从代码实现到算法落地，补齐 CV 开发的能力缺口

深度学习在计算机视觉领域的应用极为广泛，但很多学习者在掌握基础框架后，往往面临“懂原理却写不出完整项目”的困境。本课程的核心价值在于填补这一能力断层，它不局限于单一知识点，而是构建了一套从零到精通的系统化学习路径。课程严格遵循循序渐进的逻辑，将深度学习理论、框架使用与实战案例紧密结合，旨在帮助学习者建立完整的知识闭环。无论是准备进入 AI 行业的技术新人，还是希望拓展技能边界的开发工程师，这门课都能针对性地解决你在模型训练、数据预处理及场景应用中的实际痛点。

覆盖核心场景，建议按模块分阶段攻克

课程内容丰富，涉及几十个配套案例，全面覆盖了深度学习在计算机视觉中的核心应用场景。对于基础薄弱或初次接触深度学习的学习者，建议优先从数据使用、图像分类以及基础的图像分割模块入手，夯实数据处理和模型理解的基础。在掌握基本概念后，可进阶至目标检测、GAN 图像生成、人脸检测与识别等更具挑战性的专题。此外，视频分类与行为识别作为高难度应用场景，适合在具备一定模型设计经验后进行深入研习。课程还特别包含了模型分析与优化环节，这对于提升模型在实际生产环境中的表现至关重要，建议在学习完基础模型后重点复习，以完善对模型调优的理解。

学完能做什么，以及如何高效配合资料练习

完成本课程的学习后，你将能够独立进行深度学习模型的构建、训练与优化，并熟练应对图像分类、分割、检测及生成等多种视觉任务。更重要的是，你将具备将理论知识转化为实际代码的能力，能够针对特定业务场景设计合理的解决方案。为了最大化学习效果，建议充分利用课程配套的案例资源进行动手实践。不要仅停留在观看视频层面，而应尝试复现案例代码，并根据自身需求调整参数或替换数据集，通过反复练习来巩固对图像分割、目标检测等核心技术的掌握。同时，结合课程中的模型分析与优化部分，主动探索提升模型性能的方法，从而真正实现对深度学习技术的精通。

课程介绍

本课程来自有三AI学院，（高清完结版），是一门深度学习从入门到精通视频教程。课程覆盖内容广，涉及知识点多；从框架到模型，从理论到实战，应有尽有，循序渐进系统进阶。而且结合了几十个配套案例，全面覆盖深度学习各个核心应用场景，包含：数据使用、图像分类、图像分割、目标检测、图像生成GAN、模型分析、设计与优化、人脸图像检测与识别、视频分类与行为识别等等，带你从零直接到精通！人工智能:深度学习从入门到精通2022最新款，来就对了！

