一.python和opencv配置安装

二.notebook和IDE环境

jupyter notebook

IDE：pycharm

三.卷积神经网络模型（CNN）

1.用处

检测任务（检测，追踪，边缘分割）；

分类和检索（看图像是什么；输入一张图像，反馈相似结果）；

超分辨率重构（重构一张图像，使之更加清晰）；

医学任务（细胞检测，人体透视图，动态图识别）；

无人驾驶；人脸识别

2.卷积网络与传统网络的区别

卷积网络（CNN）：三维（h*w*c）

传统网络（nn）：一列特征

3.整体架构

输入层：图像数据；

卷积层（Conv2d)：提取特征；

池化层(Pooling)：压缩特征；

全连接层：通过一组权重参数，把卷积层和输出层连在一起，生成矩阵

4.卷积的作用（特征提取）

先图像分割，拿出其中一块，得到权重参数矩阵，从而得到特征图，选取一种计算方法，对于每一个区域计算特征值(一张图像需要做很多次卷积）

5. 卷积层涉及参数

滑动窗口步长：步长小，提取特征丰富；步长大，特征少（1）

卷积核尺寸：卷积核越小，提取越细致（3*3）

边缘填充：一定程度上弥补边界信息缺失问题，边界提取特征利用不充分的问题（用0填充）

卷积核个数：需要得到多少特征图

6.卷积结果计算公式

示例：

7.卷积参数共享

8.池化层（压缩/下采样）

压缩：选择重要的留下来，不重要的丢出去，只变长和宽，不变特征图个数

四.YOLOv8算法解读

任务：检测，分割，分类，姿态估计，追踪

网络结构：特征提取，不同层级特征拼接，三个输出层

五.YOLOv8模型训练及实操

1.创建yaml配置文件

path：D:/3 #数据集根目录（相对路径）

train：images/train #训练集目录

val：images/train #验证集目录

类别名称：

names：

    0：flower

2.基础训练

data="config.yaml" #配置文件的路径
epochs=50 #训练轮数
imgsz=640 #输入尺寸

3.损失函数

损失函数先下降，是正确的；

看起来像一条扁平线，可能是顺利的，可能出现问题；

损失函数向右上升，训练出现问题

下周学习任务：

使用YOLOv8根据自定义数据制作图像分类器

学习PPT版式设计

学习opencv基础内容