《深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO工具套件》首先讲述了人工智能、深度学习、卷积神经网络、目标检测以及迁移学习的概念，接着详述了如何基于TensorFlow Object Detection API框架从零开始搭建深度学习目标检测应用的开发环境，如何训练自己的目标检测模型，然后详述了如何基于OpenVINO工具套件优化模型、部署模型以及用C++和Python开发用户应用程序。然后通过工业光学字符自动识别、垃圾瓶自动分选、农作物病害自动识别和工业产品外观缺陷检测4个完整的深度学习目标检测工程案例来帮助读者加深深度学习图形检测的认识和理解。 《深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO工具套件》适合从事AI行业相关技术的工程师阅读，也适合打算进入AI行业的大中专院校的学生学习参考。  1. 庄建 庄建，中国科学院高能物理研究所研究员，核探测与核电子国家重点实验室成员。参与了北京自由电子激光、北京正负电子对撞机、中国散裂中子源等多项大科学装置的建设。现在主要从事大科学装置的实验控制及数据获取方面的研究。  2. 张晶 张晶，浙江大学硕士，广东荣旭智能技术有限公司研发总监，联合创始人；具有13年机器视觉系统开发经验，负责深度学习外观检测算法的研发；LabVIEW注册构架师、Python程序员、英特尔物联网创新大使、TensorFlow User Group东莞站组织者。  3. 许钰雯 许钰雯，女，现为中国科学院大学高能物理研究所电子与通信工程专业硕士研究生，主攻方向为软件工程及深度学习应用 序 前言 第1章 人工智能、深度学习与目标检测 1.1 人工智能简介  1.1.1 什么是人工智能  1.1.2 人工智能发展简史  1.1.3 人工智能与深度学习的关系 1.2 深度学习简介  1.2.1 神经网络  1.2.2 神经元  1.2.3 深度神经网络  1.2.4 深度卷积神经网络 1.3 目标检测  1.3.1 目标检测算法发展简史  1.3.2 深度学习目标检测算法 1.4 迁移学习简介  1.4.1 训练深度学习模型依赖大数据  1.4.2 大数据造成的问题  1.4.3 迁移学习  1.4.4 TensorFlow预训练模型库 1.5 本章小结 第2章 搭建深度学习开发环境 2.1 深度学习训练所需的硬件  2.1.1 英伟达显卡选型  2.1.2 英伟达显卡驱动安装  2.1.3 测试驱动程序安装  2.1.4 设置英特尔?集成显卡为系统主显示输出  2.1.5 幻影峡谷：便携式AI训练“服务器” 2.2 深度学习开发环境所需的软件 2.3 安装Python和Anaconda  2.3.1 Python和Anaconda简介  2.3.2 下载并安装Anaconda  2.3.3 测试Anaconda安装  2.3.4 配置Anaconda软件包下载服务器  2.3.5 配置虚拟环境tf_gpu  2.3.6 Anaconda的进阶学习 2.4 安装Visual Studio Code  2.4.1 Visual Studio Code简介  2.4.2 安装  2.4.3 在Visual Studio Code中编辑Python代码  2.4.4 在Visual Studio Code中运行Python代码  2.4.5 在Visual Studio Code中调试Python代码  2.4.6 在Visual Studio Code安装Pylint  2.4.7 在Visual Studio Code中一键美化Python代码 2.5 安装TensorFlow  2.5.1 TensorFlow简介  2.5.2 下载并安装  2.5.3 测试安装  2.5.4 pip install 与 conda install 2.6 安装Git工具  2.6.1 Git简介  2.6.2 下载并安装  2.6.3 测试安装 2.7 安装TensorFlow Object Detection API框架  2.7.1 TensorFlow Object Detection API简介  2.7.2 下载并安装  2.7.3 安装依赖的python软件包  2.7.4 配置环境变量  2.7.5 安装COCO API  2.7.6 编译proto文件  2.7.7 测试安装 2.8 安装LabelImg  2.8.1 LabelImg简介  2.8.2 下载并安装  2.8.3 测试安装 2.9 本章小结 第3章 训练模型 3.1 TensorFlow Object Detection API软件框架简介 3.2 使用TensorFlow预训练模型  3.2.1 如何选择预训练模型  3.2.2 预训练模型的文件构成  3.2.3 一个典型的深度学习训练流程 3.3 准备图片：下载猫狗数据集  3.3.1 Kaggle数据集下载流程  3.3.2 训练图片的数量问题  3.3.3 训练图片的样本不平衡问题 3.4 使用LabelImg标注图片  3.4.1 LabelImg简介  3.4.2 建立猫狗项目文件夹结构  3.4.3 标注图片  3.4.4 标注文件（*.xml）简介  3.4.5 复制10%的数据到eval文件夹  3.4.6 复制数据到test文件夹 3.5 依据标注类型创建标签映射文件 3.6 创建TensorFlow TFRecord文件  3.6.1 将*.xml文件转换为*.csv文件  3.6.2 将*.csv文件转换为*.tfrecord文件 3.7 修改预训练模型的配置文件  3.7.1 预训练模型的配置文件  3.7.2 配置文件的结构  3.7.3 修改ssd_inception_v2_coco.config配置文件 3.8 训练模型 3.9 使用TensorBoard观察训练过程  3.9.1 什么是TensorBoard  3.9.2 TensorBoard的使用方法 3.10 评估训练好的模型 3.11 导出训练好模型的冻结图  3.11.1 检查点文件  3.11.2 冻结TensorFlow模型 3.12 用训练好的冻结图模型做目标检测 3.13 用Python程序一键训练模型  3.13.1 为新项目一键创建文件夹结构  3.13.2 一键训练模型 3.14 本章小结 第4章 优化并部署模型 4.1 OpenVINO工具套件简介 4.2 OpenVINO典型开发流程 4.3 安装OpenVINO工具套件  4.3.1 版本选择  4.3.2 系统要求  4.3.3 下载并安装OpenVINO工具套件 4.4 安装Cmake 4.5 安装Microsoft Visual Studio 2017 4.6 安装硬件驱动  4.6.1 英特尔显卡驱动  4.6.2 英特尔神经计算棒