课程目录

├── 01 深度学习之Pytorch—入门及实战/
│ ├── 0-课程介绍
│ ├── 1-PyTorch简介
│ ├── 10.1-从零完成表情识别（项目简介）
│ ├── 10.2-从零完成表情识别（数据读取）
│ ├── 10.3-从零完成表情识别（模型搭建与训练）
│ ├── 10.4-从零完成表情识别（模型测试）
│ ├── 2.1-Windows系统下配置PyTorch环境
│ ├── 2.2-ubuntu系统下配置PyTorch环境
│ ├── 3.1-张量（上）
│ ├── 3.2-张量（下）
│ ├── 4-层结构基本介绍
│ ├── 5-网络结构搭建方法
│ ├── 6-经典分类网络介绍
│ ├── 7-优化器及损失函数
│ ├── 8.1-数据读取及增强（上）
│ ├── 8.2-数据读取及增强（下）
│ ├── 9-模型读取和加载
│ └── SimpleNet人脸表情识别代码.pdf
├── 02 深度学习之数据使用—理论实践篇/
│ ├── 0 课程介绍.ts
│ ├── 1 数据获取.ts
│ ├── 2 数据整理.ts
│ ├── 3 数据标注.ts
│ ├── 4 数据增强方法.ts
│ ├── 5.1 Pytorch图像分类数据增强实践-数据增强接口介绍.ts
│ ├── 5.2 Pytorch图像分类数据增强实践-实验结果.ts
│ ├── 6.1 数据增强开源库imgaug介绍.ts
│ ├── 6.2 数据增强开源库imgaug使用.ts
│ ├── 《深度学习之数据使用》直播01-自动化数据标注.ts
│ └── 深度学习之数据使用课程代码与数据.pdf
├── 03 深度学习之模型分析—理论实践篇/
│ ├── 0 课程介绍
│ ├── 1.1 模型可视化分析(结构篇）
│ ├── 1.2 模型可视化分析(权重篇)
│ ├── 1.3 模型可视化分析(反卷积篇)
│ ├── 1.4 模型可视化分析实践(反卷积篇)
│ ├── 1.5 模型可视化分析(激活热图篇)
│ ├── 1.6 模型可视化分析实践(激活热图篇)
│ ├── 2 模型复杂度分析
│ ├── 3 模型速度分析
│ └── 深度学习之模型分析代码.doc
├── 04 深度学习之图像分类—理论实践篇/
│ ├── 0 课程简介
│ ├── 02 深度学习之数据使用—理论实践篇/
│ ├── 1 图像分类基础
│ ├── 10.1 零样本分类理论
│ ├── 10.2 零样本图像分类参考资料（图文）/
│ ├── 11.1 血红细胞图像分类竞赛（内容简介）
│ ├── 11.10 血红细胞图像分类竞赛（TTA策略）
│ ├── 11.2 血红细胞图像分类竞赛（思路分析）
│ ├── 11.3 血红细胞图像分类竞赛（基础功能实现-数据集的统计分析）
│ ├── 11.4 血红细胞图像分类竞赛（基础功能实现-网络模型构建）
│ ├── 11.5 血红细胞图像分类竞赛（基础功能实现-训练）
│ ├── 11.6 血红细胞图像分类竞赛（学习率调整）
│ ├── 11.7 血红细胞图像分类竞赛（标签平滑）
│ ├── 11.8 血红细胞图像分类竞赛（知识蒸馏）
│ ├── 11.9 血红细胞图像分类竞赛（投票策略）
│ ├── 2 多类别图像分类理论
│ ├── 3.1 从零完成表情识别实践（项目背景）
│ ├── 3.2 从零完成表情识别实践（数据处理与读取）
│ ├── 3.3 从零完成表情识别实践（模型搭建与训练）
│ ├── 3.4 从零完成表情识别实践（模型测试）
│ ├── 4.1 简单图像分类数据增强实战（接口简介）
│ ├── 4.2 简单图像分类数据增强实战（实验比较）
│ ├── 5.1 细粒度图像分类理论
│ ├── 5.2 细粒度图像分类参考资料（图文）/
│ ├── 6.1 鸟类细粒度图像分类实战（项目简介）
│ ├── 6.2 鸟类细粒度图像分类实战（数据读取）
│ ├── 6.3 鸟类细粒度图像分类实战（模型搭建与训练）
│ ├── 7.1 多标签图像分类理论
│ ├── 7.2 多标签图像分类参考资料（图文）/
│ ├── 8.1 生活用品多标签图像分类实战（多标签分类简介及算法简介）
│ ├── 8.2 生活用品多标签图像分类实战（数据集制作及读取）
│ ├── 8.3 生活用品多标签图像分类实战（训练）
│ ├── 8.4 生活用品多标签图像分类实战（测试）
│ ├── 9.1 半监督与无监督分类理论
│ ├── 9.2 半监督与无监督图像分类参考资料（图文）/
│ ├── 《深度学习之图像分类》直播答疑01
│ ├── 《深度学习之图像分类》直播答疑02
│ ├── 《深度学习之图像分类》直播答疑03
│ ├── 《深度学习之图像分类》直播答疑04
│ └── 深度学习之图像分类课程-代码和数据
├── 05 深度学习之图像分割—理论实践篇/
│ ├── 0_课程内容
│ ├── 1_图像分割基础
│ ├── 2.1_语义分割基础模型
│ ├── 2.2_语义分割模型改进
│ ├── 2.3_语义分割参考资料（图文）/
│ ├── 3.1_简单模型嘴唇分割_数据获取与整理
│ ├── 3.2_简单模型嘴唇分割_模型搭建
│ ├── 3.3_简单模型嘴唇分割_模型训练
│ ├── 3.4_简单模型嘴唇分割_模型测试
│ ├── 4.1_缺陷分割实战_内容介绍
│ ├── 4.2_缺陷分割实战_模型搭建(理论)
│ ├── 4.3_缺陷分割实战_模型搭建(代码)
│ ├── 4.4_缺陷分割实战_数据读取
│ ├── 4.5_缺陷分割实战_模型训练
│ ├── 4.6_缺陷分割实战_模型测试
│ ├── 5.1_弱监督语义分割基础
│ ├── 5.2_弱监督语义分割模型
│ ├── 5.3_弱监督语义分割参考资料（图文）/
