送福利啦！PaddleCV方向精选项目合集

项目

数据集

课程

比赛

模型库

活动

论坛

访问飞桨官网

项目

数据集

课程

比赛

模型库

活动

论坛

访问飞桨官网

学习委员发布于2020-03

PaddleCV大合集来啦！！！AI Studio还为大家准备了妥妥的福利~~

百度大脑AI Studio经过一年的建设, 现在已经积累了数以万计的内容和项目, 为了便于大家学习了解PaddleCV开发技术, AI Studio项目小组特别制作汇总了一批PaddleCV精选项目~

疫情还没有结束~大家少出门多学习，学着学着说不定就中奖了呢哈哈哈，本次不仅有精选项目供大家把玩，更为大家准备了百度定制背包、定制雨伞、蝴蝶不倒杯以及TeslaV100算力卡等多重豪礼！

每个项目都可以直接fork并运行哦, 动手实践出真知~活动参与方式见文末~~~

部分内容可能需要使用GPU环境. 如果没有GPU环境, 可以点击链接申请一下, 然后就有源源不断的算力资源赠送了~

算力申请链接：https://aistudio.baidu.com/aistudio/questionnaire?activityid=667

AI Studio-PaddleCV疫情联名

A、 PaddleHub口罩检测：https://aistudio.baidu.com/aistudio/projectdetail/267322

百度积极响应号召，为了助推全社会的力量将AI技术应用于防疫工作，决定免费开源自研的“口罩人脸识别”预训练模型，该模型基于2018年百度在国际顶级计算机视觉会议ECCV 2018的论文PyramidBox而研发，可以在公共场景检测大量的人脸同时，将佩戴口罩和未佩戴口罩的人脸快速识别标注。基于此预训练模型，开发者仅需使用少量自有数据，便可快速完成自有场景模型开发。

B、基于树莓派4B与Paddle-Lite实现的实时口罩识别：https://aistudio.baidu.com/aistudio/projectdetail/315730

上一个项目带你训练口罩识别模型，本项目项目带你部署口罩识别模型，基于树莓派4B与Paddle-Lite实现实时口罩识别~

C、 PaddleHub 肺炎CT影像分析：https://aistudio.baidu.com/aistudio/projectdetail/289819

肺炎CT影像分析模型（Pneumonia-CT-LKM-PP）可以高效地完成对患者CT影像的病灶检测识别、病灶轮廓勾画，通过一定的后处理代码，可以分析输出肺部病灶的数量、体积、病灶占比等全套定量指标。值得强调的是，该系统采用的深度学习算法模型充分训练了所收集到的高分辨率和低分辨率的CT影像数据，能极好地适应不同等级CT影像设备采集的检查数据，有望为医疗资源受限和医疗水平偏低的基层医院提供有效的肺炎辅助诊断工具。

D、基于paddle的肝脏CT影像分割 ：https://aistudio.baidu.com/aistudio/projectdetail/250994

本项目基于Paddle框架，使用Unet语义分割网络进行CT影像中的肝脏和肝脏肿瘤分割，在肝脏和肝脏肿瘤分割任务上分别取得 0.92 和 0.77 左右的IOU。

其他CV精选项目汇总推荐

经典CV学习项目推荐

主打项目

一个案例带你吃透深度学习：https://aistudio.baidu.com/aistudio/projectdetail/325575

手把手教你将pytorch模型转换为PaddlePaddle模型：https://aistudio.baidu.com/aistudio/projectdetail/312508

2. 其他经典学习项目

课程4-深度学习入门CV-手写数字识别：https://aistudio.baidu.com/aistudio/projectdetail/78958
课程6-卷积神经网络实践-猫狗分类：https://aistudio.baidu.com/aistudio/projectdetail/78960
课程7-卷积神经网络-人脸识别初探：https://aistudio.baidu.com/aistudio/projectdetail/44338
课程9-深度学习进阶CV-目标检测：https://aistudio.baidu.com/aistudio/projectdetail/78972

