滿額折
深度學習圖像識別技術：基於TensorFlow Object Detection API和OpenVINO工具套件（簡體書）
人民幣定價：89 元
定價
：NT$ 534 元優惠價
：87 折 465 元
絕版無法訂購
相關商品
商品簡介
名人/編輯推薦
目次
商品簡介
《深度學習圖像識別技術：基於TensorFlow Object Detection API和OpenVINO™ 工具套件》首先講述了人工智能、深度學習、卷積神經網絡、目標檢測以及遷移學習的概念，接著詳述了如何基於TensorFlow Object Detection API框架從零開始搭建深度學習目標檢測應用的開發環境，如何訓練自己的目標檢測模型，然後詳述了如何基於OpenVINOTM工具套件優化模型、部署模型以及用C++和Python開發用戶應用程序。*後通過工業光學字符自動識別、垃圾瓶自動分選、農作物病害自動識別和工業產品外觀缺陷檢測4個完整的深度學習目標檢測工程案例來幫助讀者加深深度學習圖形檢測的認識和理解。
《深度學習圖像識別技術：基於TensorFlow Object Detection API和OpenVINO™ 工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。
《深度學習圖像識別技術：基於TensorFlow Object Detection API和OpenVINO™ 工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。
名人/編輯推薦
人工智能專家編寫;英特爾專家傾力推薦;附贈超過4GB資料包
目次
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 什麼是人工智能
1.1.2 人工智能發展簡史
1.1.3 人工智能與深度學習的關係
1.2 深度學習簡介
1.2.1 神經網絡
1.2.2 神經元
1.2.3 深度神經網絡
1.2.4 深度卷積神經網絡
1.3 目標檢測
1.3.1 目標檢測算法發展簡史
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據
1.4.2 大數據造成的問題
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 搭建深度學習開發環境
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 英偉達顯卡驅動安裝
2.1.3 測試驅動程序安裝
2.1.4 設置英特爾?集成顯卡為系統主顯示輸出
2.1.5 幻影峽谷：便攜式AI訓練“服務器”
2.2 深度學習開發環境所需的軟件
2.3 安裝Python和Anaconda
2.3.1 Python和Anaconda簡介
2.3.2 下載並安裝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 下載並安裝
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 下載並安裝
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 下載並安裝
2.7.3 安裝依賴的python軟件包
2.7.4 配置環境變量
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 下載並安裝
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：下載貓狗數據集
3.3.1 Kaggle數據集下載流程
3.3.2 訓練圖片的數量問題
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 複製10%的數據到eval文件夾
3.4.6 複製數據到test文件夾
3.5 依據標注類型創建標簽映射文件
3.6 創建TensorFlow TFRecord文件
3.6.1 將*.xml文件轉換為*.csv文件
3.6.2 將*.csv文件轉換為*.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 什麼是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 優化並部署模型
4.1 OpenVINO工具套件簡介
4.2 OpenVINO典型開發流程
4.3 安裝OpenVINO工具套件
4.3.1 版本選擇
4.3.2 系統要求
4.3.3 下載並安裝OpenVINO工具套件
4.4 安裝Cmake
4.5 安裝Microsoft Visual Studio 2017
4.6 安裝硬件驅動
4.6.1 英特爾?顯卡驅動
4.6.2 英特爾?神經計算棒二代驅動
4.6.3 英特爾?視覺計算加速卡驅動
4.7 設置環境變量
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 編譯並運行Inference Engine範例和演示程序
4.9.1 編譯samples文件夾中的範例
4.9.2 編譯demos文件夾中的範例
4.9.3 從Open Model Zoo中下載預訓練模型
4.9.4 下載英特爾?範例視頻
4.9.5 運行預訓練模型
4.10 使用Model Optimizer優化模型
4.10.1 轉換TensorFlow* Object Detection API模型
4.10.2 用OpenVINO工具套件範例程序測試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++範例
4.12.1 設置環境變量和Visual Studio項目屬性
4.12.2 開發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範例
4.13.1 設置環境變量PYTHONPATH
4.13.2 開發AI推理計算Python應用程序（OpenCV版）
4.13.3 開發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 同步模式範例
5.2.2 異步模式範例
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 工業領域光學字符識別範例
6.1 項目背景
6.2 新建OCR項目工程文件夾
6.3 收集並標注圖片
6.4 訓練模型
6.5 導出TensorFlow凍結圖模型
6.6 測試模型
6.7 基於OpenVINO工具套件優化並加速模型
6.8 基於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範例
7.1 項目背景
7.2 新建垃圾瓶分類項目工程文件夾
7.3 收集並標注圖片
7.4 訓練模型
7.5 導出TensorFlow凍結圖模型
7.6 測試模型
7.7 基於OpenVINO工具套件優化並加速模型
7.8 基於OpenVINO工具套件部署模型
7.9 本章小結
第8章 農作物病蟲害自動識別項目範例
8.1 項目背景
