计算机视觉算法基础与openmmlab入门一.计算机视觉基础1.什么是计算机视觉及计算机视觉的发展历程2.（2012~）是深度学习的时代3.开源成为人工智能领域引擎二.openmmlab算法体系1.openmmlab

视频链接基础知识可执行任务Classification分类SemanticSegmention与原图相同的长宽精准定位Detection框Segmention分割分类、检测（定位）、分割图像识别按目标划分：通用目标检测、专用图像生成（例地图生成）视频理解：时间发展历史2012年AlexNet大幅下降2015ResNet超越人类分辨152层1860-801960边缘检测1991人脸检测EigenFa

今天主要进行了经典图像分类网络的学习，也就是下游人物中的Backbone，从最初的AlexNet到目前的ConvNext，效果突飞猛进地发展。虽然VersionTransformer结构在目前的CV任务中大放异彩，但总感觉卷积会是最终的胜利者，继续学习吧！

因为我本身基础比较差，老师向我推荐了openMMLab，让我学习一下，虽然我安装依赖包和PYTORCH安装了很长时间，最后没能在放假前测试，但是看了一些介绍视频和官方的一些知乎文章，我也对MMLab充满了兴趣

二.MMlab1.openmmlab是一个开源的深度学习工具2.里面包含了MMselfsup\MMpose等诸多深度学习工具3.在全球范围内有巨大影响力。

随着各大基础框架的优劣势凸显，更高层次的算法体系库被逐渐开发出来，Openmmlab就是其中的佼佼者。

OpenMMLab学习笔记（一）day01计算机视觉与OpenMMLab开源算法体系1.基本知识计算机视觉的基础任务：分类、分类和定位、物体检测、分割（语义分割、实例分割），其中实例分割统一种类索引不同注意语义分割和实例分割的区别计算机视觉的应用

前面花了太多时间介绍背景应用了，个人感觉没有必有，是很耽误时间又不讨好的工作。从中间开始才算进入正题，那笔记总结也从这时候开始。首先是讲解的机器学习的基本流程。以分类问题为例，采用机器学习的方法解决实际问题通常分为三个步骤：训练我们需要采集一些数据，标注它们的类别，从中选取一部分用于训练分类器，得到一个可以用于分类的分类器验证从采集、标注的数据中另外选取一部分，测试所得分类器的分类精度验证所用的数

OpenMMLab实战营打卡-第一课复习下总忘的基础知识卷积的通道数变化前一层特征纬度（通道数）决定核的通道数当前层输出的特征纬度，由核的数量决定图像尺寸变化padding公式：H′=H−K+1+2pH

目录前言一、三大机器视觉任务图像分类：图像检测：图像分割：二、OpenMMLab算法框架介绍三、机器学习和神经网络简介机器学习的基本流程（以分类器问题为例）：多分类任务：四、神经网络的训练神经网络的训练损失函数

视觉就是对图像和视频这种图片数据类型通过计算机的算法进行数据挖掘和处理，计算机视觉就是要开发一套算法对图像或者视频这种图像信息进行数据挖掘计算机视觉解决的三大基础性问题分类检测分割语义分割把每一个像素对应的类别抠出来，不管有几个物体，或者物体之间是否有重叠，只把每一个像素进行分类实例分割不仅把像素抠出来，还要把同一类别的不同物体区分出来，实例分割比语义分割难，因为要区分每一个物体图像分类：只需要告

二、OpenMMLab简介OpenMMLab算法训练--部署一体化，集成了多数视觉算法，省去了调参等步骤，极大程度上简化了模型训练部署流程

计算机视觉，研究如何自动理解图像和视频中的内容。如图像识别、人脸检测、图像生成、风格迁移、视频理解与自动剪辑。计算机视觉的发展早期萌芽（1960~1980）统计机器学习与模式识别（1990~2000）ImageNet大型数据库（~2010）深度学习的时代（2012至今）：AlexNet突破传统视觉系统性能，FastR-CNN目标检测走入深度学习时代，深度生成对抗网络实现图像生成。二、OpenMML

课程分为三个部分：1.计算机视觉能做什么2.介绍OpenMMLab3.机器学习和卷积网络基础知识课程连接：1计算机视觉算法基础与OpenMMLab介绍_哔哩哔哩_bilibili第一部分：围绕以下4个基础任务展开