CV入门精选项目合集

你的神经网络有多脆弱：https://aistudio.baidu.com/aistudio/projectdetail/301861

利用动态图机制实现手写数字识别：https://aistudio.baidu.com/aistudio/projectdetail/291073

目标检测教程1：https://aistudio.baidu.com/aistudio/projectdetail/346454

用PaddlePaddle实现GoogleNet：https://aistudio.baidu.com/aistudio/projectdetail/122278
用PaddlePaddle实现人流密度估计：https://aistudio.baidu.com/aistudio/projectdetail/169478

CV进阶精选项目合集

AI安全对抗赛第二名方案分享：https://aistudio.baidu.com/aistudio/projectdetail/296291

基于PaddleSlim对目标检测模型YOLOv3进行量化训练：https://aistudio.baidu.com/aistudio/projectdetail/316757

用PaddlePaddle实现人脸识别：https://aistudio.baidu.com/aistudio/projectdetail/127562
用PaddlePaddle识别手势：https://aistudio.baidu.com/aistudio/projectdetail/127563
基于PaddlePaddle的图像语义分割ICNet实现：https://aistudio.baidu.com/aistudio/projectdetail/124368
基于PaddlePaddle的语义分割DeepLabV3+实现：https://aistudio.baidu.com/aistudio/projectdetail/124366
自动网络搜索AutoDL之PaddlePaddle实现：https://aistudio.baidu.com/aistudio/projectdetail/122279
风格迁移之图像翻译Pix2Pix：https://aistudio.baidu.com/aistudio/projectdetail/122272
人体姿态估计与追踪之关键点检测：https://aistudio.baidu.com/aistudio/projectdetail/122271
基于PaddlePaddle的度量学习：https://aistudio.baidu.com/aistudio/projectdetail/169466

CV高阶精选项目合集

用PaddlePaddle实现卷积可视化方法Grad-CAM：https://aistudio.baidu.com/aistudio/projectdetail/243356

图片分类及Paddle派部署实例：https://aistudio.baidu.com/aistudio/projectdetail/53984
基于SSD的目标检测模型：https://aistudio.baidu.com/aistudio/projectdetail/122276
基于YoloV3目标检测模型：https://aistudio.baidu.com/aistudio/projectdetail/122277
基于Faster RCNN的螺丝螺母的检测：https://aistudio.baidu.com/aistudio/projectdetail/122275
经典实例分割模型Mask RCNN：https://aistudio.baidu.com/aistudio/projectdetail/122273
用PaddlePaddle实现经典的经典的人脸识别算法PyramidBox：https://aistudio.baidu.com/aistudio/projectdetail/169468
基于PaddlePaddle的NeXtVLAD视频分类模型：https://aistudio.baidu.com/aistudio/projectdetail/205016
基于PaddlePaddle的Attention Cluster 视频分类模型：https://aistudio.baidu.com/aistudio/projectdetail/205013

进阶类CV方向静态图&动态图精选项目合集

用PaddlePaddle实现图像分类-MobileNet：https://aistudio.baidu.com/aistudio/projectdetail/169427
用PaddlePaddle实现图像分类-MobileNet（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169429
用PaddlePaddle实现图像分类-MobileNet-v2：https://aistudio.baidu.com/aistudio/projectdetail/169398
用PaddlePaddle实现图像分类-MobileNet-v2（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169403
用PaddlePaddle实现图像分类-ShuffleNetV2：https://aistudio.baidu.com/aistudio/projectdetail/169416
用PaddlePaddle实现图像分类-ShuffleNetV2（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169424
基于PaddlePaddle的图像分类-DenseNet：https://aistudio.baidu.com/aistudio/projectdetail/205040
用PaddlePaddle实现图像分类-DenseNet（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/205030
用PaddlePaddle实现图像分类-SE_ResNeXt：https://aistudio.baidu.com/aistudio/projectdetail/169410
用PaddlePaddle实现图像分类-SE_ResNeXt（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169412
用PaddlePaddle实现图像分类-AlexNet：https://aistudio.baidu.com/aistudio/projectdetail/169431
用PaddlePaddle实现图像分类-AlexNet（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169433
用PaddlePaddle实现图像分类-DPN算法：https://aistudio.baidu.com/aistudio/projectdetail/169389
用PaddlePaddle实现图像分类DPN算法（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169391
用PaddlePaddle实现图像分类-DistResNet：https://aistudio.baidu.com/aistudio/projectdetail/169503
用PaddlePaddle实现图像分类-DisResNet（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/169406
用PaddlePaddle实现图像分类-ResNet（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/204995
基于PaddlePaddle的视频分类-TSN（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/205004
用PaddlePaddle实现图像分类-VGG（动态图版）：https://aistudio.baidu.com/aistudio/projectdetail/204999

