新書推薦：
《
鸣沙丛书·大风起兮：地方视野和政治变迁中的“五四”（1911～1927）
》
售價：NT$
454.0
《
海洋、岛屿和革命：当南方遭遇帝国（文明的另一种声音）
》
售價：NT$
485.0
《
铝合金先进成型技术
》
售價：NT$
1214.0
《
英雄之旅：把人生活成一个好故事
》
售價：NT$
398.0
《
分析性一体的涌现：进入精神分析的核心
》
售價：NT$
556.0
《
火枪与账簿：早期经济全球化时代的中国与东亚世界
》
售價：NT$
352.0
《
《全面与进步跨太平洋伙伴关系协定》国有企业条款研究
》
售價：NT$
449.0
《
银行业架构网络BIAN（全球数字化时代金融服务业框架）（数字化转型与创新管理丛书）
》
售價：NT$
449.0
|
| 編輯推薦： |
|
计算机视觉是一种技术，机器可以通过这种技术获得与人类媲美的能力，以处理和分析图像或视频。《TensorFlow2.x高级计算机视觉》将重点介绍如何使用TensorFlow开发和训练深度神经网络，以解决高级计算机视觉问题，并在移动和边缘设备上部署解决方案。
|
| 內容簡介： |
《TensorFlow2.x高级计算机视觉》详细阐述了与TensorFlow高级计算机视觉相关的基本解决方案，主要包括计算机视觉和TensorFlow基础知识，局部二值模式和内容识别，使用OpenCV和CNN进行面部检测，图像深度学习，神经网络架构和模型，迁移学习和视觉搜索，YOLO和对象检测，语义分割和神经风格迁移，使用多任务深度学习进行动作识别，使用R-CNN、SSD和R-FCN进行对象检测，通过CPU/GPU优化在边缘设备上进行深度学习，用于计算机视觉的云计算平台等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。
|
| 目錄：
|
第1篇 计算机视觉和神经网络概论
第1章 计算机视觉和TensorFlow基础知识 3
1.1 技术要求 3
1.2 使用图像哈希和滤波检测边缘 3
1.2.1 使用拜耳滤色器形成彩色图案 4
1.2.2 创建图像向量 5
1.2.3 变换图像 8
1.2.4 线性滤波—与内核进行卷积 9
1.2.5 图像平滑 10
1.2.6 均值滤波器 11
1.2.7 中值滤波器 12
1.2.8 高斯滤波器 12
1.2.9 使用OpenCV进行图像滤波 13
1.2.10 图像梯度 14
1.2.11 图像锐化 15
1.2.12 混合高斯和拉普拉斯运算 16
1.2.13 检测图像边缘 18
1.2.14 Sobel边缘检测器 19
1.2.15 Canny边缘检测器 19
1.3 从图像中提取特征 20
1.3.1 直方图 20
1.3.2 使用OpenCV进行图像匹配 21
1.4 使用轮廓和HOG检测器进行对象检测 22
1.4.1 轮廓检测 23
1.4.2 检测边界框 23
1.4.3 HOG检测器 25
1.4.4 轮廓检测方法的局限性 26
1.5 TensorFlow生态系统和安装概述 28
1.5.1 TensorFlow与PyTorch 29
1.5.2 TensorFlow安装 29
1.6 小结 31
第2章 局部二值模式和内容识别 33
2.1 使用LBP处理图像 33
2.1.1 生成LBP模式 33
2.1.2 理解LBP直方图 36
2.1.3 直方图比较方法 36
2.1.4 LBP的计算成本 39
2.2 将LBP应用于纹理识别 39
2.3 使脸部颜色与基础颜色匹配—LBP及其局限性 45
2.4 使脸部颜色与基础颜色匹配—颜色匹配技术 48
2.5 小结 49
第3章 使用OpenCV和CNN进行面部检测 51
3.1 应用Viola-Jones AdaBoost学习模型和Haar级联分类器进行人脸识别 51
3.1.1 选择哈尔特征 51
3.1.2 创建积分图像 52
3.1.3 进行AdaBoost训练 55
3.1.4 级联分类器 56
3.1.5 训练级联检测器 57
3.2 使用深度神经网络预测面部关键点 58
3.2.1 准备用于关键点检测的数据集 58
3.2.2 处理关键点数据 61
3.2.3 在输入Keras–Python代码之前进行预处理 61
3.2.4 Keras–Python代码中的预处理 61
3.2.5 定义模型架构 63
3.2.6 训练模型以进行关键点预测 65
3.3 使用CNN预测面部表情 67
3.4 3D人脸检测概述 69
