【含时间路线】2022浙大博士整理计算机视觉学习路线图

想要入门计算机视觉，一个月足以！但想要精通，还是需要深耕的~

我用8千字写了这份0基础保姆级究极简单的计算机视觉入门学习路线图（包含实战项目），保你一个月入门计算机视觉，分享给在座的大佬。

这个学习路线图一共有16个模块，完整学完之后可以从入门到精通了：

• 深度学习入门算法

• 深度学习框架TensorFlow与pytorch

• OpenCV图像处理框架实战

• 综合项目-物体检测YOLO实战

• 图像分割实战

• 行为识别实战

• transformer实战系列

• 3D点云实战

• 目标追踪与姿态估计实战

• 面向交通驾驶领域的深度学习实战

• 缺陷检测实战

• 行人重识别实战

• 对抗生成网络实战

• 强化学习实战系列

• 面向医学领域的深度学习实战

• 模型部署与剪枝优化

整个路线图的思维导图如下，我把对应的视频和链接全部放在了思维导图备注里面；

大家在学习的时候，可以搭配视频学习：获取思维导图方式如下：关注公众H【咕泡AI】回复【777】免费领取。

​

1.深度学习入门算法

深度学习⼊⻔视频课程从最基本的神经⽹络开始讲起，讲复杂的神经⽹络分成⼏个⼩模块，先对必备的知识点的细节进⾏详细讲解再拓展到整个神经⽹络，从神经⽹络的架构，细节进⾏全⾯分析，并使⽤python代码完成简易的神经⽹络，从效果上感受神经⽹络的强⼤。熟悉神经⽹络后再进军卷积神经⽹络 与递归神经⽹络，详解CNN与RNN的原理与细节。

​

这一模块的学习是比较基础的，但是非常的重要，7个小时可以学完，但是建议大家可以花费更多的时间去夯实基础。

2.深度学习框架TensorFlow与pytorch

深度学习的两个框架也主要是分成两个小部分与学习，从安装到代码实现，总共花费18个小时。

​

3.Opencv图像处理框架实战

本模块学习花费13个小时，可以快速掌握机器视觉领域必备知识点原理及其在opencv中的使用方法。需要注意的是所有的代码是使用python完成的，然后通过Debug模式 来⼀步步分析每⼀⾏代码的作⽤及其完成的效果。

建议大家在掌握图像处理必备方法及其功能实现，能熟练使用opencv框架进行计算机视觉项目开发之后再进行下一步学习。

4.综合项目-物体检测YOLO实战

本模块学习花费14个小时，主要学习以下内容：

• 01.深度学习经典检测⽅法概述

• 02.YOLO-V1整体思想与⽹络架构

• 03.YOLO-V2改进细节详解

• 04.YOLO-V3核⼼⽹络模型

• 05.基于V3版本进⾏源码解读

• 06.基于YOLO-V3训练⾃⼰的数据集与任务

• 07.YOLO-V4版本算法解读

• 08.V5版本项⽬配置

• 09.V5项⽬⼯程源码解读

​

5.图像分割实战

本模块学习花费8个小时，主要学习以下内容：

• 01.图像分割及其损失函数概述

• 02.卷积神经⽹络原理与参数解读

• 03.Unet系列算法讲解

• 04.unet医学细胞分割实战

• 05.U2NET显著性检测实战

• 06.deeplab系列算法

• 07.基于deeplabV3+版本进⾏VOC分割实战

• 08.医学⼼脏视频数据集分割建模实战

 

