-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習圖像識別技術:基于TensorFlow Object Detection API和OpenVINO? 工具套件

( 簡體 字)
作者:莊建;張晶;許鈺雯類別:1. -> 程式設計 -> 深度學習
   2. -> 教材 -> 數位影像處理
譯者:
出版社:機械工業出版社深度學習圖像識別技術:基于TensorFlow Object Detection API和OpenVINO? 工具套件 3dWoo書號: 52553
詢問書籍請說出此書號!

缺書
NT售價: 445

出版日:3/1/2020
頁數:270
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111645986
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書首先講述了什么是人工智能、深度學習、卷
積神經網絡、目標檢測以及遷移學習的概念,接著基
于TensorFlow Object Detection API框架詳述了如
何從零開始搭建深度學習目標檢測應用的開發環境,
如何訓練自己的目標檢測模型,然后基于Open VINO
工具套件詳述了如何優化模型,部署模型以及用C++
和Python開發用戶應用程序。最后通過工業光學字符
自動識別、垃圾塑料瓶自動分類、植物病害自動識別
和工業產品外觀瑕疵檢測這4個完整的深度學習目標檢
測工程案例來幫助讀者加深深度學習圖形檢測的認識
和理解。
本書適合從事AI行業相關技術的工程師閱讀,也
適合打算進入AI行業的大中專院校的學生學習參考。
目錄:


前言
第1章 人工智能、深度學習與目標檢測
1.1 人工智能簡介
1.1.1 什么是人工智能
1.1.2 人工智能發展簡史
1.1.3 人工智能與深度學習的關系
1.2 深度學習簡介
1.2.1 神經網絡
1.2.2 神經元
1.2.3 深度神經網絡
1.2.4 深度卷積神經網絡
1.3 目標檢測
1.3.1 目標檢測算法發展簡史
1.3.2 深度學習目標檢測算法
1.4 遷移學習簡介
1.4.1 訓練深度學習模型依賴大數據
1.4.2 大數據造成的問題
1.4.3 遷移學習
1.4.4 TensorFlow預訓練模型庫
1.5 本章小結
第2章 搭建深度學習開發環境
2.1 深度學習訓練所需的硬件
2.1.1 英偉達顯卡選型
2.1.2 英偉達顯卡驅動安裝
2.1.3 測試驅動程序安裝
2.1.4 設置英特爾?集成顯卡為系統主顯示輸出
2.1.5 幻影峽谷:便攜式AI訓練“服務器
2.2 深度學習開發環境所需的軟件
2.3 安裝Python和Anaconda
2.3.1 Python和Anaconda簡介
2.3.2 下載并安裝Anaconda
2.3.3 測試Anaconda安裝
2.3.4 配置Anaconda軟件包下載服務器
2.3.5 配置虛擬環境tf_gpu
2.3.6 Anaconda的進階學習
2.4 安裝Visual Studio Code
2.4.1 Visual Studio Code簡介
2.4.2 安裝
2.4.3 在Visual Studio Code中編輯Python代碼
2.4.4 在Visual Studio Code中運行Python代碼
2.4.5 在Visual Studio Code中調試Python代碼
2.4.6 在Visual Studio Code安裝Pylint
2.4.7 在Visual Studio Code中一鍵美化Python代碼
2.5 安裝TensorFlow
2.5.1 TensorFlow簡介
2.5.2 下載并安裝
2.5.3 測試安裝
2.5.4 pip install 與 conda install
2.6 安裝Git工具
2.6.1 Git簡介
2.6.2 下載并安裝
2.6.3 測試安裝
2.7 安裝TensorFlow Object Detection API框架
2.7.1 TensorFlow Object Detection API簡介
2.7.2 下載并安裝
2.7.3 安裝依賴的python軟件包
2.7.4 配置環境變量
2.7.5 安裝COCO API
2.7.6 編譯proto文件
2.7.7 測試安裝
2.8 安裝LabelImg
2.8.1 LabelImg簡介
2.8.2 下載并安裝
2.8.3 測試安裝
2.9 本章小結
第3章 訓練模型
3.1 TensorFlow Object Detection API軟件框架簡介
3.2 使用TensorFlow預訓練模型
3.2.1 如何選擇預訓練模型
3.2.2 預訓練模型的文件構成
3.2.3 一個典型的深度學習訓練流程
3.3 準備圖片:下載貓狗數據集
3.3.1 Kaggle數據集下載流程
3.3.2 訓練圖片的數量問題
3.3.3 訓練圖片的樣本不平衡問題
3.4 使用LabelImg標注圖片
3.4.1 LabelImg簡介
3.4.2 建立貓狗項目文件夾結構
3.4.3 標注圖片
3.4.4 標注文件(*.xml)簡介
3.4.5 復制10%的數據到eval文件夾
3.4.6 復制數據到test文件夾
3.5 依據標注類型創建標簽映射文件
3.6 創建TensorFlow TFRecord文件
3.6.1 將*.xml文件轉換為*.csv文件
3.6.2 將*.csv文件轉換為*.tfrecord文件
3.7 修改預訓練模型的配置文件
3.7.1 預訓練模型的配置文件
3.7.2 配置文件的結構
3.7.3 修改ssd_inception_v2_coco.config配置文件
3.8 訓練模型
3.9 使用TensorBoard觀察訓練過程
3.9.1 什么是TensorBoard
3.9.2 TensorBoard的使用方法
3.10 評估訓練好的模型
3.11 導出訓練好模型的凍結圖
3.11.1 檢查點文件
3.11.2 凍結TensorFlow模型
3.12 用訓練好的凍結圖模型做目標檢測
3.13 用Python程序一鍵訓練模型
3.13.1 為新項目一鍵創建文件夾結構
3.13.2 一鍵訓練模型
3.14 本章小結
第4章 優化并部署模型
4.1 OpenVINO工具套件簡介
4.2 OpenVINO典型開發流程
4.3 安裝OpenVINO工具套件
4.3.1 版本選擇
4.3.2 系統要求
4.3.3 下載并安裝OpenVINO工具套件
4.4 安裝Cmake
4.5 安裝Microsoft Visual Studio
4.6 安裝硬件驅動
4.6.1 英特爾?顯卡驅動
4.6.2 英特爾?神經計算棒二代驅動
4.6.3 英特爾?視覺計算加速卡驅動
4.7 設置環境變量
4.8 運行演示程序
4.8.1 demo_benchmark_app.bat
4.8.2 demo_security_barrier_camera.bat
4.8.3 demo_squeezenet_download_convert_run.bat
4.9 編譯并運行Inference Engine范例和演示程序
4.9.1 編譯samples文件夾中的范例
4.9.2 編譯demos文件夾中的范例
4.9.3 從Open Model Zoo中下載預訓練模型
4.9.4 下載英特爾?范例視頻
4.9.5 運行預訓練模型
4.10 使用Model Optimizer優化模型
4.10.1 轉換TensorF
序: