本書從機器視覺和深度學習的基礎(chǔ)概念入手，以流行的深度學習框架PyTorch為基礎(chǔ)，展示深度學習在計算機視覺方面的應(yīng)用。作為機器視覺的入門和實戰(zhàn)教程，本書以簡潔易懂的語言和示例介紹相關(guān)機器視覺和深度學習的理論知識，并介紹如何更好地使用PyTorch深度學習框架來處理機器視覺方面的問題。
　　本書共7章，主要內(nèi)容如下：
　　第1章機器視覺基礎(chǔ)。本章介紹了有關(guān)機器視覺的基礎(chǔ)知識，包括機器視覺的概念、發(fā)展和應(yīng)用，分析了機器視覺的任務(wù)，研究了機器視覺的構(gòu)成及各組成部分的主要功能，并從圖像噪聲、圖像濾波、幾何變換和圖像特征四個方面深入分析了機器視覺的原理，為后續(xù)相關(guān)內(nèi)容的研究奠定了基礎(chǔ)。
　　第2章神經(jīng)網(wǎng)絡(luò)與機器視覺。本章介紹了神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、卷積神經(jīng)網(wǎng)絡(luò)、典型CNN架構(gòu)模型及常見深度學習框架。其中，典型CNN架構(gòu)模型包括LeNet-5、AlexNet、GoogleNet、VGGNet、ResNet等；常見的深度學習框架包括TensorFlow、PyTorch、Keras、Caffe、CNTK、MXNet等。
　　第3章機器學習開發(fā)實踐環(huán)境。本章首先介紹了機器學習開發(fā)所用到的實踐環(huán)境，包括Anaconda開發(fā)平臺的基礎(chǔ)知識及其安裝方法，以及嵌入式機器視覺開發(fā)平臺及其相關(guān)技術(shù)；其次介紹了如何安裝Anaconda，以及在Anaconda環(huán)境下安裝TensorFlow和PyTorch框架的方法；最后介紹了機器視覺開發(fā)常用的幾種數(shù)據(jù)集，并給出了示例。
　　第4章圖像分類開發(fā)實踐。本章主要介紹了圖像分類基本概念及原理、典型分類模型和圖像分類的軟硬件開發(fā)環(huán)境，并通過實戰(zhàn)的方式對圖像分類進行了介紹，包括數(shù)據(jù)預處理、模型搭建、訓練及最后的驗證。
　　第5章目標檢測開發(fā)實踐。本章首先從目標檢測任務(wù)的需求出發(fā)，對目標檢測的性能指標做了介紹；其次介紹了傳統(tǒng)的基于特征的目標檢測算法模型及利用卷積神經(jīng)網(wǎng)絡(luò)進行目標檢測算法模型，著重介紹了YOLO模型及原理，特別是算法的訓練與預測中的具體細節(jié)；最后給出了如何使用PyTorch實現(xiàn)YOLOv5算法。
　　第6章圖像分割開發(fā)實踐。本章首先介紹了圖像分割的基本概念，包括圖像分割的內(nèi)容、類別及目的；其次介紹了基于閾值、區(qū)域、邊緣檢測等的常見傳統(tǒng)圖像分割方法，包括基本思想和具體程序?qū)崿F(xiàn)；最后介紹了當前基于深度學習的核心思想和常用數(shù)據(jù)集，分析了經(jīng)典分割框架FCN的基本原理，在此基礎(chǔ)上介紹其改進后提出的UNet方法，并在介紹相關(guān)算法基本原理的基礎(chǔ)上，給出了主要實驗過程和關(guān)鍵代碼以供參考。
　　第7章圖像生成技術(shù)。圖像生成領(lǐng)域內(nèi)主流的圖像生成技術(shù)有三類，分別是PixelCNN像素卷積網(wǎng)絡(luò)、VAE變分自編碼器和GAN生成對抗網(wǎng)絡(luò)。本章選擇了最近熱門的GAN生成對抗網(wǎng)絡(luò)作為主要內(nèi)容，重點介紹了生成對抗網(wǎng)絡(luò)思想及算法推導，利用PyTorch實現(xiàn)了WGAN算法，并利用不同的數(shù)據(jù)集來生成圖像。
　　本書可為機器視覺研究領(lǐng)域提供良好的理論指導和技術(shù)支撐，進一步地，讀者可結(jié)合典型應(yīng)用場景，依據(jù)本書提供的經(jīng)典案例和代碼，開展具體實踐驗證。編者結(jié)合多年在機器視覺方面的科研與教學經(jīng)驗，參考國內(nèi)外最新研究成果，總結(jié)并編寫本書，希望對讀者有所幫助。