当前以深度学习为基础的 AI 技术中，除了推荐系统，计算机视觉方面的应用是普及也能看到实际效果的领域。实际上，深度学习的崛起本身就是以卷积神经网络在图像识别应用上的惊人表现为开端，然后才开启了 AI 时代的大潮。计算机视觉方面的研究可大致分为图像分类、目标检测和图像分割等三大领域，而在其中实际应用广泛的，则是前两者：图像分类和目标检测。在本课程中，我们将从图像识别的原理开始，讨论卷积神经网络的工作原理和解决的问题，然后针对目标检测的两大典型流派 RCNN 系列和 YOLO 系列进行原理探讨和对比。最后我们会针对 Faster RCNN 和 YOLOv3 的具体模型，从代码实现入手，来学习它们具体是如何运作，并在此之上利用 Tensorflow Serving 实现一个目标识别的在线服务范例。

目标受众

• 对图像识别感兴趣但不喜欢看数学公式的应用开发工程师
• 对机器学习和深度学习概念有初步了解
• 理解 Python 代码

听众收益

1. 了解主流视觉目标识别算法原理；

2. 深入了解不同目标识别算法的代码结构和实现细节；

3. 真实生产环境中的目标识别 Web 服务架构和实现流程。

课程大纲

1. 深度学习在图像识别中的发展及现状；

2. 卷积神经网络和图像分类；

3. 目标识别：从 RCNN 到 Faster RCNN；

4. Faster RCNN 核心代码解析；

5. YOLO 的故事；

6. YOLOv3 核心代码解析；

7. 打造在线识别服务。