來源：Unsplash，作者：?JR Korpa?

來源：知乎問題

今天分享一下 Github 上不錯的計算機視覺或者機器視覺方面的項目，包括入門的教程、非常經典的算法和實戰項目等等。

今日推薦文章

github標星11600+：最全的吳恩達機器學習課程資源（完整筆記、中英文字幕視頻、python作業，提供百度云鏡像！）

---

計算機視覺聯盟

https://www.zhihu.com/question/30049772/answer/831391266

從個人經歷出發，全部都是自己在成長過程中所收集到的干貨項目，很多都是自己經過篩選自己總結的，保證你能獲取的是干貨，拿走不謝！本王只需您的點贊和關注！

【1】機器學習西瓜書手推筆記（PDF可打印版本）

自己的純手推筆記，附PDF可打印版本

https://github.com/Sophia-11/Machine-Learning-Notes

【2】計算機視覺領域資源匯總

匯集了計算機視覺資源匯總，包含計算機視覺方向算法匯總、論文匯總

https://github.com/Sophia-11/Awesome-CV-Resources

【3】計算機視覺頂會ICCV2019論文集（標星90）

持續更新收集所有ICCV2019論文集，做科研，搞算法，跟蹤最前沿論文思路，少不了這些頂會論文，附下載鏈接

https://github.com/Sophia-11/Awesome-ICCV2019

【4】再幾個目標檢測經典算法鏈接：

YOLO darknet版本：

https://pjreddie.com/darknet/yolo/

YOLO Keras版本：

https://github.com/qqwweee/keras-yolo3

YOLO mobilenet：

caffe Linux 和Windows 版本：

https://github.com/eric612/MobileNet-YOLO

https://github.com/eric612/Caffe-YOLOv3-Windows

Keras版本：

https://github.com/Adamdad/keras-YOLOv3-mobilenet

MXNET版本：

https://gluon-cv.mxnet.io/model_zoo/detection.html#yolo-v3

https://github.com/sufeidechabei/gluon-mobilenet-yolov3

機器學習西瓜書手推筆記（PDF可打印版本）

Table of Contents

第一章緒論

第一章 緒論

高清圖見GitHub鏈接：https://github.com/Sophia-11/Machine-Learning-Notes

第二章 模型評估與選擇

計算機視覺領域資源匯總

Table of Contents

全球高校計算機視覺實驗室名單

計算機視覺算法資源匯總

AI頂會（2019~2020）

寫了這么多的，希望得到您的關注和點贊，如果想獲取更多，可以查看GitHub或關注公眾號【計算機視覺聯盟】！

---

量子位的回答

https://www.zhihu.com/question/30049772/answer/741863783

谷歌大腦Quoc Le團隊，又訓練出了一只地表最強的模型。

那是一個目標檢測模型，從前并不是最強大。

但自從用機器學習解鎖了特別的數據擴增策略，再用自動擴增來的新數據集訓練目標檢測模型，事情就完全不同了。

注意：目標檢測和分類不一樣，分類不需要標注邊界框，而目標檢測需要。

△ 左邊是自動擴增數據，右邊是成績提升

模型在COCO目標檢測任務上，拿到了50.7 mAP的最高分，刷新從前的紀錄。

谷歌的方法，并沒有改變模型本身，但有效提升了準確率，+2.3 mAP以上。

團隊還強調，AI在COCO數據集里學到的擴增策略，直接遷移到其他數據集上，同樣可以提升準確率。

現在，算法已經開源了，AI學到的擴增策略也在里面。

是怎樣的擴增策略？

論文寫到，這里的數據擴增只涉及了一些簡單變換 (Simple Transformations) ：

有應用在整張圖片上、但不會影響邊界框的那種變換，比如從圖像分類里借來的顏色變換 (Color Transformations)。

也有不影響整張圖片、但改變邊界框位置的那種變換，比如圖像平移 (Translating) 或剪切 (Shearing) 。

注意，這些變換只用在訓練過程中，不會用到測試環節里。

研究人員說，當變換的數量越來越龐大的時候，就很難手動把它們有效組合到一起了。

所以，就要用機器學習，搜索出更適合目標檢測任務的組合策略。

思路是這樣的：

團隊把數據擴增搜索?(Data Augmentation Search) 看做一個離散的優化問題，優化的是模型的泛化表現。

在自家的另一篇論文 (arXiv:1805.09501) 基礎上，把重點轉移到針對目標檢測的擴增策略上。

比起圖像分類任務的數據擴增，目標檢測的難點在于，要保持邊界框和發生形變的圖像之間的一致性(Consistency) 。

而邊界框的標注，也為數據擴增提供了一種新的方式：只在邊界框里面修改圖像。就像上文講的那樣。