last but not least，为了让大家的学习更加便捷：只要您fork以上任意三个项目并运行，然后在楼层内回复您的打卡心得，均有机会获得百度定制背包、定制雨伞、蝴蝶不倒杯以及TeslaV100算力卡等多精美礼品。

PS：打卡心得写的好的同学会增加中奖权重哦~~

活动时间：2020.03.24-2020.05.01（每周抽一次奖哦~~我们不见不散哦）

全部评论(153)

学习委员

#102 回复于2020-04

lxvicvicvic #85

上手Paddle后报名了CV疫情特辑的课程，初步学习了Paddle的编程思路。现在公司正好有个CV应用的项目，准备使用PaddleDetection来做迁移学习。我觉得PP我最看重的优势有三个，一个是的确跟产业界结合很深入，对CentOS的无缝支持，自己完整的端云部署，模型压缩工具等各种实用的工具让工业级开发变得更加方便；第二是动态图与静态图都支持的特性，已经符合主流框架的特点，如TF2.0；三是强大的社区支持，毕竟是国产框架，支持社区非常活跃，而且不得不说，基本上github的issue在一天之内就会得到回复。这三点也是我选择PP的主要理由，后面会尝试在公司内通过实际落地项目来推广PP的使用。

展开

恭喜您获得蝴蝶不倒杯，请加QQ：980902922领取~

学习委员

#103 回复于2020-04

本周已开奖，送算力卡五张，蝴蝶不倒杯一个，恭喜获奖用户~~~

活动接近尾声了，下周抽奖（最后一次抽奖）将送出背包等大礼~~

大家赶紧fork起来吧！！

尧景央月

#104 回复于2020-04

打卡

吖吖查

#105 回复于2020-04

我刚刚把文中的《基于paddle的肝脏CT影像分割》的静态版改成动态版发布了

AIStudio810258

#106 回复于2020-04

AIStudio810258 #96

我已经把从LeNet到ResNet全玩了好多遍了，就DenseNet还少点，准备写写心得。用模型做分类和检测做过好多任务了，发现要想模型用得好，还得深入理解这些CV模型演变过程中，大牛们是如何不断往里面“加料”的，加这些料都能帮助模型提高那些方面。

展开

现在又出RegNet了，大神威武。

AIStudio810258

#107 回复于2020-04

吖吖查 #105

我刚刚把文中的《基于paddle的肝脏CT影像分割》的静态版改成动态版发布了

老大，上个项目地址好不？

AIStudio810258

#108 回复于2020-04

AIStudio810258 #106

现在又出RegNet了，大神威武。

不知道AI Studio翻译《Designing Network Design Spaces》的大佬会不会哪天把RegNet给整上来，大家玩。

thinc

#109 回复于2020-04

爱了爱了，社区管理员真有心

Gao

#110 回复于2020-04

王若男

#111 回复于2020-04

打卡

rock4you

#112 回复于2020-04

项目：基于SSD的目标检测模型：https://aistudio.baidu.com/aistudio/projectdetail/122276

学习心得：

这个项目的源码结构非常清晰，但是代码量很大，从零上手的话需要有足够的耐心研读代码，逐个函数逐个模块进行学习和理解。本人学习后，掌握了paddlepaddle的使用方法，并对目标检测的整个环节有了清晰地认知。

