人工智能：深度学习从入门到精通视频教程2022新课，25周全，提供源码和文档下载

图像处理常用的Kodak24数据集，很多地方下载这个都要积分，一个开源数据集，真的这些人好烦。0积分大家拿去。

使用MNIST数据集训练，对手写数字识别率达99.04％。网络架构、训练过程可视化

近年来，深度学习在计算机视觉领域中的表现优于传统的机器学习技术，而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据，且无法满足人们对图像分类精度和速度的要求，而基于深度学习的图像分类方法突破了此瓶颈，成为目前图像分类的主流方法。从图像分类的研究意义出发，介绍了其发展现状。其次，具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次，对比分析了方法之间的差异及其在常用数据集上的性能表现。最后，探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。

YOLOv5四种对应的模型，YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x，如果官网下载速度太慢，可以在这里进行下载，下载好后放入weights文件夹中，即可使用。

计算机视觉经典网络讲解

进行苹果、香蕉、橙子的水果识别用于yolov数据集仅训练数据集和测试训练集加一起一共300张图片，大部分的图片背景为白色，有少部分的背景干扰，有需要的可以下载测试。

包括四类花朵：daisy 、dandelion、roses、sunflowers ### 使用步骤如下： * （1）在data_set文件夹下创建新文件夹"flower_data" * （2）点击链接下载花分类数据集 [http://download.tensorflow.org/example_images/flower_photos.tgz](http://download.tensorflow.org/example_images/flower_photos.tgz) * （3）解压数据集到flower_data文件夹下 * （4）执行"split_data.py"脚本自动将数据集划分成训练集train和验证集val ``` ├── flower_data ├── flower_photos（解压的数据集文件夹，3670个样本） ├── train（生成的训练集，3306个样本） └── val（生成的验证集，364个样本） ```

图像风格转换，输入原图+风格图，可以生成新的图片。主网络可以选择使用vgg16、vgg11、vgg13、vgg19，之前用过残差网络，发现效果不好。

深度学习机器学习图像处理的matlab源代码--基于 Harris 的角点特征检测应用案例研究