3.4.1 3D重建的硬件设计概述 69
3.4.2 3D重建和跟踪概述 69
3.4.3 参数跟踪概述 70
3.5 小结 71
第4章 图像深度学习 73
4.1 理解CNN及其参数 73
4.1.1 卷积 75
4.1.2 在空间上的卷积—3×3滤波器 77
4.1.3 在空间上的卷积—1×1滤波器 78
4.1.4 池化 79
4.1.5 填充 80
4.1.6 步幅 81
4.1.7 激活 82
4.1.8 全连接层 83
4.1.9 正则化 84
4.1.10 舍弃 84
4.1.11 内部协方差漂移和批归一化 85
4.1.12 Softmax 87
4.2 优化CNN参数 87
4.2.1 基准情况 89
4.2.2 迭代1 90
4.2.3 迭代2 90
4.2.4 迭代3 91
4.2.5 迭代4 92
4.3 可视化神经网络的各个层 94
4.3.1 构建自定义图像分类器模型并可视化其层 94
4.3.2 神经网络输入和参数 94
4.3.3 输入图像 95
4.3.4 定义训练和验证生成器 95
4.3.5 开发模型 96
4.3.6 编译和训练模型 96
4.3.7 输入测试图像并将其转换为张量 98
4.3.8 可视化第一个激活层 99
4.3.9 可视化多个激活层 99
4.3.10 训练现有的高级图像分类器模型并可视化其层 103
4.4 小结 107
第2篇 TensorFlow和计算机视觉的高级概念
第5章 神经网络架构和模型 111
5.1 AlexNet概述 111
5.2 VGG16概述 116
5.3 Inception概述 117
5.3.1 Inception网络的工作原理 117
5.3.2 GoogLeNet检测 120
5.4 ResNet概述 121
5.5 R-CNN概述 123
5.5.1 图像分割 125
5.5.2 基于聚类的分割 125
5.5.3 基于图的分割 125
5.5.4 选择性搜索 126
5.5.5 区域提议 126
5.5.6 特征提取 126
5.5.7 图像分类 127
5.5.8 边界框回归 127
5.6 快速R-CNN概述 127
5.7 更快的R-CNN概述 129
5.8 GAN概述 133
5.9 GNN概述 135
5.9.1 有关图神经网络的基础知识 136
5.9.2 频谱GNN 137
5.10 强化学习概述 138
5.11 迁移学习概述 139
5.12 小结 141
第6章 迁移学习和视觉搜索 143
6.1 使用TensorFlow编写深度学习模型代码 143
6.1.1 下载权重 144
6.1.2 解码预测结果 144
6.1.3 导入其他常用功能 145
6.1.4 构建模型 145
6.1.5 从目录输入图像 146
6.1.6 使用TensorFlow Keras导入和处理多幅图像的循环函数 146
6.2 使用TensorFlow开发迁移学习模型 151
6.2.1 分析和存储数据 151
6.2.2 导入TensorFlow库 152
6.2.3 设置模型参数 153
6.2.4 建立数据输入管道 153
6.2.5 训练数据生成器 153
6.2.6 验证数据生成器 154
6.2.7 使用迁移学习构建最终模型 154
6.2.8 使用Checkpoint保存模型 156
6.2.9 给训练的历史记录绘图 157
6.3 理解视觉搜索的架构和应用 160
6.3.1 视觉搜索的架构 161
6.3.2 视觉搜索代码和说明 164
6.3.3 预测上传图像的类别 164
6.3.4 预测所有图像的类别 165
6.4 使用tf.data处理视觉搜索输入管道 171
6.5 小结 173
第7章 YOLO和对象检测 175
7.1 YOLO概述 175
7.1.1 交并比的概念 176
7.1.2 YOLO能够快速检测对象的原因揭秘 177
7.1.3 YOLO v3神经网络架构 179
7.1.4 YOLO与更快的R-CNN的比较 180
7.2 用于对象检测的Darknet简介 181
7.2.1 使用Darknet检测对象 181
7.2.2 使用Tiny Darknet检测对象 184
7.3 使用Darknet进行实时预测 186
7.4 YOLO系列的比较 190
7.5 训练模型 191
7.6 使用YOLO v3训练新图像集以开发自定义模型 192
7.6.1 准备图像 194
7.6.2 生成注解文件 194
7.6.3 将.xml文件转换为.txt文件 196
