熬了几个大夜，学完一套985博士总结的「卷积神经网络、目标检测、OpenCV」学习笔记（20G高清/...

AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。

我们可以预言未来在很多的领域，很多的行业，AI 都会在里边起到重要的作用。

随着AI的不断持续火热，越来越多的人才涌入进来，但我发现一个行业现象：人才短缺，工程师过剩。

目前在商业中有所应用，而且能够创收的只有搜索推荐和计算机视觉，因此，这两个方向的人力缺口很大，尤其是计算机视觉。

 

前两年校招时可以看到，互联网、IT、生物医药、汽车安防等等行业，几乎都会有计算机视觉的岗位。

 

所以，很多其他方向的同学开始纷纷转向，随着大潮流投入计算机视觉这个方向，为什么这么多人投入计算机视觉方向？我认为有以下几个原因：

 

• 入门容易

• 模型成熟

• 人才缺口大

• 热度高，名气大

 

其他的暂且不说，就着重的说一下入门容易和模型成熟这两点。

 

目前入门CV的常用套路就是：

 

1. 看吴恩达《机器学习》《深度学习》课程，学一点机器学习的知识。

2. 读几篇CV模型的文章，了解一下经典的Alexnet、R-CNN系列、YOLO等。

3. 在github上找几个tensorflow、pytorch实现上述模型的开源代码。

4. 下载VOC、ImageNet、COCO、kaggle等数据集。

5. 按照开源代码中的Readme准备一下数据集，跑一下结果。

但好多初学者学了两个月、跑了几次结果后就认为已经入行CV了，其实不然，这里面有一个需要注意的问题：计算机视觉属于图像处理的范畴，而很多人却把它当成机器学习来看待。

然而实际上几乎80%的CV的从业者都没有从头至尾深入的学习图像处理方面的知识。

现在有了深度学习，不需要人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。

 

不同领域的图像，例如OCT、MR、遥感、自然图像等等，有着巨大的特征差异，对这些特征差异性都不了解，怎么在搭建模型之后对精度进行提升和改进呢？怎么在原来模型的基础上做一些改变呢？

 

因此，我认为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用，例如图像去噪、分割、增强、增广等等。

然而网上很多教程也比较碎片，鉴于此，整理一套卷积神经网络、目标检测、OpenCV，从检测模型教学逐步深入，帮你轻松掌握目标检测，轻松提升CV算法核心能力。

（资料内容过多，仅截取部分）