練模型
      2. 預訓練模型的文件構成
      3. 一個典型的深度學習訓練操作流程
    3. 准備訓練圖片數據集
      1. Kaggle數據集下載流程
      2. 訓練圖片的數量問題
      3. 訓練圖片的樣本不平衡問題
    4. 使用 LabelImg 標注圖片
      1. LabelImg簡介
      2. 標注圖片項目文件結構
      3. 標注圖片
      4. 標注文件（*.XML）簡介
      5. 建立驗證圖片數據集
      6. 建立測試圖片數據集
    5. 依據標注類型創建標簽映射文件
    6. 創建Tensorflow TFRecord文件
      1. XML與CSV文件轉換
      2. CSV到tfrecord轉換
    7. 修改預訓練模型的配置文件
      1. 預訓練模型的配置文件
      2. 配置文件的結構
      3. 修改COCO配置文件
    8. 訓練模型
    9. 使用TensorBoard 觀察訓練過程
    10. 評估訓練好的模型
    11. 導出訓練好模型的凍結圖
    12. 用訓練好的模型做目標檢測
    13. 用Python程序一鍵訓練模型
  1. 優化並部署AI模型
    1. OpenVINO 工具套件
    2. OpenVINO 典型開發流程
    3. 安裝OpenVINO 工具套件
    4. 安裝Cmake 和Visual Studio 2017
    5. 安裝硬件驅動
      1. 顯卡驅動
    6. 運行演示程序
    7. OpenVINO AI 推理計算Python範例
  1.  進一步提升AI推理計算性能
    1. 性能評價指標
    2. 同步和異步模式
      1. 同步模式範例
      2. 異步模式範例
    3. 多設備和異構插件
      1. 異構插件
      2. 多設備插件
  1. 工業領域AI圖像目標識別應用範例
    1. 光學字符識別範例
    2. 垃圾瓶自動分選範例
    3. 農作物病蟲害自動識別範例
    4. 深度學習外觀缺陷檢測範例