【ディープラーニング＆コンピュータビジョン入門】基礎知識学習＆環境構築＆上級チュートリアル＆実践プロジェクトの推薦

1. 基本的な考え方

1. mAP（平均平均精度）：ターゲット検出評価指標、各カテゴリーAPの平均値
2. 精度: 精度率、つまり、取得後に返された結果のうち、結果全体に対する真に正しい数値の割合。
3. 再現率: 再現率、つまり、データセット全体 (取得済みおよび未取得) 内の真に正しい数に対する、検索結果内の真に正しい数の比率。
4. FN: False Negative、陰性サンプルと判断されますが、実際には陽性サンプルです。
5. FP: False Positive、陽性サンプルと判断されますが、実際には陰性サンプルです。
6. TN: True Negative は陰性サンプルとして判断されますが、実際には陰性サンプルです。
7. TP: True Positive、陽性サンプルであると判断され、実際にはプルーフサンプルでもあります;
   *記憶方法: 略語を最初の文字 (F、T) と 2 番目の文字 (P、N) の 2 つの部分に分けます。まず最初に、2 番目の文字、つまりサンプルの帰属がどのように考えられるか (肯定的または否定的)、最初の文字はあなたの判断の評価 (偽または真) を考えます。ここでは、中国語では理解しにくいかもしれないので、より明確になるかもしれない英語で説明したいと思います: 2 番目の文字: サンプルについてのあなたの判断は何ですか?; 1 番目の文字: あなたの判断は正しい (true) or not (false) )?
   次に、
   precession = TP/(TP+FP) となります。つまり、検索結果には、正であると思われるすべてのサンプル (2 番目の文字はすべて P) が含まれていますが、判断した合計も含まれています。誤判定 (最初の文字に T、F が付いています)。
   再現率=TP/(TP+FN) つまり、検索結果で陽性と判断したサンプルは実際に陽性であり、検索結果で陰性と判断されなかったが実際には陽性であるサンプル(FN) 。
8. バックボーン、ヘッド、ネックなどのディープラーニングの用語の説明。
9. NMS
10. 一般的なモデル ライブラリの紹介:
    https://paddleclas.readthedocs.io/zh_CN/latest/models/index.html
11. IDE: VScode を推奨します利点: クロスプラットフォーム、無料、軽量、拡張可能、構文の強調表示、コードの自動補完 (IntelliSense)、コードのリファクタリング、ビュー定義機能、組み込みのコマンド ライン ツールと Git バージョン管理システムをサポート。
12. Anaconda: データ サイエンス研究での Python の使用を容易にするために確立されたソフトウェア パッケージのセット。データ サイエンスの分野で一般的な Python ライブラリをカバーしており、ソフトウェア環境の依存関係を解決するために特別に設計された conda パッケージ管理システムが付属しています。主にパッケージ管理と環境管理の機能を提供しており、Pythonの複数バージョンの共存や切り替え、各種サードパーティパッケージのインストールなどの問題を簡単に解決できます。Anaconda は、ツール/コマンド conda を使用してパッケージと環境を管理し、Python と関連するサポート ツールがすでに含まれています。
13. Cuda (NVIDIA グラフィック カードを搭載したデバイスでのみ実行可能): NVIDIA が開発した並列コンピューティング フレームワークであり、独自の GPU でのみ使用できます。主流の深層学習フレームワークも、GPU 並列アクセラレーション用の CUDA に基づいています。
14. Cudnn: ディープ畳み込みニューラル ネットワーク用の高速ライブラリ。
15. NVIDIA TensorRT: ディープ ラーニング アプリケーションを運用環境に展開するための高性能ニューラル ネットワーク推論 (推論) エンジンです。アプリケーションには画像分類、セグメンテーション、オブジェクト検出などが含まれ、最大の推論スループットと効率を提供します。
16. Jupyter Notebook: インタラクティブ コンピューティング用の Web ベースのアプリケーション。これは、開発、文書化、コードの実行、結果の表示など、コンピューティングのプロセス全体に適用できます。

2. 環境展開

1. ディープラーニング環境構成 Anaconda+Pycharm+CUDA+CUdnn+PyTorch+Tensorflow

2. Cudaのインストールチュートリアル

3. 【Ubuntu 20.04 pytorch環境構築】ディープラーニング | グラフィカルなインストール手順

4. 正しい開き方 - ANACONDA と jupyter のインストール

3. 高度なチュートリアル

1. 自動混合精度トレーニング (パドルパドルに基づく)
2. YoloシリーズのYolov3&Yolov4&Yolov5&Yoloxの核となる基礎知識を徹底解説
3. Yoloシリーズの中核となるYolov5の基礎知識を徹底解説
4. 移行学習 - 微調整
5. YOLOv5 はターゲット検出を実現します (猫認識用に独自のデータセットをトレーニングします)

4. プロジェクトの開始に関する推奨事項

1. 非常に詳細な yolov5 モデルをゼロからトレーニングする
2. YOLOV5 を使用して独自のターゲット検出モデルをトレーニングする方法を教える - マスク検出 - ビデオ チュートリアル
3. Raspberry Pi へのハードハット検出 YoloV3 モデルの展開 (Paddlepaddle に基づく)

5. 問題の分析と解決策

1. ディープ ラーニング PyTorch および TensorFlow における低 GPU 使用率、低 CPU 使用率、モデル トレーニング速度の遅さの概要と分析

6. 参考教材

1. ハンズオンディープラーニング PyTorch バージョン (GitHub ソースコード、Jupyter Notebook 学習付き)
   リンク:
   https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
   https://zh.d2l.ai/index。 html https://zh.d2l.ai/index.html
   https://github.com/d2l-ai/d2l-zh

2. Wu Enda ディープラーニング deeplearning.ai

3. PyTorch ディープラーニング クイック スタート チュートリアル