通过OpenMMLabAI第一课了解到了计算机视觉是什么，计算机视觉有什么应用；也了解到了计算机视觉的发展史，到了今天开源成为人工智能领域的发展引擎；更学习到了OpenMMLab的算法体系。

openmmlab作为一个开源的算法框架，为我们计算机视觉算法的研发和项目的落地提供了非常大的便利，也能够大大提升我们的开发效率。

计算机视觉的三大任务，分类，检测（关键点检测），分割，分割又有语义分割和实例分割机器学习基础：从数据中学习经验，以解决特定问题。分为3步，训练、验证、应用神经网络输出介于0-1之间，且所有输出和为1，表示为一个有效的概率分布。使用损失函数来衡量神经网络的性能，常用损失函数有交叉熵损失，训练目标就是找到参数w使得神经网络的性能最好。训练流程：计算样本的损失，计算样本的损失梯度，根据梯度更新参数将图片

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、课前预习Python入门Pytorch入门MMCV：OpenMMLab基础库二、课程主要内容计算机视觉的介绍和发展历程OpenMMlab

通用视觉框架OpenMMLab图像分类与基础视觉模型——王若晖卷积神经网络AlexNet(2012)GoingDeeper(2012~2014)VGG(2014)GoogLeNet(Inceptionv1,2014

OPENMMLAB学习笔记20230201通用视觉框架openmmlab2022020220230201通用视觉框架openmmlab1、计算机视觉是什么2、计算机视觉应用3、计算机视觉的发展4、openmmlab

计算机视觉应用场景广泛自动驾驶方案动漫特效图像生成、风格迁移视频理解与自动剪辑计算机视觉发展计算机视觉从传统学习演变到如今深度学习网络，传统的计算机视觉主要是以特征工程为主，后来随着AlexNet的诞生，打破了传统特征工作的研究，进而神经网络模型得到快速发展，在计算机视觉分类、目标检测、语义分割和实例分割等几类发展较快，已经成功应用于各个领域。

mmcv安装首先要安装pytorch和CUDA，如果已经安装，进行第二步pytotch：官网（安装GPU版本）CUDA：官网安装完成后记住你安装的版本，建议使用conda安装查看torch版本：piplist安装mmcvmmcv：GitHub链接支持的CUDA和torch的版本安装：pipinstallmmcv-full=={mmcv_version}-fhttps://download.open

第一节课基本就是简单了解和介绍基本情况，所以自然的笔记就不会太难，那我们马上开始吧。一、简单背景介绍首先了解了计算机视觉是什么，其实我们生活中都随处可见，如我们几乎每天都要使用的微信扫一扫等，通俗点说，就是要让计算机像人一样学会“看”。现在比较多的应用于：风格转换、图像生成、视频理解等等。随着深度学习、计算机视觉等学科的发展，各大研究机构和公司陆续开源自己的深度学习框架，比如我们常用的Tensor

OPenMMLab开源体系介绍算法框架MMDetection、MMDetection3D等。OPenMMLab2.0整体介绍从其通用性、灵活性等方面介绍。机器学习和神经网络从基础方面，

本文记录openmmlab社区举办的AI基础实战营课程第一次直播大致内容，偏相关基础内容及openmmlab社区介绍。

昨天晚上是openmmlab的第一节课。介绍的内容都比较的基础，基本上是对后面要学的东西的一些概括。计算机视觉的主要任务，通过一套算法对图像信息进行数据分析。

目录一.ComputerVisionTasks二.MMCV简介MMCV支持以下的系统三.计算机视觉的主要应用四.计算机视觉的发展五.深度学习时代最完整的计算机视觉开源算法体系OpenMMLab总体现状OpenMMlab

计算机视觉算法基础与OpenMMLab介绍写在前面计算机视觉简介OpenMMLab简介总体架构OpenMMLab2.0改进机器学习和神经网络简介机器学习简介神经网络简介卷积神经网络PyTorch环境配置与基本使用写在前面之前有一些

本篇文章中的图片主要来自于1计算机视觉算法基础与OpenMMLab介绍_哔哩哔哩_bilibili视频中的截图。本篇文章只是简单记录了一下视频中的部分知识点。

1.创建虚拟环境,添加jupyter虚拟环境condacreate-nmmopython=3.7condaactivatemmocondainstallipykernelcondainstallnb_condap.s.也是从这个地方发现之前的文章配的内核有问题,开始用这个方法配ju虚拟环境,还不错没啥问题了!也可顺手升级一下pip至最新python-mpipinstall--upgradepip2

文件列表configs配置文件resnet18_8xb16_cifar1018层8卡b16：batch（8×16）cifar10：数据集mixup：数据增强coslr：学习率衰减_base__网络结构models、数据集定义datasets、学习策略schedules、常规训练方式config--_base_--models--resnet18.py网络模型model=dict(type='Ima

图像分类与基础视觉基础卷积神经网络AlexNet是第一个成功实现大规模图像的模型，在ImageNet数据集上达到~85%的top-5准确率；5个卷积层，3个连接层，共有60M个可学习参数；使用ReLU激活函数（其他的还有tanh），大幅提高收敛速度；实现并开源了cuda-convnet，在GPU上训练大规模神经网络在工程上成为可能。随着后续不断发展，ResNet在视觉领域成为影响力最大、使用最广泛

