深度學(xué)習(xí)圖像識(shí)別技術(shù)：基于TensorFlow和OpenVINO工具套件

序
前言

第1章 人工智能、深度學(xué)習(xí)與目標(biāo)檢測(cè)
1.1 人工智能簡(jiǎn)介
1.1.1 什么是人工智能
1.1.2 人工智能發(fā)展簡(jiǎn)史
1.1.3 人工智能與深度學(xué)習(xí)的關(guān)系
1.2 深度學(xué)習(xí)簡(jiǎn)介
1.2.1 神經(jīng)網(wǎng)絡(luò)
1.2.2 神經(jīng)元
1.2.3 深度神經(jīng)網(wǎng)絡(luò)
1.2.4 深度卷積神經(jīng)網(wǎng)絡(luò)
1.3 目標(biāo)檢測(cè)
1.3.1 目標(biāo)檢測(cè)算法發(fā)展簡(jiǎn)史
1.3.2 深度學(xué)習(xí)目標(biāo)檢測(cè)算法
1.4 遷移學(xué)習(xí)簡(jiǎn)介
1.4.1 訓(xùn)練深度學(xué)習(xí)模型依賴大數(shù)據(jù)
1.4.2 大數(shù)據(jù)造成的問題
1.4.3 遷移學(xué)習(xí)
1.4.4 TensorFlow預(yù)訓(xùn)練模型庫
1.5 本章小結(jié)

第2章 搭建深度學(xué)習(xí)開發(fā)環(huán)境
2.1 深度學(xué)習(xí)訓(xùn)練所需的硬件
2.1.1 英偉達(dá)顯卡選型
2.1.2 英偉達(dá)顯卡驅(qū)動(dòng)安裝
2.1.3 測(cè)試驅(qū)動(dòng)程序安裝
2.1.4 設(shè)置英特爾?集成顯卡為系統(tǒng)主顯示輸出
2.1.5 幻影峽谷：便攜式AI訓(xùn)練“服務(wù)器”
2.2 深度學(xué)習(xí)開發(fā)環(huán)境所需的軟件
2.3 安裝Python和Anaconda
2.3.1 Python和Anaconda簡(jiǎn)介
2.3.2 下載并安裝Anaconda
2.3.3 測(cè)試Anaconda安裝
2.3.4 配置Anaconda軟件包下載服務(wù)器
2.3.5 配置虛擬環(huán)境tf_gpu
2.3.6 Anaconda的進(jìn)階學(xué)習(xí)
2.4 安裝Visual Studio Code
2.4.1 Visual Studio Code簡(jiǎn)介
2.4.2 安裝
2.4.3 在Visual Studio Code中編輯Python代碼
2.4.4 在Visual Studio Code中運(yùn)行Python代碼
2.4.5 在Visual Studio Code中調(diào)試Python代碼
2.4.6 在Visual Studio Code安裝Pylint
2.4.7 在Visual Studio Code中一鍵美化Python代碼
2.5 安裝TensorFlow
2.5.1 TensorFlow簡(jiǎn)介
2.5.2 下載并安裝
2.5.3 測(cè)試安裝
2.5.4 pip install 與 conda install
2.6 安裝Git工具
2.6.1 Git簡(jiǎn)介
2.6.2 下載并安裝
2.6.3 測(cè)試安裝
2.7 安裝TensorFlow Object Detection API框架
2.7.1 TensorFlow Object Detection API簡(jiǎn)介
2.7.2 下載并安裝
2.7.3 安裝依賴的python軟件包
2.7.4 配置環(huán)境變量
2.7.5 安裝COCO API
2.7.6 編譯proto文件
2.7.7 測(cè)試安裝
2.8 安裝LabelImg
2.8.1 LabelImg簡(jiǎn)介
2.8.2 下載并安裝
2.8.3 測(cè)試安裝
2.9 本章小結(jié)

