0.数据集的获取：kaggle，飞桨，阿里天池，论文，国外网站等

1 安装相关的库（pyqt等等）和labelimg或者labelmepip install lableme或者pip install labelimg

2、图片数据预处理data preprocessing（标准化standardlization）
中心化（去均值mean normalization）
将各个维度中心化到0，其目的是加快收敛速度，在某些激活函数上表现更好
归一化（除以标准差）
将各个维度的方差标准化处于[-1,1]之间，其目的是提高收敛效率，统一不同输入范围的数据对模型学习的影响，映射到激活函数有效梯度的值域

3、图片数据准备data preparation（训练+测试阶段）
划分训练集，验证集和测试集

4、图片数据增强data augjmentation（训练阶段）
CV常见的数据增强
（1）随机旋转
（2）随机水平或者重直翻转
（3）缩放
（4）剪裁
（5）平移
（6）调整亮度、对比度、饱和度、色差等等
（7）注入噪声
（8）基于生成对抗网络GAN做数搪增强AutoAugment等

5、感知数据
初步了解数据，记录和特征的数量特征的名称，抽样了解记录中的数值特点描述性统计结果，与相关知识领域数据结合，特征融合

6、数据清理
转换数据类型，处理缺失数据，处理离群数据

7、特征变换
特征数值化，特征二值化，One-hot编码，特征离散化特征，规范化（区间变换、标准化、归一化）

8、特征选择
封装器法（循序特征选择，穷举特征选择，递归特征选择），过滤器法，嵌入法

9、特征抽取
监督学习特征抽取与无监督学习特征抽取