这篇学习笔记用于记录本人在读研期间的学习内容
在刚入学不久，发现一个B站up主对这方面进行了一系列的整理+总结，并上传了代码，并且非常成体系
因此本人打算跟着这位up主的步骤，对这方面进行学习并且做一个记录，同时也会写下自己一些心得，后续也会不断的更新博客内容，打算这里放链接，编辑的内容放在博客园。
在此放上up主的链接(点我)以及GitHub链接
在这里插入图片描述

大致内容分为图像分类，目标检测，语义分割，实例分割以及关键点检测几个内容

所需环境

这篇所涉及的项目都使用Pytorch完成

Anaconda3（建议使用）
python=3.6/3.7/3.8
pycharm (IDE)
pytorch=1.11.0 (pip package)
torchvision=0.12.0 (pip package)
cudatoolkit=11.3(pip下载pytorch时)

conda install pytorch==1.11.0 torchvision=0.12.0 cudatoolkit=11.3 -c pytorch `

插一块验证pytorch是否安装好的代码

import torch
a = torch.cuda.is_available()
print(a)
ngpu= 1
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda())

运行后的结果
在这里插入图片描述

图像分类

图像分类都采用5类花的分类
在这里插入图片描述

LeNet

1998年
论文：《Gradient-Based Learning Applied to Document Recognition》
应用：PyTorch复现LeNet-5学习笔记

AlexNet

2012年
论文：《ImageNet Classification with Deep Convolutional Neural Networks》
应用：PyTorch复现AlexNet学习笔记

VGG

2015年
论文：《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》
应用：PyTorch复现VGG学习笔记

GoogLeNet

inception-v1

2015年
论文：《Going Deeper with Convolutions》
应用：PyTorch复现GoogleNet学习笔记
inception-v2
2015年
论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》
应用：以后补上
inception-v3
2015年
论文：《Rethinking the Inception Architecture for Computer Vision》
应用：
inception-v4
2016年
论文：《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》
应用:

ResNet

2015年
论文：《Deep Residual Learning for Image Recognition》
应用：PyTorch复现ResNet学习笔记

注意：之后这篇博客只用来记录完成的进度，学习笔记就先不写了

ResNeXt

2017 IEEE.CVPR
论文：《Aggregated Residual Transformations for Deep Neural Networks》
应用：PyTorch复现ResNeXt √
--------------------------------------2023.1.2(到目前完成的)----------------------------------------

MobilNet _v1

2017.4.17
论文：《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision
Applications》

MobilNet_v2

2018 IEEE.CVPR
论文:《MobileNetV2: Inverted Residuals and Linear Bottleneck》
应用：PyTorch复现MobilNet_v2√

MobilNet_v3

2019.11.20
论文:《Searching for MobileNetV3》
应用：PyTorch复现MobilNet_v3√

ShuffleNet_v1

2017.12.7
论文:《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Devices》

ShuffleNet_v2

2018.7.30
论文:《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》
应用：PyTorch复现ShuffleNet_v2√

Transfomer

2017.12.6
论文:《Attention Is All You Nee》

EfficientNet_v1

2020.9.11
论文：《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》
应用：PyTorch复现EfficientNet_v1√

EfficientNet_v2

2021.6.23
论文：《EfficientNetV2: Smaller Models and Faster Training》
应用：PyTorch复现EfficientNet_v2√

RepVGG

2021.5.29
论文：《RepVGG: Making VGG-style ConvNets Great Again》
应用：PyTorch复现RepVGG√

Vsion Transformer

2021.6.3
论文：《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》
应用：PyTorch复现Vsion Transformer√

Swin Transformer

2021.8.17
论文：《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》
应用：PyTorch复现Swin Transformer√

ConvNeXt

2022.5.2
论文：《A ConvNet for the 2020s》
应用：PyTorch复现ConvNeXt√

------------2023.3.15(到目前完成的)------------

深度学习在图像处理中的应用学习笔记