第3章 訓(xùn)練模型
3.1 TensorFlow Object Detection API軟件框架簡(jiǎn)介
3.2 使用TensorFlow預(yù)訓(xùn)練模型
3.2.1 如何選擇預(yù)訓(xùn)練模型
3.2.2 預(yù)訓(xùn)練模型的文件構(gòu)成
3.2.3 一個(gè)典型的深度學(xué)習(xí)訓(xùn)練流程
3.3 準(zhǔn)備圖片：下載貓狗數(shù)據(jù)集
3.3.1 Kaggle數(shù)據(jù)集下載流程
3.3.2 訓(xùn)練圖片的數(shù)量問題
3.3.3 訓(xùn)練圖片的樣本不平衡問題
3.4 使用LabelImg標(biāo)注圖片
3.4.1 LabelImg簡(jiǎn)介
3.4.2 建立貓狗項(xiàng)目文件夾結(jié)構(gòu)
3.4.3 標(biāo)注圖片
3.4.4 標(biāo)注文件（*.xml）簡(jiǎn)介
3.4.5 復(fù)制10%的數(shù)據(jù)到eval文件夾
3.4.6 復(fù)制數(shù)據(jù)到test文件夾
3.5 依據(jù)標(biāo)注類型創(chuàng)建標(biāo)簽映射文件
3.6 創(chuàng)建TensorFlow TFRecord文件
3.6.1 將*.xml文件轉(zhuǎn)換為*.csv文件
3.6.2 將*.csv文件轉(zhuǎn)換為*.tfrecord文件
3.7 修改預(yù)訓(xùn)練模型的配置文件
3.7.1 預(yù)訓(xùn)練模型的配置文件
3.7.2 配置文件的結(jié)構(gòu)
3.7.3 修改ssd_inception_v2_coco.config配置文件
3.8 訓(xùn)練模型
3.9 使用TensorBoard觀察訓(xùn)練過程
3.9.1 什么是TensorBoard
3.9.2 TensorBoard的使用方法
3.10 評(píng)估訓(xùn)練好的模型
3.11 導(dǎo)出訓(xùn)練好模型的凍結(jié)圖
3.11.1 檢查點(diǎn)文件
3.11.2 凍結(jié)TensorFlow模型
3.12 用訓(xùn)練好的凍結(jié)圖模型做目標(biāo)檢測(cè)
3.13 用Python程序一鍵訓(xùn)練模型
3.13.1 為新項(xiàng)目一鍵創(chuàng)建文件夾結(jié)構(gòu)
3.13.2 一鍵訓(xùn)練模型
3.14 本章小結(jié)

第4章 優(yōu)化并部署模型
4.1 OpenVINO工具套件簡(jiǎn)介
4.2 OpenVINO典型開發(fā)流程
4.3 安裝OpenVINO工具套件
4.3.1 版本選擇
4.3.2 系統(tǒng)要求
4.3.3 下載并安裝OpenVINO工具套件
4.4 安裝Cmake
4.5 安裝Microsoft Visual Studio 2017
4.6 安裝硬件驅(qū)動(dòng)
4.6.1 英特爾顯卡驅(qū)動(dòng)
4.6.2 英特爾神經(jīng)計(jì)算棒二代驅(qū)動(dòng)
4.6.3 英特爾視覺計(jì)算加速卡驅(qū)動(dòng)
4.7 設(shè)置環(huán)境變量
4.8 運(yùn)行演示程序
4.8.1 demo_benchmark_app.bat
4.8.2 demo_security_barrier_camera.bat
4.8.3 demo_squeezenet_download_convert_run.bat
4.9 編譯并運(yùn)行Inference Engine范例和演示程序
4.9.1 編譯samples文件夾中的范例
4.9.2 編譯demos文件夾中的范例
4.9.3 從Open Model Zoo中下載預(yù)訓(xùn)練模型
4.9.4 下載英特爾?范例視頻
4.9.5 運(yùn)行預(yù)訓(xùn)練模型
4.10 使用Model Optimizer優(yōu)化模型
4.10.1 轉(zhuǎn)換TensorFlow* Object Detection API模型
4.10.2 用OpenVINO工具套件范例程序測(cè)試IR模型
4.10.3 用OpenVINO工具套件演示程序測(cè)試IR模型
4.11 編寫OpenVINO應(yīng)用程序
4.11.1 Inference Engine簡(jiǎn)介
4.11.2 Inference Engine Plugin構(gòu)架
4.11.3 Inference Engine應(yīng)用程序典型開發(fā)流程
4.11.4 查看模型的輸入和輸出張量
4.12 OpenVINO AI推理計(jì)算C++范例
4.12.1 設(shè)置環(huán)境變量和Visual Studio項(xiàng)目屬性
4.12.2 開發(fā)AI推理計(jì)算C++應(yīng)用程序
4.12.3 切換AI推理計(jì)算硬件
4.13 OpenVINO AI推理計(jì)算Python范例
4.13.1 設(shè)置環(huán)境變量PYTHONPATH
4.13.2 開發(fā)AI推理計(jì)算Python應(yīng)用程序（OpenCV版）
4.13.3 開發(fā)AI推理計(jì)算Python應(yīng)用程序（OpenVINOTM版）
4.13.4 AI推理計(jì)算用Python還是C++？
4.14 本章小結(jié)