另外，團隊還探索了在圖片發生幾何變換?(Geometric Transformations) 的情況下，怎樣去改變邊界框的位置。

具體方法是這樣的：

把擴增策略定義成一組無序的子策略?(Sub-Policy) 。

在訓練過程中，每個子策略都會被隨機選中，應用到當前的圖片里去。

每個子策略里，有N個圖片變換，依次在同一張圖上進行。

要把這個搜索過程，變成一個離散的優化問題，就要創建一個搜索空間。

空間里面，有5個種策略，每種子策略有2種圖像變換運算。

另外，每個運算還和兩個超參數相關聯，一個是代表應用這個運算的可能性 (Probability) ，二是這個運算的大小 (Magnitude) 。

初步實驗之后，團隊定下了22種圖像變換運算。

學習完成的子策略，成效是這樣的：

肉眼可見，成效顯著。

一是在COCO目標檢測中，以50.7 mAP拔得頭籌，(比策略訓練前) 提升了2.3 mAP。

二是在PASCAL VOC目標檢測中，提升了2.7 mAP。

也就是說，在COCO上訓練好的策略，直接搬到其他數據集上也有效。

團隊說，這個方法尤其適合在小數據集中避免過擬合。

代碼開源了，你也去試一下吧。

論文傳送門：

https://arxiv.org/abs/1906.11172

代碼傳送門：

https://github.com/tensorflow/tpu/tree/master/models/official/detection

— 完 —

量子位

---

「已注銷」

https://www.zhihu.com/question/30049772/answer/127460083

非常多啊

先說說較大的框架項目：

• **OpenCV **https://github.com/opencv/opencv

• dlib?https://github.com/davisking/dlib

• Caffe?https://github.com/BVLC/caffe

• Mxnet?https://github.com/dmlc/mxnet

• tensorflowhttps://github.com/search%3Futf8%3D%25E2%259C%2593%26q%3Dtensorflow

視覺這塊最主要的檢測以及追蹤

檢測：

• RCNN，Fast-RCNN，Faster-RCNN 現在最主流的檢測框架，https://github.com/rbgirshick/py-faster-rcnn -- see https://github.com/ShaoqingRen/faster_rcnn for the official MATLAB version

• SSD，達到實時的檢測算法，https://github.com/weiliu89/caffe/tree/ssd

• DPM，早期的檢測算法，使用latent SVM GitHub - https://github.com/rbgirshick/voc-dpm.?

追蹤：

TLD，非常魯棒的跟蹤算法 https://github.com/zk00006/OpenTLD

---

孔濤

https://www.zhihu.com/question/30049772/answer/107232336

我來回答幾個，以下的幾個代碼我都實際運行過，有一部分仔細讀過。

pdollar (Piotr Dollar) https://github.com/pdollar

Piotr's Computer Vision Matlab Toolbox，里邊包含各種各樣的算法，包括特征提取、分割、分類稍等等。

DL系列

• Caffe: https://github.com/BVLC/caffe: a fast open framework for deep learning.

• model zoo: https://github.com/BVLC/caffe/wiki/Model-Zoo，這個里邊包含了基于caffe實現的各種各樣的模型。

voc-dpm

鉛筆畫的自動生成，把一副圖像變成鉛筆水粉畫，感覺很酷很酷炫有木有

---

匿名用戶

https://www.zhihu.com/question/30049772/answer/47066644

https://github.com/jbhuang0604/awesome-computer-vision

來自 https://github.com/bayandin/awesome-awesomeness ，各種領域的 Awesome。

雖然絕大多數情況下都是馬了不看

---

歡迎關注我的微信公眾號--算法猿的成長，或者掃描下方的二維碼，大家一起交流，學習和進步！

如果覺得不錯，在看、轉發就是對小編的一個支持！

推薦閱讀：

• Github項目|幾行代碼即可實現人臉檢測、目標檢測的開源計算機視覺庫

• 你有哪些deep learning（rnn、cnn）調參的經驗？

• 國內有哪些不錯的CV（計算機視覺）團隊

• 實戰|手把手教你訓練一個基于Keras的多標簽圖像分類器

總結

以上是生活随笔為你收集整理的GitHub上有哪些比较好的计算机视觉/机器视觉的项目？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。