这篇文章主要是基于我自己的经验，侧重于计算机视觉学习资源的介绍，如果大家按照这个路线去学，相信这将在很大程度上促进提高你的计算机视觉知识水平。
在开始学习计算机视觉之前，我们先来了解有关机器学习和python基础知识。
框架（Frameworks）
虽然你不必从一开始就去考虑选择何种框架，但是实践应用新的知识是必要的。
对应框架并没有太多选择，主要为：pytorch或keras（TensorFlow）。Pytorch可能需要编写更多代码，但在返回方面具有很大的灵活性，因此我们可以先学习如何使用pytorch。此外，大多数深度学习研究人员也普遍使用pytoch。
Albumentation (图像增强库)和 catalyst (框架，pytorch顶部的高级API)在我们学习计算机视觉的过长中也是很常用的工具，我们也可以先学习和使用它们，尤其是第一个。
硬件
- Nvidia GPU 10xx +：（$ 300 +）
- Kaggle内核（免费） ：每周仅30个小时 （www.kaggle.com/kernels）
- Google Colab（免费）：12小时的会话限制，每周限制的使用时长不定 （colab.research.google.com/notebooks/i…
理论与实践
在线课程
- CS231n是非常好的在线教学课程，涵盖了计算机视觉的所有必要基础，是YouTube的在线视频。这门课程还包含了课后练习，对于新手来说，可以先不用完成练习。（免费）
- Fast.ai是我们应该学习的另一门课程。fast.ai是pytorch之上的高级框架，但是它们过于频繁地更改其API，并且缺乏文档使其使用不方便。但是，花些时间看这门课程的理论和有用的技巧是不错的选择。（免费）
在学习这些课程时，我建议你将理论付诸实践，将其应用于其中一个框架。
文章和代码
- ArXiv.org ——有关所有最新信息。（免费）（arxiv.org/）
- （paperswithcode.com/sota）
- 最常见的深度学习任务的最新发展现状，而不仅仅是计算机视觉。（免费）
- Github——对于实践的代码，你将在这里找到。（免费）（github.com/topics/comp…
书籍
虽然需要读的书籍不多，但是我相信这两本书都是有用的，无论你选择使用pytorch还是keras
- Keras创作者和Google AI研究人员FrançoisChollet撰写的Python深度学习。易于使用，可能会获得你以前不知道的见识。（不是免费的）
- pytorch团队Eli Stevens和Luca Antiga的Pytorch 深度学习（免费）
Kaggle
- www.kaggle.com/competition… kaggle是各种机器学习竞赛的著名在线平台，其中很多是关于计算机视觉的。即使没有完成课程，你也可以开始参加比赛，因为从比赛中会有很多开放的内核（端对端代码），你可以直接从浏览器中运行它们。（免费）
有挑战的学习方式（推荐）
另一种替代方法可能很难，但是这种方法可以让你获得计算机视觉不同领域的知识，大家可以针对自己的研究方向选择具体的计算机视觉领域进行学习。（小博主提醒：大批干货来袭，视觉各个领域经典代表性项目列表如下所示。）
尝试阅读和复现如下文章，你将受益匪浅。助前行，希望对大家有所帮助。
网络架构
- AlexNet: papers.nips.cc/paper/4824-…
- ZFNet: arxiv.org/abs/1311.29…
- VGG16: arxiv.org/abs/1505.06…
- ResNet: arxiv.org/abs/1704.06…
- GoogLeNet: arxiv.org/abs/1409.48…
- Inception: arxiv.org/abs/1512.00…
- Xception: arxiv.org/abs/1610.02…
- MobileNet: arxiv.org/abs/1704.04…
语义分割
- FCN: arxiv.org/abs/1411.40…
- SegNet: arxiv.org/abs/1511.00…
- UNet: arxiv.org/abs/1505.04…
- PSPNet: arxiv.org/abs/1612.01…
- DeepLab: arxiv.org/abs/1606.00…
- ICNet: arxiv.org/abs/1704.08…
- ENet: arxiv.org/abs/1606.02…
生成对抗网络
- GAN: arxiv.org/abs/1406.26…
- DCGAN: arxiv.org/abs/1511.06…
- WGAN: arxiv.org/abs/1701.07…
- Pix2Pix: arxiv.org/abs/1611.07…
- CycleGAN: arxiv.org/abs/1703.10…
目标检测
- RCNN: arxiv.org/abs/1311.25…
- Fast-RCNN: arxiv.org/abs/1504.08…
- Faster-RCNN: arxiv.org/abs/1506.01…
- SSD: arxiv.org/abs/1512.02…
- YOLO: arxiv.org/abs/1506.02…
- YOLO9000: arxiv.org/abs/1612.08…
实例分割
- Mask-RCNN: arxiv.org/abs/1703.06…
- YOLACT: arxiv.org/abs/1904.02…
姿态估计
- PoseNet: arxiv.org/abs/1505.07…
- DensePose: arxiv.org/abs/1802.00…
原文链接：towardsdatascience.com/guide-to-le…
欢迎关注磐创AI博客站： panchuang.net/
sklearn机器学习中文官方文档： sklearn123.com/
欢迎关注磐创博客资源汇总站： docs.panchuang.net/