7.6.4 创建合并的train.txt和test.txt文件 196
7.6.5 创建一个类别名称文件的列表 196
7.6.6 创建一个YOLO .data文件 197
7.6.7 调整YOLO配置文件 197
7.6.8 启用GPU进行训练 200
7.6.9 开始训练 200
7.7 特征金字塔网络和RetinaNet概述 201
7.8 小结 203
第8章 语义分割和神经风格迁移 205
8.1 用于语义分割的TensorFlow DeepLab概述 205
8.1.1 空间金字塔池化 207
8.1.2 空洞卷积 207
8.1.3 编码器-解码器网络 208
8.1.4 编码器模块 208
8.1.5 解码器模块 209
8.1.6 DeepLab中的语义分割示例 209
8.1.7 Google Colab、Google Cloud TPU和TensorFlow 209
8.2 使用DCGAN生成人工图像 213
8.2.1 生成器 213
8.2.2 鉴别器 214
8.2.3 训练 215
8.2.4 使用DCGAN修复图像 216
8.2.5 TensorFlow DCGAN示例 217
8.3 使用OpenCV修复图像 217
8.4 理解神经风格迁移 218
8.5 小结 222
第3篇 使用TensorFlow的计算机视觉高级实现
第9章 使用多任务深度学习进行动作识别 225
9.1 人体姿势估计—OpenPose 225
9.1.1 OpenPose背后的理论 225
9.1.2 理解OpenPose代码 228
9.2 人体姿势估计—堆叠沙漏模型 231
9.2.1 理解沙漏模型 233
9.2.2 编写沙漏模型代码 234
9.2.3 argparse块 235
9.2.4 训练沙漏网络 237
9.2.5 创建沙漏网络 238
9.3 人体姿势估计—PoseNet 242
9.3.1 自上而下的方法 242
9.3.2 自下而上的方法 242
9.3.3 PoseNet实现 243
9.3.4 应用人体姿势进行手势识别 246
9.4 使用各种方法进行动作识别 247
9.4.1 基于加速度计识别动作 248
9.4.2 将基于视频的动作与姿势估计相结合 250
9.4.3 使用4D方法进行动作识别 251
9.5 小结 251
第10章 使用R-CNN、SSD和R-FCN进行对象检测 253
10.1 SSD概述 253
10.2 R-FCN概述 256
10.3 TensorFlow对象检测API概述 258
10.4 在Google Cloud上使用TensorFlow检测对象 259
10.5 使用TensorFlow Hub检测对象 262
10.6 使用TensorFlow和Google Colab训练自定义对象检测器 263
10.6.1 收集图像并格式化为.jpg文件 265
10.6.2 注解图像以创建.xml文件 266
10.6.3 将文件拆分到训练和测试文件夹中 267
10.6.4 配置参数并安装所需的软件包 269
10.6.5 创建TensorFlow记录 271
10.6.6 准备模型并配置训练管道 273
10.6.7 使用TensorBoard监控训练进度 274
10.6.8 在本地计算机上运行TensorBoard 274
10.6.9 在Google Colab上运行TensorBoard 274
10.6.10 训练模型 275
10.6.11 运行推理测试 278
10.6.12 使用神经网络模型时的注意事项 279
10.7 Mask R-CNN概述和Google Colab演示 280
10.8 开发对象跟踪器模型以补充对象检测器 282
10.8.1 基于质心的跟踪 282
10.8.2 SORT跟踪 282
10.8.3 DeepSORT跟踪 283
10.8.4 OpenCV跟踪方法 284
10.8.5 基于暹罗网络的跟踪 284
10.8.6 基于SiamMask的跟踪 285
10.9 小结 286
第4篇 在边缘和云端上的TensorFlow实现
第11章 通过CPU/GPU优化在边缘设备上进行深度学习 291
11.1 边缘设备上的深度学习概述 291
11.2 用于GPU/CPU优化的技术 293
11.3 MobileNet概述 294
11.4 使用Raspberry Pi进行图像处理 296
11.4.1 Raspberry Pi硬件设置 297
