感谢来自b站up主：我喜欢吃小熊饼干 的知识分享
一、了解大致概念
1、方向：
【深度学习】中的------【计算机视觉方向】
2、过程要干什么
把网上的大量的现有数据集------> 经过我们写得代码训练成模型------> 之后的任意测试数据都可被这模型输出我们要的结果
3、任务分类
1）目标检测类型模型
2）分类类型模型
3）图像分割（语义分割）类型模型
4、其他概念
二、深度学习细解
1、我们需要手动把数据集分类
2、损失函数和优化器
3、迁移学习
4、我们要做的整体一个过程
提示
我后期做的项目会直接用我之前学的vue+springboot这种前后端系统来演示，但是专注研究算法没学过前后端的就不用了，这方面你直接用HTML页面展示都完全足够了
三、目标检测细解
1、两种分类（我们要学的是第一种：YOLO）
2、细化流程
1）数据集获取方式
2）数据标注
手动写代码把大量数据整理成各个类别、名称，好方便计算机读取时认得出谁是谁
3）初始数据集结构
你的数据集文件在文件夹里要怎么排布？
标注文件是用XML文件、还是txt文件？要根据个别情况来
4）数据增强
5）复现模型
6）模型对比分析（评判这模型究竟有多准）
；
4个小术语：
TP正检
TN负检（一般没用）
FP错检
FN漏检
有了TP / FP / FN，就可以计算出Precision、Recall 这两个指标值，也称P值、R值
P曲线、R曲线、AP的含义
mAP、F1的含义
其实说白了AP、mAP、F1.......都是在综合考察【P和R】的指标
7）计算量相关指标
8）实验结果分析（常见图表的含义）
最后把几个模型绘制成一个柱状图和一个图表就够了
