深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO? 工具套件

9.9 本章小结

9.8 基于OpenVINOTM工具套件部署模型

9.7 基于OpenVINOTM工具套件优化并加速模型

9.6 测试模型

9.5 导出TensorFlow冻结图模型

9.4 训练模型

9.3 收集并标注图片

9.2 新建外观缺陷检测项目工程文件夹

9.1 项目背景

第9章 深度学习外观缺陷检测项目范例

8.9 本章小结

8.8 基于OpenVINOTM工具套件部署模型

8.7 基于OpenVINOTM工具套件优化并加速模型

8.6 测试模型

8.5 导出TensorFlow冻结图模型

8.4 训练模型

8.3 收集并标注图片

8.2 新建农作物病虫害自动识别项目工程文件夹

8.1 项目背景

第8章 农作物病虫害自动识别项目范例

7.9 本章小结

7.8 基于OpenVINOTM工具套件部署模型

7.7 基于OpenVINOTM工具套件优化并加速模型

7.6 测试模型

7.5 导出TensorFlow冻结图模型

7.4 训练模型

7.3 收集并标注图片

7.2 新建垃圾瓶分类项目工程文件夹

7.1 项目背景

第7章 垃圾瓶自动分选项目范例

6.9 本章小结

6.8 基于OpenVINOTM工具套件部署模型

6.7 基于OpenVINOTM工具套件优化并加速模型

6.6 测试模型

6.5 导出TensorFlow冻结图模型

6.4 训练模型

6.3 收集并标注图片

6.2 新建OCR项目工程文件夹

6.1 项目背景

第6章 工业领域光学字符识别范例

5.4 本章小结

5.3 多设备和异构插件

5.2 同步和异步模式

5.1 性能评价指标

第5章 进一步提升AI推理计算性能

4.14 本章小结

4.13 OpenVINOTMAI推理计算Python范例

4.12 OpenVINOTMAI推理计算C++范例

4.11 编写OpenVINOTM应用程序

4.10 使用Model Optimizer优化模型

4.9 编译并运行Inference Engine范例和演示程序

4.8 运行演示程序

4.7 设置环境变量

4.6 安装硬件驱动

4.5 安装Microsoft Visual Studio 2017

4.4 安装CMake

4.3 安装OpenVINOTM工具套件

4.2 OpenVINOTM典型开发流程

4.1 OpenVINOTM工具套件简介

第4章 优化并部署模型

3.14 本章小结

3.13 用Python程序一键训练模型

3.12 用训练好的冻结图模型做目标检测

3.11 导出训练好模型的冻结图

3.10 评估训练好的模型

3.9 使用TensorBoard观察训练过程

3.8 训练模型

3.7 修改预训练模型的配置文件

3.6 创建TensorFlow TFRecord文件

3.5 依据标注类型创建标签映射文件

3.4 使用LabelImg标注图片

3.3 准备图片：下载猫狗数据集

3.2 使用TensorFlow预训练模型

3.1 TensorFlow Object Detection API框架简介

第3章 训练模型

2.9 本章小结

2.8 安装LabelImg

2.7 安装TensorFlow Object Detection API框架

2.6 安装Git工具

2.5 安装TensorFlow

2.4 安装Visual Studio Code

2.3 安装Python和Anaconda

2.2 深度学习开发环境所需的软件

2.1 深度学习训练所需的硬件

第2章 搭建深度学习开发环境

1.5 本章小结

1.4 迁移学习简介

1.3 目标检测

1.2 深度学习简介

1.1 人工智能简介

第1章 人工智能、深度学习与目标检测

前言

序

作者简介

版权信息

封面

封面

版权信息

作者简介

序

前言

第1章 人工智能、深度学习与目标检测

1.1 人工智能简介

1.2 深度学习简介

1.3 目标检测

1.4 迁移学习简介

1.5 本章小结

第2章 搭建深度学习开发环境

2.1 深度学习训练所需的硬件

2.2 深度学习开发环境所需的软件

2.3 安装Python和Anaconda

2.4 安装Visual Studio Code

2.5 安装TensorFlow

2.6 安装Git工具

2.7 安装TensorFlow Object Detection API框架

2.8 安装LabelImg

2.9 本章小结

第3章 训练模型

3.1 TensorFlow Object Detection API框架简介

3.2 使用TensorFlow预训练模型

3.3 准备图片：下载猫狗数据集

3.4 使用LabelImg标注图片

3.5 依据标注类型创建标签映射文件

3.6 创建TensorFlow TFRecord文件

3.7 修改预训练模型的配置文件

3.8 训练模型

3.9 使用TensorBoard观察训练过程

3.10 评估训练好的模型

3.11 导出训练好模型的冻结图

3.12 用训练好的冻结图模型做目标检测

3.13 用Python程序一键训练模型

3.14 本章小结

第4章 优化并部署模型

4.1 OpenVINOTM工具套件简介

4.2 OpenVINOTM典型开发流程

4.3 安装OpenVINOTM工具套件

4.4 安装CMake

4.5 安装Microsoft Visual Studio 2017

4.6 安装硬件驱动

4.7 设置环境变量

4.8 运行演示程序

4.9 编译并运行Inference Engine范例和演示程序

4.10 使用Model Optimizer优化模型

4.11 编写OpenVINOTM应用程序

4.12 OpenVINOTMAI推理计算C++范例

4.13 OpenVINOTMAI推理计算Python范例

4.14 本章小结

第5章 进一步提升AI推理计算性能

5.1 性能评价指标

5.2 同步和异步模式

5.3 多设备和异构插件

5.4 本章小结

第6章 工业领域光学字符识别范例

6.1 项目背景

6.2 新建OCR项目工程文件夹

6.3 收集并标注图片

6.4 训练模型

6.5 导出TensorFlow冻结图模型

6.6 测试模型

6.7 基于OpenVINOTM工具套件优化并加速模型

6.8 基于OpenVINOTM工具套件部署模型

6.9 本章小结

第7章 垃圾瓶自动分选项目范例

7.1 项目背景

7.2 新建垃圾瓶分类项目工程文件夹

7.3 收集并标注图片

7.4 训练模型

7.5 导出TensorFlow冻结图模型

7.6 测试模型

7.7 基于OpenVINOTM工具套件优化并加速模型

7.8 基于OpenVINOTM工具套件部署模型

7.9 本章小结

第8章 农作物病虫害自动识别项目范例

8.1 项目背景

8.2 新建农作物病虫害自动识别项目工程文件夹

8.3 收集并标注图片

8.4 训练模型

8.5 导出TensorFlow冻结图模型

8.6 测试模型

8.7 基于OpenVINOTM工具套件优化并加速模型

8.8 基于OpenVINOTM工具套件部署模型

8.9 本章小结

第9章 深度学习外观缺陷检测项目范例

9.1 项目背景

9.2 新建外观缺陷检测项目工程文件夹

9.3 收集并标注图片

9.4 训练模型

9.5 导出TensorFlow冻结图模型

9.6 测试模型

9.7 基于OpenVINOTM工具套件优化并加速模型

9.8 基于OpenVINOTM工具套件部署模型

9.9 本章小结