培训对象：
具备Python/深度学习基础的算法工程师
需要处理图像/视频数据的开发人员
安防/医疗/工业质检/自动驾驶等行业从业者
希望掌握视觉AI能力的应用开发者
培训目标：
使学员系统掌握计算机视觉核心任务（图像分类、目标检测、图像分割、图像生成）的算法原理与实战方法；熟练使用PyTorch及主流视觉库进行模型开发；能够基于YOLO、ResNet、U-Net等经典模型解决实际视觉问题；具备从数据准备、模型训练到部署的全流程项目能力；能够独立完成工业质检、目标识别等企业级视觉应用。
培训内容介绍：
计算机视觉概述与应用场景
计算机视觉的定义与发展历程；视觉技术在各行业的应用：安防/医疗/自动驾驶/工业质检/新零售；视觉任务分类：图像分类/目标检测/图像分割/姿态估计/图像生成；技术发展脉络及产业应用案例。
数字图像处理基础
图像表示：像素/通道/分辨率/色彩空间（RGB/HSV/Grayscale）；图像基本操作：读取/显示/保存/裁剪/缩放/旋转；图像滤波：均值滤波/高斯滤波/中值滤波/双边滤波；边缘检测：Sobel/Canny算子；图像增强：直方图均衡化/伽马变换。
图像分类与经典CNN架构
图像分类问题定义与评估指标；LeNet-5：开山之作；AlexNet：深度学习突破；VGG：小卷积核堆叠思想；ResNet：残差学习解决退化问题；迁移学习在图像分类中的应用；实战：基于ResNet的猫狗分类项目。
卷积神经网络进阶
分组卷积与深度可分离卷积；空洞卷积（Dilated Convolution）与感受野；可变形卷积（Deformable Conv）；注意力机制：SENet/CBAM/ECA；轻量化网络：MobileNet系列/ShuffleNet系列；网络结构对比与选型策略。
目标检测算法（一阶段）
目标检测问题定义与评估指标（IoU/mAP）；滑动窗口与候选区域思想；YOLO系列演进：YOLOv1-v8核心思想；SSD：多尺度特征图检测；Anchor-Free检测：CenterNet/FCOS；实战：基于YOLOv8的通用目标检测。
目标检测算法（两阶段）
R-CNN：候选区域+CNN分类；Fast R-CNN：共享卷积与RoI Pooling；Faster R-CNN：RPN网络；Mask R-CNN：扩展至实例分割；检测模型选型对比与实践建议。
图像分割技术
语义分割：逐像素分类；FCN：全卷积网络；U-Net：编码器-解码器+跳跃连接；DeepLab系列：空洞卷积与ASPP；实例分割与全景分割简介；分割模型评估指标（mIoU/PA）；实战：基于U-Net的医学图像分割。
人脸识别与关键点检测
人脸检测：MTCNN/RetinaFace；人脸对齐与关键点定位；人脸识别流程：检测-对齐-特征提取-比对；人脸识别损失函数：Triplet Loss/ArcFace/CosFace；人脸活体检测技术；实战：人脸检测与识别系统搭建。
目标跟踪与姿态估计
目标跟踪问题定义；SORT与DeepSORT算法；基于孪生网络的跟踪（Siamese系列）；人体姿态估计：自顶向下/自底向上方法；OpenPose与HRNet；姿态估计应用场景。
图像生成与GANs
生成对抗网络原理；DCGAN：卷积GAN；条件GAN（cGAN）与图像翻译（Pix2Pix）；CycleGAN：无监督图像翻译；StyleGAN系列：高保真人脸生成；实战：基于DCGAN的漫画头像生成。
视觉模型训练技巧与优化
数据增强策略：基础增强/自动增强（AutoAugment）/CutMix/Mosaic；难例挖掘（Hard Example Mining）；标签平滑与模型EMA；模型蒸馏原理；训练稳定性与收敛性优化；模型推理加速基础。
综合实战：工业质检系统构建
从零构建工业缺陷检测系统：需求分析（电子产品表面缺陷检测）→数据准备（缺陷样本采集与标注）→数据增强→模型选型（YOLOv8/U-Net）→迁移学习微调→模型评估→ONNX导出与推理加速→RESTful API封装→系统演示。