11.4.2 Raspberry Pi摄像头软件设置 298
11.4.3 在Raspberry Pi中安装OpenCV 298
11.4.4 在Raspberry Pi中安装OpenVINO 299
11.4.5 安装OpenVINO工具包组件 300
11.4.6 设置环境变量 301
11.4.7 添加USB规则 301
11.4.8 使用Python代码运行推理 301
11.4.9 高级推理 302
11.4.10 人脸检测、行人检测和车辆检测 304
11.4.11 特征识别模型 305
11.4.12 动作识别模型 306
11.4.13 车牌、注视和人员检测 306
11.5 使用OpenVINO进行模型转换和推理 309
11.5.1 使用NCAPPZOO在终端中运行推理 309
11.5.2 转换预训练模型以进行推理 310
11.5.3 转换使用Keras开发的TensorFlow模型 310
11.5.4 转换使用TensorFlow对象检测API开发的TensorFlow模型 311
11.5.5 OpenVINO模型推理过程总结 312
11.6 TensorFlow Lite的应用 314
11.6.1 将TensorFlow模型转换为tflite格式 315
11.6.2 Python API 315
11.6.3 TensorFlow对象检测API—tflite_convert 315
11.6.4 TensorFlow对象检测API—toco 316
11.6.5 模型优化 318
11.7 使用TensorFlow Lite在Android手机上进行对象检测 319
11.8 使用TensorFlow Lite在Raspberry Pi上进行对象检测 323
11.8.1 图像分类 324
11.8.2 对象检测 325
11.9 使用TensorFlow Lite和Create ML在iPhone上进行对象检测 326
11.9.1 适用于iPhone的TensorFlow Lite转换模型 327
11.9.2 Core ML 330
11.9.3 将TensorFlow模型转换为Core ML格式 333
11.10 各种注解方法的摘要 333
11.10.1 将标注工作外包给第三方 333
11.10.2 自动或半自动标注 334
11.11 小结 338
第12章 用于计算机视觉的云计算平台 339
12.1 在GCP中训练对象检测器 339
12.1.1 在GCP中创建项目 340
12.1.2 GCP设置 341
12.1.3 Google Cloud Storage存储桶设置 342
12.1.4 使用GCP API设置存储桶 342
12.1.5 使用Ubuntu终端设置存储桶 343
12.1.6 设置Google Cloud SDK 343
12.1.7 将终端链接到Google Cloud项目和存储桶 344
12.1.8 安装TensorFlow对象检测API 345
12.1.9 准备数据集 346
12.1.10 TFRecord和标注地图数据 346
12.1.11 准备数据 346
12.1.12 上传数据 347
12.1.13 model.ckpt文件 348
12.1.14 模型配置文件 348
12.1.15 在云端训练 350
12.1.16 在TensorBoard中查看模型输出 351
12.1.17 模型输出并转换为冻结图 353
12.1.18 从Google Colab导出tflite graph.py 354
12.2 在AWS SageMaker云平台中训练对象检测器 357
12.2.1 设置AWS账户和限制等 357
12.2.2 将.xml文件转换为JSON格式 357
12.2.3 将数据上传到S3存储桶 358
12.2.4 创建Notebook实例并开始训练 358
12.2.5 修复训练中的一些常见故障 359
12.3 在Microsoft Azure云平台中训练对象检测器 361
12.3.1 创建一个Azure账号并设置Custom Vision 361
12.3.2 上传训练图像并标注它们 362
12.4 大规模训练和打包 366
12.4.1 关于分布式训练 366
12.4.2 应用程序打包 366
12.5 基于云的视觉搜索背后的总体思路 367
12.6 分析各种云平台中的图像和搜索机制 368
12.6.1 使用GCP进行视觉搜索 369
12.6.2 使用AWS进行视觉搜索 370
