这门课解决什么问题

很多做后端或数据分析的开发者，在接触深度学习时容易卡在理论阶段，看懂了论文却写不出能用的模型。这门课的切入点很具体：以零售场景下的商品物体检测为核心，把目标检测算法拆开揉碎，落到一个完整项目的开发流程上。它解决的不是泛泛的图像识别概念，而是当你拿到一堆商品图片时，怎么从零开始完成数据准备、模型训练到最终部署的闭环。如果你正想从传统开发转向算法方向，或者需要在自己的业务里加入视觉识别能力，这种以项目为驱动的学习方式比单纯刷理论有效得多。

适合什么基础与建议学习顺序

课程默认你已经熟悉 Python 基础语法和简单的数据处理，但不要求你预先精通深度学习框架。资料编排上，建议先看项目演示和结构介绍，明确最终要交付什么，再回头补算法原理。原理部分从目标检测的基础定义讲起，逐步推进到 RCNN 这类经典模型的候选区域生成、特征提取、分类器设计和非极大抑制。不要跳过这些基础算法直接套用现成框架，因为实际做商品检测时，理解候选区域和边界框修正是调优的关键。把这些原理吃透，后面用工程框架时才知道每个参数在控制什么。

学完能做什么与资料配合练习

学完之后，你应该能独立搭起一个商品检测的模型管线：自己标注和清洗数据，选择合适的检测算法训练，评估效果并做针对性优化。练习时，建议把课程资料里的算法讲解和代码实现对照看，每学完一个模块就动手跑通对应的代码，不要等全部看完再动手。遇到 RCNN 这类原理较深的部分，先理解它的步骤流程和优缺点，再对照代码实现去验证。把项目拆成数据准备、模型搭建、训练验证几个阶段，每个阶段都自己重复一遍，最终能跑出一个能在新图片上框出商品的可用模型，就算真正掌握了。


从目标检测算法出发，对各个算法进行细致讲解，并讲解数据集标记与处理的相关内容，以实战项目“商品物体检测”为例，学习整个项目的架构设计及整个项目的开发流程。学完本

课程目录

*   第一章 图片商品物体检测项目第一阶段-检测算法原理/

  *   目标检测概述/

    *   01_课程要求以及目标

    *   02_项目演示结果

    *   03_项目结构以及课程安排

    *   04_图像识别背景

    *   05_目标检测的定义和技术历史

    *   06_目标检测应用场景

    *   07_目标检测算法原理铺垫

    *   08_目标检测任务描述

  *   RCNN原理/

    *   01_Overfeat模型

    *   02_RCNN：步骤流程介绍

    *   03_RCNN：候选区域以及特征提取

    *   04_RCNN：SVM分类器

    *   05_RCNN：非极大抑制（NMS）

    *   06_RCNN：候选区域修正

    *   07_RCNN：训练过程与测试过程介绍

    *   08_RCNN：总结、优缺点与问题自测

  *   SPPNet原理/

    *   01_SPPNet：与RCNN的区别、网络流程

    *   02_SPPNet：映射

    *   03_SPPNet：SPP层的作用

    *   04_SPPNet：总结、优缺点与问题自测

  *   FastRCNN原理/

    *   01_FastRCNN：改进之处以及网络流程

    *   02_FastRCNN：RoI pooling结构以及SPP对比

    *   03_FastRCNN：多任务损失

    *   04_FastRCNN：总结与问题自测

  *   FasterRCNN原理/

    *   01_FasterRCNN：网络结构与步骤

    *   02_FasterRCNN：RPN网络的原理

    *   03_FasterRCNN：总结与问题自测

  *   YOLO原理/

    *   01_YOLO：算法特点与流程介绍

    *   02_YOLO：单元格原理过程

    *   03_YOLO：训练过程样本标记

    *   04_YOLO：总结

  *   SSD原理/

    *   01_SSD：网络结构与Detected结构

    *   02_SSD：localization与confidence

    *   03_SSD：训练与测试流程总结

    *   04_TensorflowSSD接口介绍

    *   05_第一阶段算法总结

*   第二章 图片商品物体检测项目第二阶段-数据集制作与处理/

  *   数据集标记/

    *   01_目标检测数据集介绍

    *   02_商品数据集标记

  *   数据集格式转换/

    *   01_数据集格式转换介绍

    *   02_格式转换：代码介绍

    *   03_格式转换：文件读取以及存储逻辑

    *   04_格式转换：图片数据以及XML读取

    *   05_格式转换：example封装、总结

  *   TFRecords读取/

    *   01_slim库介绍

    *   02_TFRecord读取：Dataset准备

    *   03_TFRecord读取：provider读取

    *   04_第二阶段总结

*   第三章 图片商品物体检测项目第三阶段-项目实现与部署/

  *   项目架构/

    *   01_项目架构设计

    *   02_训练与测试整体结构设计

  *   数据接口实现/

    *   01_数据接口：商品格式转换实现

    *   02_数据接口：读取数据接口设计以及基类如何定义

    *   03_数据接口：商品数据读取子类实现

    *   04_数据接口：数据读取工厂逻辑实现

    *   05_数据接口：代码运行与数据模块总结

  *   模型接口实现/

    *   01_模型接口：接口设置以及模型工厂代码

  *   预处理接口实现/

    *   01_预处理接口：预处理需求介绍、数据增强介绍

    *   02_预处理接口：预处理工厂代码

    *   03_预处理接口：预处理工厂代码参数错误调整

    *   04_数据接口、模型接口、预处理接口参数总结

  *   训练过程实现/

    *   01_训练：训练步骤与设备部署介绍

    *   02_训练：model_deploy介绍

    *   03_训练：训练运行结果显示与初始配置确定

    *   04_训练：1设备配置代码以及全局步数定义

    *   05_训练：2图片数据读取与处理逻辑介绍

    *   06_训练：2数据模块与网络模型获取结果

    *   07_训练：2网络参数修改、provider获取数据、预处理

    *   08_训练：2NHWC和NCHW介绍

    *   09_训练：2对anchors进行正负样本标记

    *   10_训练：2批处理获取以及数据形状变换

    *   11_训练：2队列设置

    *   12_训练：3复制模型、添加参数观察与4添加学习率和优化器

    *   13_训练：5总损失计算与变量平均梯度计算6训练配置

    *   14_训练：训练流程总结

  *   测试过程实现/

    *   01_测试：测试流程介绍、代码

    *   02_测试：图片输入、结果标记代码

  *   模型部署介绍/

    *   01_web服务与模型部署流程关系介绍

    *   02_本地TensorFlow Serving演示以及逻辑介绍

  *   导出模型/

    *   01_模型导出：模型输入输出定义

    *   02_模型导出：Savedmodel导出模型

  *   开启模型服务/

    *   01_开启模型服务

  *   TFServing客户端/

    *   01_Tensorflow serving client逻辑

    *   02_Client：用户输入图片处理

    *   03_Client：grpc与serving apis介绍

    *   04_Client：客户端建立连接获取结果代码

    *   05_Client：结果解析

    *   06_Client：结果标记返回

  *   服务器部署/

    *   01_服务器部署：服务器部署的代码文件需求、服务开启

    *   02_项目总结