介绍计算机视觉中的概念和应用，主要涉及几何和3D理解。主题包括：相机和投影模型，低级图像处理方法，如滤波和边缘检测;中级视觉主题，如分割和聚类;从立体进行形状重建;高级视觉主题，例如学习的低级视觉表示;深度估计和光学/场景流;6D姿势估计和对象跟踪。先决条件：线性代数，基本概率和统计。
Index | Course Notes | #计算机视觉
毫不费力，只需选择想要的内容，Ikomia 就会下载，安装需求并在几行代码中运行所有内容。
Ikomia API |Docs | #计算机视觉 #工具
核心特性：
📌SOTA 自监督算法
EasyCV提供了state-of-the-art的自监督算法，有基于对比学习的算法例如 SimCLR，MoCO V2，Swav， Moby，DINO，也有基于掩码图像建模的MAE算法，除此之外我们还提供了标准的benchmark工具用来进行自监督算法模型的效果评估。
📌视觉Transformers
EasyCV聚焦视觉transformer技术，希望通过一种简洁的方式让用户方便地使用各种SOTA的、基于自监督预训练和imagenet预训练的视觉transformer模型，例如ViT，Swin-Transformer，Shuffle Transformer，未来也会加入更多相关模型。此外，我们还支持所有timm仓库中的预训练模型.
📌易用性和可扩展性
除了自监督学习，EasyCV还支持图像分类、目标检测，度量学习，关键点检测等领域，同时未来也会支持更多任务领域。 尽管横跨多个任务领域，EasyCV保持了统一的架构，整体框架划分为数据集、模型、回调模块，非常容易增加新的算法、功能，以及基于现有模块进行扩展。
推理方面，EasyCV提供了端到端的简单易用的推理接口，支持上述多个领域。 此外所有的模型都支持使用PAI-EAS进行在线部署，支持自动伸缩和服务监控。
📌高性能
EasyCV支持多机多卡训练，同时支持TorchAccelerator和fp16进行训练加速。在数据读取和预处理方面，EasyCV使用DALI进行加速。对于模型推理优化，EasyCV支持使用jit script导出模型，使用PAI-Blade进行模型优化。
项目地址 | #计算机视觉 #工具
该存储库提供了用于构建计算机视觉系统的示例和最佳实践指南。该存储库的目标是构建一套全面的工具和示例，以利用计算机视觉算法、神经架构和操作此类系统的最新进展。我们不是从头开始创建实现，而是从现有的最先进的库中汲取灵感，并围绕加载图像数据、优化和评估模型以及扩展到云端构建额外的实用程序。
这些示例和实用程序希望通过将从定义业务问题到开发解决方案的经验简化几个数量级，从而显着缩短“上市时间”。此外，示例笔记本将用作指南，并以多种语言展示工具的最佳实践和使用情况。
示例以Jupyter 笔记本和常用实用程序功能的形式提供。所有示例都使用 PyTorch 作为底层深度学习库。
computervision-recipes | #计算机视觉