计算机视觉与OpenMMLab开源算法体系计算机视觉是什么计算机视觉是一门让计算机学会“看”的学科，研究如何自动理解图像和视频中的内容计算机视觉的发展1960-1980边缘检测1990-2000统计机器学习与模式识别

作为一个粗浅涉及cv领域的新手，通过第一次公开课了解了相关的计算机视觉的相关知识，与OpenMMLab的一些框架，如下来谈谈我所通过此次公开课所学到的。

通用视觉框架OpenMMLab（第一课）子豪兄熟悉的声线~~~1.环境配置实不相瞒，MMLab环境配置是真的难，各种报错，有时在linux还存在库版本不对的情况，好在都能解决。环境配置链接在此。

AI基础实战营打卡笔记20230201第一天（计算机视觉之算法基础鱼OpenMMLab入门）-张子豪20230202第二天（计算机视觉之图像分类算法基础）-王若晖20230201第一天（计算机视觉之算法基础鱼

OpenMMLab的初次接触首先需要了解什么是计算机视觉（CV），就像人眼能识别物体一样，让计算机也能有识别的能力。而OpenMMLab是当今深度学习时代最完整的计算机视觉开源算法体系。

一、计算机视觉简介计算机视觉主要关于让计算机学会“看”，理解图像、视频中的内容主要分类有：图像识别：识别图像中的物体是什么目标检测：图像分割：主要应用：人脸识别、视觉感知、图像生成、风格迁移、视频理解与自动转移二、计算机视觉的发展早起萌芽（1960~1980）统计机器学习与模式识别(1990~2000）特征工程技术发展：小波特征、局部二进制（LocalBinaryPattern）、比例不变特征变换

1三大机器视觉任务1.1图像分类1.2图像检测1.3图像分割2OpenMMLab算法框架MMDetectionMMDetection3DMMClassificationMMSegmentationMMPose

图像分类目标检测语义分割实例分割OpenMMlab支持算法训练-部署一体化->>MMDeployMMDetection目标检测；实例分割；全景分割MMClassification图像分类MMSegmentation

第一次课程这次张子豪老师帮我们介绍了openmmlab在计算机视觉的应用及计算机视觉中卷积神经网络等基本原理。

在OpenMMLab第一堂课程的学习中，我受益匪浅。

非常开心参与了这一次关于OpenMMLab公开课程的学习，通过课程的知识分享总结，我讲简述从计算机视觉的发展历程以及对于OpenMMLab简单认识。

图像分类、语义分割、目标检测、实例分割的区别图像分类主干网络的发展深度学习框架的发展openmmlab框架架构机器学习和深度学习的基本流程线性分类器和非线性分类器不同的优化器一些应用，比如人脸检测、3D

OpenMMlab学习笔记计算机视觉是一门让计算机学会看的学科，研究如何自动理解图像和视频中的内容如，识别图中的物体，确认图中物体的位置，理解物体的动作，自动生成物体计算机视觉应用如，动漫特效，航拍转地图

OpenMMLab实战营打卡-第1课计算机视觉主要任务OpenMMLab架构体系主要内容：计算机视觉任务OpenMMLab架构体系机器学习和卷积神经网络计算机视觉主要任务图像分类给定一张图片，将图片进行分类

图像分类是把图像分为多个不同类型或标签的过程，其中一些可能是我们正确识别和理解图像内容所必需的基础步骤。MMclassification是一种用于图像分类的机器学习方法，通过几种算法（如K最近邻、决策树、支持向量机），可以有效分类图像。MMclassification的流程一般包括：1）特征提取：从原始图像中提取有代表性的特征；2）特征预处理：预处理特征，使其符合分类器要求；3）模型训练：使用多种

OpenMMLabAI实战营Day2主讲人王若晖本讲全面介绍了计算机视觉领域的各种研究范式、需求和设计思路：CNN、轻量化、Transformer、自监督、优化器、训练技巧等，每一个部分mmlab都有研发工具包的支持。ConvNeXt，将很多视觉神经网络设计中的工程技法运用回卷积神经网络的设计，大大引导出了卷积网络的天资，超越了SwinTransformer，让CNN重焕生机。EfficientN

2022年春季，应上海交通大学机械与动力工程学院的邀请，OpenMMLab研究员云端走进校园课堂，为上海交大的同学们讲解深度学习知识。

Openmmlab寒假训练营(一)一个利用Pytorch从模型定义到训练模板的小总结1.总览：2.loss.backward()自动求导loss=0.5*(Y-X.T@w-b)**2loss=loss.sum