深度學習圖像識別技術：基于TensorFlow和OpenVINO工具套件

序
前言

第1章 人工智能、深度學習與目標檢測
1.1 人工智能簡介
1.1.1 什么是人工智能
1.1.2 人工智能發(fā)展簡史
1.1.3 人工智能與深度學習的關系
1.2 深度學習簡介
1.2.1 神經(jīng)網(wǎng)絡
1.2.2 神經(jīng)元
1.2.3 深度神經(jīng)網(wǎng)絡
1.2.4 深度卷積神經(jīng)網(wǎng)絡
1.3 目標檢測
1.3.1 目標檢測算法發(fā)展簡史
1.3.2 深度學習目標檢測算法
1.4 遷移學習簡介
1.4.1 訓練深度學習模型依賴大數(shù)據(jù)
1.4.2 大數(shù)據(jù)造成的問題
1.4.3 遷移學習
1.4.4 TensorFlow預訓練模型庫
1.5 本章小結

第2章 搭建深度學習開發(fā)環(huán)境
2.1 深度學習訓練所需的硬件
2.1.1 英偉達顯卡選型
2.1.2 英偉達顯卡驅(qū)動安裝
2.1.3 測試驅(qū)動程序安裝
2.1.4 設置英特爾?集成顯卡為系統(tǒng)主顯示輸出
2.1.5 幻影峽谷：便攜式AI訓練“服務器”
2.2 深度學習開發(fā)環(huán)境所需的軟件
2.3 安裝Python和Anaconda
2.3.1 Python和Anaconda簡介
2.3.2 下載并安裝Anaconda
2.3.3 測試Anaconda安裝
2.3.4 配置Anaconda軟件包下載服務器
2.3.5 配置虛擬環(huán)境tf_gpu
2.3.6 Anaconda的進階學習
2.4 安裝Visual Studio Code
2.4.1 Visual Studio Code簡介
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簡介
2.5.2 下載并安裝
2.5.3 測試安裝
2.5.4 pip install 與 conda install
2.6 安裝Git工具
2.6.1 Git簡介
2.6.2 下載并安裝
2.6.3 測試安裝
2.7 安裝TensorFlow Object Detection API框架
2.7.1 TensorFlow Object Detection API簡介
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 測試安裝
2.8 安裝LabelImg
2.8.1 LabelImg簡介
2.8.2 下載并安裝
2.8.3 測試安裝
2.9 本章小結

第3章 訓練模型
3.1 TensorFlow Object Detection API軟件框架簡介
3.2 使用TensorFlow預訓練模型
3.2.1 如何選擇預訓練模型
3.2.2 預訓練模型的文件構成
3.2.3 一個典型的深度學習訓練流程
3.3 準備圖片：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 訓練圖片的數(shù)量問題
3.3.3 訓練圖片的樣本不平衡問題
3.4 使用LabelImg標注圖片
3.4.1 LabelImg簡介
3.4.2 建立貓狗項目文件夾結構
3.4.3 標注圖片
3.4.4 標注文件（*.xml）簡介
3.4.5 復制10%的數(shù)據(jù)到eval文件夾
3.4.6 復制數(shù)據(jù)到test文件夾
3.5 依據(jù)標注類型創(chuàng)建標簽映射文件
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 修改預訓練模型的配置文件
3.7.1 預訓練模型的配置文件
3.7.2 配置文件的結構
3.7.3 修改ssd_inception_v2_coco.config配置文件
3.8 訓練模型
3.9 使用TensorBoard觀察訓練過程
3.9.1 什么是TensorBoard
3.9.2 TensorBoard的使用方法
3.10 評估訓練好的模型
3.11 導出訓練好模型的凍結圖
3.11.1 檢查點文件
3.11.2 凍結TensorFlow模型
3.12 用訓練好的凍結圖模型做目標檢測
3.13 用Python程序一鍵訓練模型
3.13.1 為新項目一鍵創(chuàng)建文件夾結構
3.13.2 一鍵訓練模型
3.14 本章小結

第4章 優(yōu)化并部署模型
4.1 OpenVINO工具套件簡介
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
4.6.1 英特爾顯卡驅(qū)動
4.6.2 英特爾神經(jīng)計算棒二代驅(qū)動
4.6.3 英特爾視覺計算加速卡驅(qū)動
4.7 設置環(huán)境變量
4.8 運行演示程序
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中下載預訓練模型
4.9.4 下載英特爾?范例視頻
4.9.5 運行預訓練模型
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試IR模型
4.10.3 用OpenVINO工具套件演示程序測試IR模型
4.11 編寫OpenVINO應用程序
4.11.1 Inference Engine簡介
4.11.2 Inference Engine Plugin構架
4.11.3 Inference Engine應用程序典型開發(fā)流程
4.11.4 查看模型的輸入和輸出張量
4.12 OpenVINO AI推理計算C++范例
4.12.1 設置環(huán)境變量和Visual Studio項目屬性
4.12.2 開發(fā)AI推理計算C++應用程序
4.12.3 切換AI推理計算硬件
4.13 OpenVINO AI推理計算Python范例
4.13.1 設置環(huán)境變量PYTHONPATH
4.13.2 開發(fā)AI推理計算Python應用程序（OpenCV版）
4.13.3 開發(fā)AI推理計算Python應用程序（OpenVINOTM版）
4.13.4 AI推理計算用Python還是C++？
4.14 本章小結

第5章 進一步提升AI推理計算性能
5.1 性能評價指標
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 多設備和異構插件
5.3.1 異構插件
5.3.2 多設備插件
5.4 本章小結

第6章 工業(yè)領域光學字符識別范例
6.1 項目背景
6.2 新建OCR項目工程文件夾
6.3 收集并標注圖片
6.4 訓練模型
6.5 導出TensorFlow凍結圖模型
6.6 測試模型
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

第7章 垃圾瓶自動分選項目范例
7.1 項目背景
7.2 新建垃圾瓶分類項目工程文件夾
7.3 收集并標注圖片
7.4 訓練模型
7.5 導出TensorFlow凍結圖模型
7.6 測試模型
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

第8章 農(nóng)作物病蟲害自動識別項目范例
8.1 項目背景
8.2 新建農(nóng)作物病蟲害自動識別項目工程文件夾
8.3 收集并標注圖片
8.4 訓練模型
8.5 導出TensorFlow凍結圖模型
8.6 測試模型
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

第9章 深度學習外觀缺陷檢測項目范例
9.1 項目背景
9.2 新建外觀缺陷檢測項目工程文件夾
9.3 收集并標注圖片
9.4 訓練模型
9.5 導出TensorFlow凍結圖模型
9.6 測試模型
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

參考文獻