8.2 新建農作物病蟲害自動識別項目工程文件夾
8.3 收集並標注圖片
8.4 訓練模型
8.5 導出TensorFlow凍結圖模型
8.6 測試模型
8.7 基於OpenVINO工具套件優化並加速模型
8.8 基於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範例
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 收集並標注圖片
9.4 訓練模型
9.5 導出TensorFlow凍結圖模型
9.6 測試模型
9.7 基於OpenVINO工具套件優化並加速模型
9.8 基於OpenVINO工具套件部署模型
9.9 本章小結
參考文獻
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 什麼是人工智能
1.1.2 人工智能發展簡史
1.1.3 人工智能與深度學習的關係
1.2 深度學習簡介
1.2.1 神經網絡
1.2.2 神經元
1.2.3 深度神經網絡
1.2.4 深度卷積神經網絡
1.3 目標檢測
1.3.1 目標檢測算法發展簡史
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據
1.4.2 大數據造成的問題
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 搭建深度學習開發環境
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 英偉達顯卡驅動安裝
2.1.3 測試驅動程序安裝
2.1.4 設置英特爾?集成顯卡為系統主顯示輸出
2.1.5 幻影峽谷：便攜式AI訓練“服務器”
2.2 深度學習開發環境所需的軟件
2.3 安裝Python和Anaconda
2.3.1 Python和Anaconda簡介
2.3.2 下載並安裝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 下載並安裝
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 下載並安裝
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 下載並安裝
2.7.3 安裝依賴的python軟件包
2.7.4 配置環境變量
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 下載並安裝
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：下載貓狗數據集
3.3.1 Kaggle數據集下載流程
3.3.2 訓練圖片的數量問題
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 複製10%的數據到eval文件夾
3.4.6 複製數據到test文件夾
3.5 依據標注類型創建標簽映射文件
3.6 創建TensorFlow TFRecord文件
3.6.1 將*.xml文件轉換為*.csv文件
3.6.2 將*.csv文件轉換為*.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 什麼是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 優化並部署模型
4.1 OpenVINO工具套件簡介
4.2 OpenVINO典型開發流程
4.3 安裝OpenVINO工具套件
4.3.1 版本選擇
4.3.2 系統要求
4.3.3 下載並安裝OpenVINO工具套件
4.4 安裝Cmake
4.5 安裝Microsoft Visual Studio 2017
4.6 安裝硬件驅動
4.6.1 英特爾?顯卡驅動
4.6.2 英特爾?神經計算棒二代驅動
4.6.3 英特爾?視覺計算加速卡驅動
4.7 設置環境變量
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 編譯並運行Inference Engine範例和演示程序
4.9.1 編譯samples文件夾中的範例
4.9.2 編譯demos文件夾中的範例
4.9.3 從Open Model Zoo中下載預訓練模型
4.9.4 下載英特爾?範例視頻
4.9.5 運行預訓練模型
4.10 使用Model Optimizer優化模型
4.10.1 轉換TensorFlow* Object Detection API模型
4.10.2 用OpenVINO工具套件範例程序測試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++範例
4.12.1 設置環境變量和Visual Studio項目屬性
4.12.2 開發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範例
4.13.1 設置環境變量PYTHONPATH
4.13.2 開發AI推理計算Python應用程序（OpenCV版）
4.13.3 開發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 同步模式範例
5.2.2 異步模式範例
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 工業領域光學字符識別範例
6.1 項目背景
6.2 新建OCR項目工程文件夾
6.3 收集並標注圖片
6.4 訓練模型
6.5 導出TensorFlow凍結圖模型
6.6 測試模型
6.7 基於OpenVINO工具套件優化並加速模型
6.8 基於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範例
7.1 項目背景
7.2 新建垃圾瓶分類項目工程文件夾
7.3 收集並標注圖片
7.4 訓練模型
7.5 導出TensorFlow凍結圖模型
7.6 測試模型
7.7 基於OpenVINO工具套件優化並加速模型
7.8 基於OpenVINO工具套件部署模型
7.9 本章小結
第8章 農作物病蟲害自動識別項目範例
8.1 項目背景
8.2 新建農作物病蟲害自動識別項目工程文件夾
8.3 收集並標注圖片
8.4 訓練模型
8.5 導出TensorFlow凍結圖模型
8.6 測試模型
8.7 基於OpenVINO工具套件優化並加速模型
8.8 基於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範例
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 收集並標注圖片
9.4 訓練模型
9.5 導出TensorFlow凍結圖模型
9.6 測試模型
9.7 基於OpenVINO工具套件優化並加速模型
9.8 基於OpenVINO工具套件部署模型
9.9 本章小結
參考文獻
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。