🚀 基于 Gradio 的 YOLOv8 通用计算机视觉演示系统，集成目标检测、OBB定向目标检测、图像分割和图像分类于一体，可自定义检测模型。

本教程是对本人研究生期间的研究内容进行整理总结，总结的同时也希望能够帮助更多的小伙伴。后期如果有学习到新的知识也会与大家一起分享。 本教程会以视频的方式进行 图像分类，目标检测，语义分割基础网络的视频讲解和代码实现（pytorch） https://github.com/WZMIAOMIAO/deep-learning-for-image-processing

图像分类算法的开发与应用，使用主流的AI框架Pytorch训练卷积神经网络并结合迁移学习，在残差网络resnet50上 进行训练和预测，对输入图片使用OpenCV进行调整，当前准确率在98.7%左右，测试模型并部署到Docker容器中运行。 之后可能需要再继续优化模型

这是一个用python语言编写的猫狗识别小模型，采用Flash生成网页UI界面。该项目可以识别上传图片是否为猫或者狗，网络模型为GoogLeNet的改造，由于设备的原因，仅训练了50个epoch，正确率为72左右，如果想要高正确率可以自己再次训练即可

讯飞交通标志识别挑战赛 https://challenge.xfyun.cn/topic/info?type=traffic-signs

图像分类 CV1 通用框架：LeNet-5, AlexNet, √ VGG16, NiN, Inception_v1, √ ResNet_50, DenseNet, √ MobileNet_v1

Meat Quality Assessment based on PaddlePaddle-ResNet50.

PaddleClas2.2_Classification

CV深度学习分类模型，学习记录