专栏名称: 有三AI

三人行必有AI，本公众号聚焦于让大家能够系统性地完成AI各个领域所需的专业知识的学习

【一对一小组】2025年有三AI-CV初阶-基础算法组发布，助力夯实深度学习图像识别算法理论与实践

有三AI · 公众号 · · 2025-02-10 15:50

正文

请到「今天看啥」查看全文

2025年有三AI-CV初阶-基础算法组 正式发布！ 有三AI已经推出了CV初-中-高级培养计划（ 原名有三AI-CV季划 ），这是我们的终身计算机视觉学习小组。

该培养计划具有以下特点：

【系统性】配套有非常完备的理论与实践

【永久性】不限制学习期限，一直有效

【成长性】内容保持更新，不额外收费

【专业性】原创书+视频讲解+真实项目锻炼

【丰富性】数千页PPT，文档，项目等

【权威性】工业界资深背景辅导老师，弱运营属性

什么是有三AI-CV初阶-基础算法组

本组针对深度学习与计算机视觉学习新手，目标是从Python编程、Pytorch框架使用与深度学习开始，到较为深入系统地掌握计算机视觉的核心领域，培养出独立完整的CV算法研发与工程项目能力。下图是2025年CV初阶-基础算法组包括的内容预览图，可以自行放大仔细阅读。

学习内容覆盖以下几个方向：

(1 ) 编程基础，包括 Python使用、 开源框架Pytorch 的使用。

(2) 数据使用，包括 数据获取、 数据整理、数据标注、数据增强。

(3) 计算机核心算法方向深入掌握，包括 图像分类、图像分割、目标检测、CNN模型、Vision Transformer模型、GAN模型、扩散模型。

学习资源包括以下部分：

(1) 可选的1本配套图书教材，《深度学习之图像识别：核心算法与实战案例（全彩版）》，推荐入手。

(2) 配套的视频教程，唯一的学习平台，课程不定期更新。

(3) 有三AI项目研发组进入权限，有机会负责真实产业案例研发。

编程与开源框架部分

Python在各类编程语言中是最适合新手学习的一门语言，也是当下人工智能科学研究与应用领域中使用最为广泛的语言，当前几乎所有的机器学习与深度学习开源研究项目都基于Python语言编写。

要学人工智能，必先学Python！为了帮助一些新手逐渐掌握Python的使用，我们配置了一套3个小时的Python课程。

课程详情可见：【视频课】纯新手如何快速掌握深度学习必备的Python基础能力，150分钟助你入门！

Pytorch是当下最流行的深度学习开源框架，我们所有的项目都是使用Pytorch框架，因此是我们必须要掌握的内容，我们配置了一套5个小时的Pytorch课程。

课程详情可见：【视频课】永久免费！5小时快速掌握Pytorch框架入门及实战

深度学习基础

深度学习必须夯实的理论基础，有三之前给阿里云开发了《深度学习原理与实践》基础课程，讲述了深度学习的大部分基础内容，内容深度和宽度都足够让初学者掌握好深度学习基础，介绍和地址如下：

【完结】有三AI&阿里云的深度学习基础课程暂时完结，欢迎扩散学习

大家可以到阿里云平台学习，也可以到我们课程平台去学习。

数据使用

数据的使用是深度学习算法领域从业者的必备素质，需要掌握如何收集高质量的数据，如何整理数据，如何分析数据，如何在各类项目中使用好数据增强。我们配置了 1门时长超过3小时的《深度学习之数据使用》课程与若干个项目实践。

课程详情可见：【视频课】永久免费！3小时快速掌握深度学习CV数据使用核心内容

图像分类

对于刚接触深度学习计算机视觉的初学者来说，图像分类问题是最常见的问题，如何做好图像分类任务，关系到大家能否正确顺利地入门、如何学习接下来更加高阶的内容。 我们配置了图像分类课程，当前包含的内容共约12个小时，PPT数量超过300页。

(1) 理论部分 ：涵盖了深度学习图像分类各个方向的理论知识，如 图像分类基础、多类别图像分类理论、细粒度图像分类理论、多标签图像分类理论、半监督与无监督图像分类、零样本图像分类 等，既有足够的广度，也具备足够的深度。

(2) 实践部分 ：本次课程中一共已经包含了5个实践案例，分别为 从零完成人脸表情识别案例实践 、简单图像分类数据增强实战、鸟类动物细粒度分类实战、生活用品多标签图像分类实战、基于血红细胞的图像分类竞赛技巧 ，通过这些实战案例可以彻底掌握图像分类任务的实战技巧。

课程详情可见：【视频课】CV必学，超10小时，3大模块，5大案例，循序渐进地搞懂图像分类理论与实践！

图像分割

图像分割是在图像分类基础上更加细粒度的像素级分类问题，在视频直播，电商推荐，自动驾驶，医学图像等行业中有着广泛的应用，是深度学习计算机视觉领域中非常底层的问题，也是必须掌握的核心算法，包含的东西非常多。 我们配置了 图像分割课程，当前包含的内容共约12个小时，PPT数量超过400页。

(1) 理论部分 ：涵盖了深度学习之图像分割的各个研究方向，如图像分割基础、语义分割模型及其改进技术、弱监督语义分割，Image Matting经典模型及其改进，各类实例分割模型等，既有足够的宽度，也具备有足够的深度。

