深度学习与计算机视觉实战（第2版）（微课版）

图书介绍

本书特色：1、理论与实战结合。本书以深度学习在计算机视觉的应用为主线，注重任务案例的学习，以深度学习常用技术与任务案例相结合的方式，介绍了使用深度学习TensorFlow框架实现深度学习视觉任务的主要方法。2、以项目任务为导向。本书从传统图像处理技术到深度学习视觉基础任务介绍，再到具体深度学习视觉任务实现，让读者明白如何利用所学知识来解决问题，从而真正理解并应用所学知识。3、注重启发式教学。本书大部分章节紧扣深度学习视觉任务需求展开，不堆积知识点，着重于思路的启发与解决方案的实施。通过对深度学习视觉任务介绍到实现的完成工作流程的体验，让读者真正理解并掌握深度学习视觉的相关技术。

本书保留原书特色的基础上，对教材进行了内容与代码的全面升级。第2版修订的主要内容如下：1、 将Python由Python 3.8.5升级为Python 3.12.7;将TensorFlow框架更换为Pytorch 2.2.2；将OpenCV更新至4.10.0.84。 2、全书目录结构由章节式改为项目式，并在每一章中新增了思维导图和素养目标。 3、项目1新增了近年的新技术和新应用领域的介绍，深度学习的发展历程拓展至2025年，并新增了Pycharm的TRAE插件的安装与配置的介绍。4、项目2更换了部分素材，对目录结构进行了优化，并对运行结果进行了更新。5、项目3新增了新算法的介绍，将YOLOv3更新为YOLOv10，并更新了全部的代码。6、项目4新增了技术选型步骤，并使用TRAE插件实现代码生成。7、项目5将算法由Faster R-CNN更换为YOLOv10，新增了技术选型步骤，并使用TRAE插件实现代码生成。8、项目6新增了技术选型步骤，并使用TRAE插件实现代码生成。9、项目7将算法由SRGAN更换为SR3，新增了技术选型步骤，并使用TRAE插件实现代码生成。

图书目录

项目1 概述

任务1.1 了解计算机视觉与深度学习
       【知识准备】
       1.1.1 计算机视觉
       1.1.2 深度学习
       1.1.3 计算机视觉的应用领域
任务1.2 熟悉计算机视觉相关Python库
       【任务描述】
       【知识准备】
       1.2.1 深度学习框架
       1.2.2 图像处理库
       【任务实现】
       1.2.3 配置Pycharm的AI编程插件
小结
课后习题

项目2 图像处理基本操作

任务2.1 读写图像
       【任务描述】
       【知识准备】
       2.1.1 常用图像类型
       2.1.2 读写图像的常用函数
       【任务实现】
       2.1.3 读入、显示与保存图像
任务2.2 图像颜色空间
       【任务描述】
       【知识准备】
       2.2.1 常用颜色空间简介
       【任务实现】
       2.2.2 转换图像的颜色空间
任务2.3 图像几何变换
       【任务描述】
       【知识准备】
       2.3.1 图像平移
       2.3.2 图像缩放
       2.3.3 图像旋转
       2.3.4 图像仿射
       【任务实现】
       2.3.5 对齐人脸图像
任务2.4 图像增强
       【任务描述】
       【知识准备】
       2.4.1 灰度级修正
       2.4.2 图像平滑
       2.4.3 图像锐化
       【任务实现】
       2.4.4 平滑与锐化人脸图像
小结
课后习题

项目3 深度学习视觉基础任务

任务3.1 数据准备
       【任务描述】
       【知识准备】
       3.1.1 数据来源
       3.1.2 数据标注工具
       3.1.3 数据预处理与增强
       【任务实现】
       3.1.4 对数据进行预处理
       3.2 卷积神经网络
       【任务描述】
       【知识准备】
       3.3.1 深度学习网络
       3.3.2 卷积神经网络的组成
       3.3.3 卷积神经网络的训练过程
       【任务实现】
       3.3.4 训练卷积神经网络
       3.4 图像分类
       【任务描述】
       【知识准备】
       3.4.1 图像分类简介
       3.4.2 图像分类经典算法
       【任务实现】
       3.4.3 训练图像分类网络
       3.5 目标检测
       【任务描述】
       【知识准备】
       3.5.1 目标检测简介
       3.5.2 目标检测经典算法
       【任务实现】
       3.5.3 训练目标检测网络
       3.6 图像分割
       【任务描述】
       【知识准备】
       3.6.1 图像分割简介
       3.6.2 图像分割经典算法
       【任务实现】
       3.6.3 训练图像分割网络
       3.7 图像生成
       【任务描述】
       【知识准备】
       3.7.1图像生成简介
       3.7.2图像生成经典算法
       【任务实现】
       3.7.3训练图像生成网络
小结
课后习题

项目4 基于FaceNet的人脸识别实战

任务4.1 了解人脸识别
       【知识准备】
       4.1.1 背景
       4.1.2 目标
       4.1.3 项目工程结构
任务4.2 使用AI辅助编程实现人脸识别
       【任务描述】
       【任务实现】
       4.2.1 技术选型
       4.2.2 人脸检测
       4.2.3 人脸对齐
       4.2.4 人脸特征提取
       4.2.5 人脸特征匹配
       4.2.6 结果分析
小结
课后习题

项目5 基于YOLOv10的目标检测实战

任务5.1 了解目标检测
       【知识准备】
       5.1.1 背景
       5.1.2 目标
       5.1.3 项目工程结构
任务5.2 使用AI辅助编程实现目标检测
       【任务描述】
       【任务实现】
       5.2.1 技术选型
       5.2.2 数据准备
       5.2.3 设置训练参数与环境检查
       5.2.4 构建YOLOv10网络与加载预训练模型
       5.2.5 定义损失函数
       5.2.6 训练网络
       5.2.7 结果分析
小结
课后习题

项目6 基于U-Net的城市道路场景分割实战

任务6.1 了解城市道路场景分割
       【知识准备】
       6.1.1 背景
       6.1.2 目标
       6.1.3 项目工程结构
任务6.2 使用AI辅助编程实现城市道路场景分割
       【任务描述】
       【任务实现】
       6.2.1 技术选型
       6.2.2 数据准备
       6.2.3 搭建U-Net网络
       6.2.4 定义损失函数
       6.2.5 训练网络
       6.2.6 结果分析
小结
课后习题

项目7 基于SR3扩散模型的图像超分辨率技术实战

任务7.1 了解超分辨率技术
       【知识准备】
       7.1.1 背景
       7.1.2 目标
       7.1.3 项目工程结构
任务7.2 使用AI辅助编程实现图像超分辨率
       【任务描述】
       【任务实现】
       7.2.1 技术选型
       7.2.2 数据准备
       7.2.3 搭建SR3模型
       7.2.4 定义损失函数
       7.2.5 训练网络
       7.2.6 结果分析
小结
课后习题