12.6.3 使用Azure进行视觉搜索 372
12.7 小结 373
|
| 內容試閱：
|
计算机视觉是一种技术，机器可以通过这种技术获得与人类媲美的能力，以处理和分析图像或视频。本书将重点介绍如何使用TensorFlow开发和训练深度神经网络，以解决高级计算机视觉问题，并在移动和边缘设备上部署解决方案。
本书将从计算机视觉和深度学习的关键原理开始，逐渐介绍各种模型和架构以及它们的优缺点。你将会了解到各种架构，如VGG、ResNet、Inception、R-CNN和YOLO等。你还将掌握通过迁移学习来使用各种视觉搜索的方法。
本书将帮助你理解计算机视觉的各种高级概念，包括语义分割、图像修复、对象（目标）跟踪、视频分割和动作识别等。你将逐步探索如何将各种机器学习和深度学习概念应用于诸如边缘检测和面部识别之类的计算机视觉任务中。
在本书的后面，还讨论如何进行性能优化、部署动态模型以提高处理能力，以及进行扩展以应对各种计算机视觉挑战。
学习完本书之后，你将对计算机视觉有深入的了解，并且将知道如何开发模型以自动执行任务。
本书读者
本书适用于对机器学习和深度学习有一定的了解，并希望构建专家级的计算机视觉应用程序的计算机视觉专业人员、图像处理专业人员、机器学习工程师和AI开发人员。阅读本书时，你应熟悉Python编程和TensorFlow。
内容介绍
本书分为4篇共12章，具体介绍如下。
第1篇：计算机视觉和神经网络概论，包括第1～4章。
第1章“计算机视觉和TensorFlow基础知识”，讨论计算机视觉和TensorFlow的基本概念，帮助读者为本书的后续学习打下坚实的基础。我们研究如何执行图像哈希和滤波；然后，学习特征提取和图像检索的各种方法；接下来，介绍基于轮廓的对象检测、定向梯度的直方图以及各种特征匹配方法；最后，还简要介绍高级TensorFlow软件及其不同的组件和子系统。本章提供许多用于对象检测、图像滤波和特征匹配的实际编码练习。
第2章“局部二值模式和内容识别”，讨论局部二值特征描述子和直方图，它们可用于对纹理图像和非纹理图像进行分类。我们学习调整局部二值模式（local binary pattern，LBP）参数并计算LBP之间的直方图差异，以匹配图像之间的相同模式。本章提供两种编码练习，一种用于匹配地板图案，另一种用于匹配面部颜色与基础颜色。
第3章“使用OpenCV和CNN进行面部检测”，从Viola-Jones的面部和关键特征检测开始，介绍基于神经网络的面部关键点检测和面部表情识别的高级概念。本章以3D人脸检测的高级概念作为结尾。另外，本章还提供两种编码练习，一种用于网络摄像头中基于OpenCV的面部检测，另一种是基于卷积神经网络的端到端面部关键点检测管道。端到端神经网络管道包括从网络摄像头裁剪面部图像以收集数据、标注面部图像中的关键点、将数据采集到卷积神经网络中、建立卷积神经网络模型、训练并最终评估面部图像关键点的模型。
第4章“图像深度学习”，深入研究如何使用边缘检测在空间上创建卷积运算，以及不同的卷积参数（如滤波器大小、维度和操作类型）如何影响卷积体积。本章还详细介绍神经网络如何查看图像，以及如何通过可视化对图像进行分类。另外，本章提供基于TensorFlow Keras的编码练习，以构建神经网络并进行可视化。最后，本章还比较我们创建的网络模型与诸如VGG 16或Inception之类的高级网络的准确率。
第2篇：TensorFlow和计算机视觉的高级概念，包括第5～8章。
第5章“神经网络架构和模型”，探讨不同的神经网络架构和模型。通过更改卷积、池化、激活、全连接和Softmax层的参数，介绍如何将第1章和第4章中学到的概念应用于各种场景。通过这些练习，你将对一系列神经网络模型有一个整体理解，这将为你成为计算机视觉工程师奠定坚实的基础。
第6章“迁移学习和视觉搜索”，介绍使用TensorFlow将数据输入模型中，并为现实应用开发视觉搜索方法。你将学习如何使用Keras数据生成器和TensorFlow tf.data API将图像及其类别输入TensorFlow模型中，然后剪切一部分预训练的模型，并在最后添加你自己的模型内容，以开发自己的分类器。这些练习背后的思路是学习如何在TensorFlow中为你在第4章和第5章中开发的神经网络模型进行编码。
第7章“YOLO和对象检测”，介绍两种单阶段的快速对象检测方法：仅看一次（You Only Look Once，YOLO）和RetinaNet。本章详细阐释不同的YOLO模型，如何更改其配置参数并进行推论。你还将学习如何处理自己的图像，以使用Darknet网络训练自定义YOLO v3模型。
