AI 顯然是最近幾年非常火的一個新技術方向，從幾年前大家認識到 AI 的能力，到現在產業裏已經在普遍的探討 AI 如何落地了。
我們可以預言未來在很多的領域，很多的行業，AI 都會在裏邊起到重要的作用。
隨着AI的不斷持續火熱，越來越多的人才湧入進來，但我發現一個行業現象：
人才短缺，工程師過剩。
目前在商業中有所應用，而且能夠創收的只有搜索推薦和計算機視覺，因此，這兩個方向的人力缺口很大，尤其是計算機視覺。
前兩年校招時可以看到，互聯網、IT、生物醫藥、汽車安防等等行業，幾乎都會有計算機視覺的崗位。
所以，很多其他方向的同學開始紛紛轉向，隨着大潮流投入計算機視覺這個方向，爲什麼這麼多人投入計算機視覺方向？我認爲有以下幾個原因：
其他的暫且不說，就着重的說一下入門容易和模型成熟這兩點。
看吳恩達《機器學習》《深度學習》課程，學一點機器學習的知識。
讀幾篇CV模型的文章，瞭解一下經典的Alexnet、R-CNN系列、YOLO等。
在github上找幾個tensorflow、pytorch實現上述模型的開源代碼。
下載VOC、ImageNet、COCO、kaggle等數據集。
按照開源代碼中的Readme準備一下數據集，跑一下結果。
但好多初學者學了兩個月、跑了幾次結果後就認爲已經入行CV了，其實不然，這裏面有一個需要注意的問題：計算機視覺屬於圖像處理的範疇，而很多人卻把它當成機器學習來看待。
然而實際上幾乎80%的CV的從業者都沒有從頭至尾深入的學習圖像處理方面的知識。
現在有了深度學習，不需要人爲提取特徵了，所以很多人不再關注圖像底層的信息，而是直接越過這個根基去搭建模型，我覺得這是一個誤區。
不同領域的圖像，例如OCT、MR、遙感、自然圖像等等，有着巨大的特徵差異
，對這些特徵差異性都不瞭解，怎麼在搭建模型之後對精度進行提升和改進呢？怎麼在原來模型的基礎上做一些改變呢？
因此，我認爲好好學習一下圖像預處理、後處理的知識對CV有着至關重要的作用，例如圖像去噪、分割、增強、增廣等等。
然而網上很多教程也比較碎片，鑑於此，整理一套
卷積神經網絡、目標檢測、OpenCV，從檢測模型教學逐步深入，幫你輕鬆掌握目標檢測
，輕鬆提升CV算法核心能力。
上次已經給大家推薦過一次，但微信有限制每天只能加100個人，很多人反饋沒有領到，這次又申請到了100個名額，
速度領取，手慢無！
該視頻出品人是王小天，目前就職於BAT之一，AI算法高級技術專家，法國TOP3高校雙碩（計算機科學和數學應用雙碩士）畢業。
他在人工智能和芯片領域發表10餘篇論文，具有深厚的學術背景和豐富的項目及業務落地經驗。
工作期間主要
負
責人工智能業務線CV與NLP相關算法工作
，推進人機混合智能、語義分割、機器翻譯、虹膜識別等模塊的核心算法研究與優化。
對圖像分類、物體檢測、目標跟蹤、自動駕駛、計算機體系結構等有深入的研究。
他
兼具理論與實戰落地經驗，深知初學者學習痛點。
說實話，這樣資歷的人，很難得。
這份教程是他8年人工領域實戰經驗的凝練，通過講解和實戰操作，讓你能做到獨立搭建和設計卷積神經網絡（包括主流分類和檢測網絡），從檢測模型教學逐步深入，幫你輕鬆掌握目標檢測，並進行神經網絡的訓練和推理解決各種CV問題。
他對學習者的建議：計算機視覺的提升不在於搭建模型，而在於不斷調優、改進過程中積累的經驗。
我們該怎麼針對不同領域的圖像設置不同的參數？其中包括卷積核大小、網絡架構、初始權重等等，不可能拿到一個模型，既適合醫學圖像，又適合人臉識別，這其中就需要n次從70%的精度調到95%以上中積累出經驗。
而很多CV從業者覺得搭建出模型就告一段落，反反覆覆用不同的方式去搭建模型，先是tensorflow搭建完用pytorch搭，pytorch完事後用mxnet再來一遍，Python搭完用c/c++搭，但是至始至終沒在精度和經驗方面做出前進。
由於工作需要，這份教程我本人也在學習中，雖然已經從事這個行業多年，再看這份教程的時候，仍然能查漏補缺，收穫滿滿，我相信不管是AI入門，還是已經具備了一定的工作經驗，這份學習資料，都值得你去認真學習研究。
所有以上相關的的內容全部都已經打包好了，彙總成了一份百度雲的鏈接，小貼心之處是怕有的兄弟沒有買百度雲會員的朋友，能用2MB+/S的速度下載，還特地給大家準備了下載工具。
本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。