以下是这个项目代码及目标检测的大致流程：

1、获取数据集，将标注文件转换成需要的格式。

2、获取网络预训练模型

3、定义神经网络的超参数

4、定义神经网络的结构

5、定义数据增强过程需要的外接矩形框等辅助类

6、神经网络初始化、日志记录等

7、训练数据增强，以采样的方式，随机截取训练图上的框，并且进行坐标转换

8、定义图像增强的函数，对比度、饱和度等

9、定义用户数据读取器

10、定义网络构建方法，传入数据

11、定义网络优化器

12、保存和加载模型

13、训练

14、预测

以上流程可以看出，实现一个目标检测的训练和预测过程还是比较复杂的，而且这里只是得到了一个训练后的模型，如果想要落地，还有工程实现的流程需要完善。

所以，只有对算法的每一个步骤都理解透彻、搞懂代码的细节，并且能够对算法的某些模块进行改进，才算真正的掌握了目标检测。在运行这个项目的时候，也应该多思考一些问题：比如这个SSD目标检测的骨干网络是VGG-16，能否将其替换成ResNet、MobileNet？默认框的宽高比和尺度能否进行改进？进行这些改动之后，对于实际应用场景的检测效果会不会有提升？

目前AI Studio平台开源了很多项目的源码，这些资源非常不错，很多内容都想学，但如果只是跑一遍现成的代码，那其实离掌握这些算法还很远。贪多嚼不烂，所以还是得静下心来，抓住一个项目后，深入到论文、代码中，搞清楚每一个细节，才能更好的掌握深度学习这个强大的工具。

AI Studio努力为我们创造了这么好的学习资源，很感激！

让我们努力学习，一起加油吧！

thinc

#113 回复于2020-04

把这些源码都跑一遍，算入门了吗（狗头）

leroy1229

#114 回复于2020-04

已fork了！aistudio真是强大，免费gpu和免费的课程，听小姐姐讲课真棒！

mumu

#115 回复于2020-04

希望可以能学到很多东西~~~

自尊心3

#116 回复于2020-04

mumu #115

希望可以能学到很多东西~~~

都是很实用的而且很详细教程，对学习或者应用都很有帮助

凌

凌烟阁主人

#117 回复于2020-04

fork 了，cv的项目很全了

mumu

#118 回复于2020-04

加油加油！

李长安

#119 回复于2020-04

已经Fork很多个项目了，对飞桨也越来越熟悉了，自己写的项目也被挂在首页了，很开心，哈哈哈。希望社区越来越好，希望自己也能坚持下去，每周公开一个优质项目。加油！！！！！！！！！！！

rock4you

#120 回复于2020-04

项目：

课程6-卷积神经网络实践-猫狗分类：https://aistudio.baidu.com/aistudio/projectdetail/78960

相关的比赛：

猫十二分类问题 https://aistudio.baidu.com/aistudio/competition/detail/12

学习心得：

虽然使用了强大的Inception-V4网络模型，但预测精度得分并不是很高，最终score只有62，下一步考虑在网络模型、数据增强、训练技巧等方面进行改进。

猫狗分类这个项目里的数据集是现成的，用paddle.dataset.cifar.train10()和test10()可以分别获取cifar训练集和测试集，

但是在实际的比赛题目中，数据集大多数情况下都需要根据官方提供的数据进行自定义，所以这个步骤需要学会。

猫狗分类这个项目里面对图像分类的过程进行了描述：

1.数据准备->构造数据提供器->train_reader和test_reader

2.网络配置->网络模型、损失函数、优化函数->定义Program

3.模型训练->训练、保存模型->创建训练的Executor，执行Program，feed数据，save模型

4.模型评估->观察模型训练的中间结果->输出Cost和Accuracy

5.模型预测->加载模型，图像预处理，进行预测->创建预测Executor，load预测Program并执行

下面结合本人在猫十二分类比赛中的代码对整个过程进行详细描述：

一、数据预处理
图片格式转换、数据增强、生成带标签的train_list、valid_list以及不带标签的预测list
在train_list中，不要让图像按类别依次排序，最好混洗一下
实在不行，在shuffle的时候，buf_size一定要设置大一些，至少应该有train_num的一半大小
如果不混洗，相当于每次只拿一类数据进行训练，这样训练效果比较差。