第5章 進(jìn)一步提升AI推理計(jì)算性能
5.1 性能評(píng)價(jià)指標(biāo)
5.2 同步和異步模式
5.2.1 同步模式范例
5.2.2 異步模式范例
5.3 多設(shè)備和異構(gòu)插件
5.3.1 異構(gòu)插件
5.3.2 多設(shè)備插件
5.4 本章小結(jié)

第6章 工業(yè)領(lǐng)域光學(xué)字符識(shí)別范例
6.1 項(xiàng)目背景
6.2 新建OCR項(xiàng)目工程文件夾
6.3 收集并標(biāo)注圖片
6.4 訓(xùn)練模型
6.5 導(dǎo)出TensorFlow凍結(jié)圖模型
6.6 測(cè)試模型
6.7 基于OpenVINO工具套件優(yōu)化并加速模型
6.8 基于OpenVINO工具套件部署模型
6.9 本章小結(jié)

第7章 垃圾瓶自動(dòng)分選項(xiàng)目范例
7.1 項(xiàng)目背景
7.2 新建垃圾瓶分類項(xiàng)目工程文件夾
7.3 收集并標(biāo)注圖片
7.4 訓(xùn)練模型
7.5 導(dǎo)出TensorFlow凍結(jié)圖模型
7.6 測(cè)試模型
7.7 基于OpenVINO工具套件優(yōu)化并加速模型
7.8 基于OpenVINO工具套件部署模型
7.9 本章小結(jié)

第8章 農(nóng)作物病蟲害自動(dòng)識(shí)別項(xiàng)目范例
8.1 項(xiàng)目背景
8.2 新建農(nóng)作物病蟲害自動(dòng)識(shí)別項(xiàng)目工程文件夾
8.3 收集并標(biāo)注圖片
8.4 訓(xùn)練模型
8.5 導(dǎo)出TensorFlow凍結(jié)圖模型
8.6 測(cè)試模型
8.7 基于OpenVINO工具套件優(yōu)化并加速模型
8.8 基于OpenVINO工具套件部署模型
8.9 本章小結(jié)

第9章 深度學(xué)習(xí)外觀缺陷檢測(cè)項(xiàng)目范例
9.1 項(xiàng)目背景
9.2 新建外觀缺陷檢測(cè)項(xiàng)目工程文件夾
9.3 收集并標(biāo)注圖片
9.4 訓(xùn)練模型
9.5 導(dǎo)出TensorFlow凍結(jié)圖模型
9.6 測(cè)試模型
9.7 基于OpenVINO工具套件優(yōu)化并加速模型
9.8 基于OpenVINO工具套件部署模型
9.9 本章小結(jié)

參考文獻(xiàn)