│ ├── 6.1_Image Matting基础
│ ├── 6.2_基于Trimap预测的Image Matting模型
│ ├── 6.3_Image Matting模型改进（粗标签篇）
│ ├── 6.4_Image Matting参考资料（图文）/
│ ├── 7.1_人像Image Matting实战_模型简介
│ ├── 7.2_人像Image Matting实战_数据准备与读取
│ ├── 7.3_人像Image Matting实战_模型定义
│ ├── 7.4_人像Image Matting实战模型_训练与测试
│ ├── 8.1_实例分割基础
│ ├── 8.2_实例分割基础模型
│ ├── 8.3_二阶段实例分割算法
│ ├── 8.4_一阶段实例分割算法
│ ├── 8.5_实例分割参考资料（图文）/
│ ├── 9.1_实例分割实战_数据读取
│ ├── 9.2_实例分割实战_评价指标编写
│ ├── 9.3_实例分割实战_网络模型搭建
│ └── 图像分割课程代码及数据.doc
├── 06 深度学习之目标检测—理论实践篇/
│ ├── 0-课程简介
│ ├── 1.1-问题定义
│ ├── 1.2-数据集
│ ├── 1.3-评价指标
│ ├── 1.4-脑图时刻
│ ├── 1.5-算法发展总览
│ ├── 1.6-传统检测算法流程
│ ├── 1.7-基于深度学习的目标检测流程和分类
│ ├── 1.8-(后)脑图时刻
│ ├── 1.9-anchor-base算法结构
│ ├── 2.1-RCNN详解
│ ├── 2.2-SPPNet详解
│ ├── 2.3-Fast RCNN详解
│ ├── 2.4-Faster RCNN详解
│ ├── 2.5-one-stage算法引入+脑图时刻
│ ├── 2.6 二阶段目标检测参考资料（图文）/
│ ├── 3.1-YOLOv1讲解
│ ├── 3.2-YOLOv2讲解
│ ├── 3.3-YOLOv3讲解
│ ├── 3.4-YOLOv4讲解
│ ├── 3.5-YOLOv5讲解
│ ├── 3.6 一阶段目标检测参考资料（图文）/
│ ├── 4.1-Anchor free引入
│ ├── 4.2-Densebox详解（上）
│ ├── 4.2-Densebox详解（下）
│ ├── 4.2-Densebox详解（中）
│ ├── 4.3-CornerNet详解（上）
│ ├── 4.3-CornerNet详解（下）
│ ├── 4.3-CornerNet详解（中）
│ ├── 4.4-CenterNet详解（上）
│ ├── 4.4-CenterNet详解（下）
│ ├── 4.4-CenterNet详解（中）
│ ├── 4.7-Anchor-free参考资料（图文）/
│ ├── 5.0-YOLO v3实战课程介绍
│ ├── 5.1-YOLO v3原理回顾
│ ├── 5.2-工业缺陷检测数据集介绍
│ ├── 5.3.1-主干网络代码讲解
│ ├── 5.3.2-Neck+Head部分代码讲解(上)
│ ├── 5.3.2-Neck+Head部分代码讲解(下)
│ ├── 5.3.3-解码过程讲解
│ ├── 5.3.4-前向推理代码讲解
│ ├── 5.3.5-训练过程讲解
│ ├── 6.1-FasterRCNN原理回顾
│ ├── 6.2-数据集介绍
│ ├── 6.3.1-主干网络代码讲解
│ ├── 《深度学习之目标检测》直播答疑01
│ ├── 《深度学习之目标检测》直播答疑02
│ └── 《深度学习之目标检测》直播答疑03
├── 07 深度学习之模型设计—理论实践篇/
│ ├── 0_课程介绍
│ ├── 1.1.0_经典浅层卷积网络设计_简介
│ ├── 1.1.1_Neocognitron
│ ├── 1.1.2_TDNN
│ ├── 1.1.3_Cresceptron
│ ├── 1.1.4_LeNet
│ ├── 1.2.0_网络深度对分类模型的影响_简介
│ ├── 1.2.1_经典的网络AlexNet
│ ├── 1.2.2_更深的网络VGGNet
│ ├── 1.2.3_梯度问题与ResNet
│ ├── 1.3.1_ResNet垃圾分类任务介绍
│ ├── 1.3.2_ResNet垃圾分类数据集预处理
│ ├── 1.3.3_ResNet垃圾分类数据读取
│ ├── 1.3.4_ResNet垃圾分类模型训练
│ ├── 1.3.5_ResNet垃圾分类模型测试
│ ├── 1.3.6_ResNet垃圾分类模型调优
│ ├── 2.1.0_经典模型的宽度设计思想_简介
│ ├── 2.1.1_通道数量调整
│ ├── 2.1.2_多分支网络结构
│ ├── 2.1.3_通道补偿技术
│ ├── 2.2.0_网络宽度对模型性能影响_简介
│ ├── 2.2.1_多通道的网络Inception-v1
│ ├── 2.2.2_拓宽的残差网络ResNeXt
│ ├── 2.3.1_InceptionNet花卉分类实战-项目简介
│ ├── 2.3.2_InceptionNet花卉分类实战-模型搭建（Inception V1）
│ ├── 2.3.3_InceptionNet花卉分类实战-模型搭建（Inception V2V3）
│ ├── 2.3.4_InceptionNet花卉分类实战-模型搭建（Inception V4）
│ ├── 2.3.5_InceptionNet花卉分类实战-模型训练
│ ├── 2.3.6_InceptionNet花卉分类实战-模型测试
│ ├── 3.1.1_STN
│ ├── 3.1.2_DynamicCapacityNetworks
… 其余 279 项略，目录共 479 项