混洗方法：先读取图片list，构建词典，再读取图片文件夹，从词典中获取标签，然后再写入新的train_list，这样就可以起到混洗的作用了。

二、自定义数据集
训练集train_mapper、train_r、trainer_reader、train_reader
验证集reader的构建同上

三、指定输入输出的规模、构建网络模型

四、数据送入网络得到输出结果，计算损失函数和准确率、克隆验证程序
需要注意的是，克隆测试程序时，下面这行代码必须放在优化器之前，否则会出bug

test_program = fluid.default_main_program().clone(for_test = True)

五、定义优化方法、梯度下降

六、指定训练位置、创建执行器、执行默认程序、定义feeder

七、定义epoch_num，对train_reader中的每批数据，执行default_main_program，

喂入数据，获取平均损失和准确率
对test_reader同上
每执行完一个epoch，保存模型用于预测

八、指定预测位置、创建执行器、指明所在域、指定模型位置、
指定图像列表文件、定义图像加载函数、清空result.csv、
加载模型、执行exe、得出结果、写入csv

九、按照比赛指定的提交方式，提交结果。

附上本人参与猫十二分类比赛的项目代码：https://aistudio.baidu.com/aistudio/projectdetail/151982

学习委员

#121 回复于2020-04

rock4you #120

项目：课程6-卷积神经网络实践-猫狗分类：https://aistudio.baidu.com/aistudio/projectdetail/78960 相关的比赛：猫十二分类问题 https://aistudio.baidu.com/aistudio/competition/detail/12 学习心得：虽然使用了强大的Inception-V4网络模型，但预测精度得分并不是很高，最终score只有62，下一步考虑在网络模型、数据增强、训练技巧等方面进行改进。猫狗分类这个项目里的数据集是现成的，用paddle.dataset.cifar.train10()和test10()可以分别获取cifar训练集和测试集，但是在实际的比赛题目中，数据集大多数情况下都需要根据官方提供的数据进行自定义，所以这个步骤需要学会。猫狗分类这个项目里面对图像分类的过程进行了描述： 1.数据准备->构造数据提供器->train_reader和test_reader 2.网络配置->网络模型、损失函数、优化函数->定义Program 3.模型训练->训练、保存模型->创建训练的Executor，执行Program，feed数据，save模型 4.模型评估->观察模型训练的中间结果->输出Cost和Accuracy 5.模型预测->加载模型，图像预处理，进行预测->创建预测Executor，load预测Program并执行下面结合本人在猫十二分类比赛中的代码对整个过程进行详细描述：一、数据预处理图片格式转换、数据增强、生成带标签的train_list、valid_list以及不带标签的预测list 在train_list中，不要让图像按类别依次排序，最好混洗一下实在不行，在shuffle的时候，buf_size一定要设置大一些，至少应该有train_num的一半大小如果不混洗，相当于每次只拿一类数据进行训练，这样训练效果比较差。混洗方法：先读取图片list，构建词典，再读取图片文件夹，从词典中获取标签，然后再写入新的train_list，这样就可以起到混洗的作用了。二、自定义数据集训练集train_mapper、train_r、trainer_reader、train_reader 验证集reader的构建同上三、指定输入输出的规模、构建网络模型四、数据送入网络得到输出结果，计算损失函数和准确率、克隆验证程序需要注意的是，克隆测试程序时，下面这行代码必须放在优化器之前，否则会出bug test_program = fluid.default_main_program().clone(for_test = True) 五、定义优化方法、梯度下降六、指定训练位置、创建执行器、执行默认程序、定义feeder 七、定义epoch_num，对train_reader中的每批数据，执行default_main_program，喂入数据，获取平均损失和准确率对test_reader同上每执行完一个epoch，保存模型用于预测八、指定预测位置、创建执行器、指明所在域、指定模型位置、指定图像列表文件、定义图像加载函数、清空result.csv、加载模型、执行exe、得出结果、写入csv 九、按照比赛指定的提交方式，提交结果。附上本人参与猫十二分类比赛的项目代码：https://aistudio.baidu.com/aistudio/projectdetail/151982

展开

可以把步骤和心得写在写在项目呀~