(2) 实践部分 ：本次课程中一共已经包含了4个实践案例，分别为人脸嘴唇分割实战，缺陷分割实战，Image Matting人像抠图实战，Mask RCNN实例分割实战，部分案例结果图如下：

课程详情可见：【视频课】CV必学，超10小时，3大模块，4大案例，循序渐进地搞懂图像分割！

目标检测

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。 我们配置了 目标检测课程，当前包含的内容共约28个小时，PPT数量约400页。

(1) 理论部分 ： two-stage算法-Faster RCNN系列详解、one-stage算法-YOLO系列详解（从YOLO v1到YOLO v5），Anchor-free算法系列详解（包括Densebox，CenterNet，CornetNet等）；会非常详细地讲解算法中的细节，帮助彻底消化算法原理；

(2) 实践部分 ：本次课程中一共已经包含了4个实践案例， YOLOv3实战（工业缺陷检测）、 Faster-RCNN实战（猫脸检测），CenterNet（电路板缺陷检测），MMdetection框架使用；

课程详情可见 ： 【视频课】CV必学，超30小时，4大模块，4大案例，循序渐进地搞懂目标检测！

CNN模型设计

模型的设计是整个深度学习领域的通用基础，不管是从头设计自己的神经网络，还是对已有模型进行优化获得更高的任务指标，更快的运行速度，获得更小的模型体积，都需要掌握各类网络的设计技巧，是深度学习算法工程师进阶的难点及必学点！ 我们配置了 模型设计课程，当前包含的内容超过20个小时，PPT数量超过450页。

理论部分 。

(1) 基于网络深度的CNN模型设计，内容包括经典浅层卷积网络的设计模型如neocognitron、经典模型AlexNet，VGGNet，ResNet 。

(2) 基于网络宽度的CNN模型设计，内容包括多分支经典模型如GoogLeNet，ResNext等

(3) 经典注意力机制 CNN模型设计，内容包括空间注意力模型、通道注意力模型、混合注意力模型。

(3) 轻量级模型设计，内容包括 Xception网络、MobileNet V1和V2网络、 ShuffleNet V1和V2网络、SqueezeNet网络。

实践部分： 本次课程中一共已经包含了4个实践案例，基于ResNet的垃圾分类实战，基于InceptionNet系列的花卉分类实战，基于SeNet的人种分类实战，Pytorch模型安卓端部署。

详细了解课程，请阅读： 【视频课】AI必学，超20小时，4大模块，循序渐进地搞懂CNN模型设计与简单部署！

Vision Transformer模型

随着Transformer模型的诞生，自然语言处理领域进入了预训练模型时代，随后研究者开始将Transformer模型迁移到计算机视觉领域，并在学术上取得了许多进展，提出了各种各样的Vision Transformer模型，在性能上不输CNN模型。不管是大语言模型还是视觉大模型，其背后不可缺少的核心模型是Transformer。

我们配置了 Vision Transformer课程，当前包含的内容超过7个小时，PPT数量超过200页。

理论部分： (1) Transformer基础，包括自注意力原理，Transformer原理。 (2) 基础ViT模型原理，内容包括ViT模型原理，SimpleViT模型原理，DeiT模型原理。 (3) 深度ViT模型原理，内容包括DeepViT 模型原理，CaiT 模型原理。 (4) 轻量级ViT模型原理，内容包括CCT模型原理，MobileViT 模型原理。 (5) 其他模型原理，包括T2T模型。

实践部分： 从零实现 Transformer模型，从零实现 ViT模型，从零实现 DeiT模型，从零实现CaiT模型，从零实现DeepViT模型，从零实现 CCT模型，从零实现MobileViT 模型，从零实现T2T 模型，通用ViT模型训练方法。

详细了解课程，请阅读： 【视频课】AI必学，超7小时，5大模块，掌握深度学习视觉Transformer模型理论与实践

图像生成GAN

GAN是非常重要的生成式模型，其应用涉及图像与视频生成，数据仿真与增强，各种各样的图像风格化任务，人脸与人体图像编辑，图像质量提升。为了帮助初学者学习GAN用于图像生成领域的问题， 我们配置了 图像生成GAN课程，当前包含的内容超过6个小时，PPT数量超过200页。

理论部分 ： (1) 全卷积GAN模型原理。 (2) 条件生成GAN 模型原理。 (3 ) StyleGAN系列模型原理。 (4 ) 数据增强与仿真GAN 模型原理。 (5)视频生成GAN 模型原理。

实践部分： 本次课程中一共已经包含了2个实践案例， DCGAN人脸嘴唇表情生成模型搭建与训练，StyleGAN人脸图像生成模型搭建与训练。

详细了解课程，请阅读： 【视频课】CV必学，超6小时，2大模块，循序渐进地搞懂GAN图像生成！

扩散模型基础

扩散模型是一种基于深度学习的生成模型，它通过模拟数据从原始状态逐渐加入噪声直至完全随机的过程（正向扩散），然后再从这个随机状态逐步去除噪声恢复出原始数据的过程（反向扩散）。正向扩散过程逐步破坏数据的结构，而反向扩散过程则学习如何重建这些结构。扩散模型在图像生成、文本到图像的转换、音频合成等领域表现出色，是当下AIGC领域，尤其是文生图、文生视频等领域中的基础模型。

我们配置了扩散模型基础 课程，当前包含的内容超过2个小时。