第8章“语义分割和神经风格迁移”，讨论如何使用深度神经网络将图像分割为空间区域，从而生成人工图像并将风格从一种图像迁移到另一种图像。我们使用TensorFlow DeepLab进行练习以进行语义分割，并在Google Colab中编写TensorFlow代码以进行神经风格迁移。我们还使用深度卷积生成对抗网络（DCGAN）生成人工图像，并使用OpenCV进行图像修复。
第3篇：使用TensorFlow的计算机视觉高级实现，包括第9章和第10章。
第9章“使用多任务深度学习进行动作识别”，详细介绍如何开发多任务神经网络模型来识别动作（如手、嘴、头或腿的动作），以使用基于视觉的动作来检测动作类型。最后，我们还使用手机加速度计数据通过深度神经网络模型对它进行补充，以验证该动作。
第10章“使用R-CNN、SSD和R-FCN进行对象检测”，深入探讨各种对象检测模型，如R-CNN、单发检测器（single-shot detector，SSD）、基于区域的全卷积网络（region-based fully convolutional network，R-FCN）和Mask R-CNN，并使用Google Cloud和Google Colab Notebook进行实际练习。我们还练习如何训练自定义图像，以使用TensorFlow对象检测API开发对象检测模型。最后，本章还深入介绍各种对象跟踪方法，并使用Google Colab Notebook进行练习。
第4篇：在边缘和云端上的TensorFlow实现，包括第11章和第12章。
第11章“通过CPU/GPU优化在边缘设备上进行深度学习”，讨论如何采用已生成的模型并将其部署在边缘设备和生产系统上。这将导致完整的端到端TensorFlow对象检测模型实现。特别是，我们可以使用TensorFlow Lite和Intel开放式视觉推理和神经网络优化（intel open visual inference and neural network optimization，OpenVINO）架构开发、转换和优化TensorFlow模型，并将其部署到Raspberry Pi、Android和iPhone中。尽管本章主要关注Raspberry Pi、Android和iPhone上的对象检测，但是所讨论的方法也可以扩展到图像分类、风格迁移和所考虑的任何边缘设备的动作识别。
第12章“用于计算机视觉的云计算平台”，讨论如何在Google云平台（Google cloud platform，GCP）、Amazon Web Services（AWS）和Microsoft Azure云平台中打包应用程序以进行训练和部署。你将学习如何准备数据，将数据上传到云数据存储中并开始监视训练。你还将学习如何将图像或图像向量发送到云平台进行分析并获得JSON响应。本章将讨论单个应用程序以及如何在计算引擎上运行分布式TensorFlow。训练完成后，本章将讨论如何评估模型并将其集成到应用程序中以进行大规模操作。
充分利用本书
如果你是计算机视觉和TensorFlow的初学者，并且想要精通该主题，那么最好按顺序阅读本书的各个章节，而不是随便翻翻。本书以计算机视觉和神经网络的概念为基础，并提供了大量代码示例。请确保对所介绍的概念和架构有很好的了解，然后应用代码示例。
由于大小限制，我们无法将图像数据上传到GitHub上。你可以使用自己相机中的图像，也可以从Kaggle中下载图像数据集。
食物图像（用于汉堡和薯条样本）：也可以使用手机相机拍摄照片。
Kaggle家具检测器：
https://www.kaggle.com/akkithetechie/furniture-detector
如果你一开始不理解某个概念，请复习本书有关该概念的解释，甚至阅读其原始论文。
本书上大多数代码是在Jupyter Notebook环境中编写的，因此请确保已下载Anaconda。你还需要下载TensorFlow 2.0（详见第1章“计算机视觉和TensorFlow基础知识”）。
本书上大多数对象检测训练都是使用Google Colab完成的。第10章“使用R-CNN、SSD和R-FCN进行对象检测”和第11章“通过CPU/GPU优化在边缘设备上进行深度学习”提供了有关如何使用Google Colab的说明。
如果要将计算机视觉代码部署到边缘设备上，并且你正在考虑要购买什么设备，则可以参考第11章“通过CPU/GPU优化在边缘设备上进行深度学习”，它详细分析了各种设备。