6.行为识别实战

本模块学习花费8个小时，主要学习以下内容：

• 01.slowfast算法知识点通俗解读

• 02.slowfast项⽬环境配置与配置⽂件

• 03.slowfast源码详细解读

• 04.基于3D卷积的视频分析与动作识别

• 05.视频异常检测算法与元学习

• 06.视频⼀场检测CVPR2021论⽂及其源码

​

7.transformer实战系列

本模块学习花费8个小时，主要学习以下内容：

• 01.⾃然语⾔处理通⽤框架BERT原理解读

• 02.Transformer在视觉中的应⽤VIT算法

• 03.VIT算法模型源码解读

• 04.swintransformer算法原理解析

• 05.swintransformer源码解读

• 06.基于Transformer的detr⽬标检测算法

• 07.detr⽬标检测源码解读

• 08.项⽬补充-⾕歌开源项⽬BERT源码解读与应⽤实例

• 09.项⽬补充-基于BERT的中⽂情感分析实战

​

8.3D点云实战

本模块学习花费7个小时，主要学习以下内容：

• 01.3D点云应⽤领域分析

• 02.3D点云PointNet算法

• 03.PointNet++算法解读

• 04.Pointnet++项⽬实战

• 05.点云补全PF-Net论⽂解读

• 06.点云补全实战解读

• 07.点云配准及其案例实战

​

9.目标追踪与姿态估计实战

本模块学习花费6个小时，主要学习以下内容：

• 01.姿态估计OpenPose系列算法解读

• 02.OpenPose算法源码分析

• 03.deepsort算法知识点解读

• 04.deepsort源码解读

• 05.YOLO-V4版本算法解读

• 06.V5版本项⽬配置

• 07.V5项⽬⼯程源码解读

​

10.面向交通驾驶领域的深度学习实战

本模块学习花费10个小时，主要学习以下内容：

• 01.深度估计算法及其原理解读

• 02.深度估计项⽬实战源码解读

• 03.⻋道线检测论⽂及其算法实现

• 04.基于深度学习的⻋道线检测项⽬实战

• 05.特征点匹配⽅法原理与论⽂分析

• 06.商汤最新特征点匹配算法实战

• 07.三维重建算法原理分析

• 08.TSDF⽅法应⽤与解读

• 09.商汤最新三维重建项⽬原理与源码解读

• 10.⼈体三维重建项⽬实战

11.缺陷检测实战

本模块学习花费7个小时，主要学习以下内容：

• 01.物体检测框架YOLO-V4版本算法解读

• 02.物体检测框架YOLO-V5版本项⽬配置

• 03.物体检测框架YOLO-V5项⽬⼯程源码解读

• 04.基于YOLOV5的钢材缺陷检测实战

• 05.Semi-supervised布料缺陷检测实战

• 06.Opnecv图像常⽤处理⽅法实例

• 07.Opnecv梯度计算与边缘检测实例

• 08.Opnecv轮廓检测与直⽅图

• 09.基于Opnecv缺陷检测项⽬实战

• 10.基于视频流⽔线的Opnecv缺陷检测项⽬

• 11.图像分割deeplab系列算法

• 12.基于deeplabV3+版本进⾏VOC分割实战 13.Deeplab铁质材料缺陷检测与开源项⽬应⽤流程

​

12.行人重识别实战

本模块学习花费8个小时，主要学习以下内容：

• 01.⾏⼈重识别原理及其应⽤

• 02.基于注意⼒机制的ReId模型论⽂解读

• 03.基于Attention的⾏⼈重识别项⽬实战

• 04.AAAI2020顶会算法精讲

• 05.基于⾏⼈局部特征融合的再识别实战

• 06.旷视研究院最新算法解读（基于图模型）

• 07.基于拓扑图的⾏⼈重识别项⽬实战

13.对抗生成网络实战

本模块学习花费9个小时，主要学习以下内容：

• 01.对抗⽣成⽹络架构原理与实战解析

• 02.基于CycleGan开源项⽬实战图像合成

• 03.stargan论⽂架构解析

• 04.stargan项⽬实战及其源码解读

• 05.基于starganvc2的变声器论⽂原理解读

• 06.starganvc2变声器项⽬实战及其源码解读

• 07.图像超分辨率重构实战

• 08.基于GAN的图像补全实战

• 09.基础补充-PyTorch卷积模型实例

• 10.基础补充-Tensorflow2版本卷积模型实例

​

14.强化学习实战系列

本模块学习花费7个小时，主要学习以下内容：

• 01.强化学习简介及其应⽤

• 02.PPO算法与公式推导

• 03.PPO实战-⽉球登陆器训练实例

• 04.Q-learning与DQN算法

• 05.DQN算法实例演⽰

• 06.DQN改进与应⽤技巧

• 07.Actor-Critic算法分析(A3C)

• 08.⽤A3C玩转超级⻢⾥奥

 

​

15.面向医学领域的深度学习实战

本模块学习花费12个小时，主要学习以下内容：

• 01.卷积神经⽹络原理与参数解读

• 02.PyTorch框架基本处理操作

• 03.PyTorch框架必备核⼼模块解读

• 04.基于Resnet的医学数据集分类实战

• 05.图像分割及其损失函数概述

• 06.Unet系列算法讲解

• 07.Unet医学细胞分割实战

• 08.deeplab系列算法

• 09.基于deeplabV3+版本进⾏VOC分割实战

• 10.基于deeplab的⼼脏视频数据诊断分析

• 11.YOLO系列物体检测算法原理解读

• 12.基于YOLO5细胞检测实战

• 13.知识图谱原理解读

• 14.Neo4j数据库实战

• 15.基于知识图谱的医药问答系统实战

• 16.词向量模型与RNN⽹络架构

• 17.医学糖尿病数据命名实体识别

​

16.模型部署与剪枝优化

本模块学习花费8个小时，主要学习以下内容：

• 01.PyTorch框架部署实践

• 02.YOLO-V3物体检测部署实例

• 03.docker实例演⽰

• 04.tensorflow-serving实战

• 05.模型减枝-NetworkSlimming算法分析

• 06.模型减枝-NetworkSlimming实战解读

• 07.Mobilenet三代⽹络模型架构

• 08.基础补充-PyTorch卷积模型实例

• 09.基础补充-Tensorflow2版本卷积模型实例

如果时间分配不过来或者时间不够，可以试一下四象限法去安排学习时间和学习任务，主要就是事情分为四个区，能更高效学习（之后会具体写一篇文章）。

根据上面提到的学习路线，希望大家可以扎扎实实学习，不要妄想一步登天。获取资料的方式：关注公众H【咕泡AI】回复【777】免费领取！