该书在很大程度上依赖于终端的用法。在阅读第7章“YOLO和对象检测”之前，请确保你已经对终端的用法有了基本的了解。
第12章“用于计算机视觉的云计算平台”涉及云计算，因此你必须拥有一个Google云平台（GCP）、Amazon Web Services或Azure账户。如果你不严格跟踪自己的时间，那么云计算可能会变得昂贵。许多云计算提供商将在一段时间内为你提供免费使用服务的权利，但是在那之后，即使你的项目仍未开放，并且你没有进行训练，费用也会增加。因此请记住，在结束账户以停止产生费用之前，一定要先关闭你的项目。如果你对云计算有技术问题并且感到困惑，则可以阅读相关云计算平台的说明文档。
要充分利用本书，最好的方法是阅读理论，了解为什么要以这种方式开发模型，尝试示例练习，然后更新代码以适合你的需求。
下载示例代码文件
读者可以从www.packtpub.com下载本书的示例代码文件。具体步骤如下。
（1）注册并登录www.packtpub.com。
（2）在页面顶部的搜索框中输入图书名称Mastering Computer Vision with TensorFlow 2.x（不区分大小写，也不必输入完整），即可看到本书，单击打开链接，如图P-1所示。
图P-1
（3）在本书详情页面中，找到并单击Download code from GitHub（从GitHub上下载代码文件）按钮，如图P-2所示。
图P-2
提示：如果你看不到该下载按钮，可能是没有登录packtpub账号。该站点可免费注册账号。
（4）在本书GitHub源代码下载页面中，单击右侧的Code（代码）按钮，在弹出的下拉菜单中选择Download ZIP（下载压缩包），如图P-3所示。
下载文件后，请确保使用最新版本解压缩或解压缩文件夹。
WinRAR/7-Zip（Windows系统）。
Zipeg/iZip/UnRarX（Mac系统）。
7-Zip/PeaZip（Linux系统）。
图P-3
你也可以直接访问本书在GitHub上的存储库，其网址如下。
https://github.com/PacktPublishing/Mastering-Computer-Vision-with-TensorFlow-2.0
如果代码有更新，也会在现有GitHub存储库上更新。
下载彩色图像
我们还提供了一个PDF文件，其中包含本书中使用的屏幕截图/图表的彩色图像。可以通过以下地址下载。
http://www.packtpub.com/sites/default/files/downloads/9781789956085_ColorImages.pdf
本书约定
本书中使用了许多文本约定。
（1）有关代码块的设置如下所示。
faceresize = cv2.resize(detected_face， (img_size，img_size))
img_name =
”dataset/opencv_frame_{}.jpg”.format(img_counter)
cv2.imwrite(img_name， faceresize)
（2）任何命令行输入或输出都采用如下所示的粗体代码形式。
$ echo ”deb [signed-by=/usr/share/keyrings/cloud.google.gpg]
http://packages.cloud.google.com/apt cloud-sdk main” | sudo tee -a
/etc/apt/sources.list.d/google-cloud-sdk.list
（3）术语或重要单词采用中英文对照形式，在括号内保留其英文原文。示例如下。
张量处理单元（tensor processing unit，TPU）是Google开发的一种AI加速器，用于快速处理大量数据以训练神经网络。
（4）对于界面词汇或专有名词将保留其英文原文，在括号内添加其中文译名。示例 如下。
完成此操作后，单击APIs & Services（API和服务），然后单击Enable API & Services（启用API和服务），最后在Machine Learning（机器学习）下选择AI Platform Training & Prediction API（AI平台训练和预测API）。
（5）本书还使用了以下两种图标。
表示警告或重要的注意事项。
表示提示或小技巧。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
