本文讲解深度学习计算机视觉中的锚框。目标检测通过生成多尺度锚框覆盖目标，用IoU匹配真实框并标注类别与偏移量，训练后预测时通过非极大值抑制（NMS）筛选最优边界框，实现精准定位与分类。

本文讲解深度学习计算机视觉中的目标检测数据集。收集的香蕉检测数据集可用于演示目标检测模型。用于目标检测的数据加载与图像分类的数据加载类似。但在目标检测中，标签还包含真实边界框的信息，它不出现在图像分类中。

本文讲解深度学习计算机视觉中的单发多框检测。单发多框检测（SSD）模型，包括模型构成、类别与边界框预测层设计、多尺度预测连结、模型训练及预测过程，最终筛选出置信度不低于0.9的预测目标进行输出。

本文讲解深度学习计算机视觉中的区域卷积神经网络。R-CNN开创深度模型目标检测先河，Fast R-CNN改进共享计算，Faster R-CNN引入区域提议网络，Mask R-CNN基于Faster R-CNN，用兴趣区域对齐层提升像素级预测精度。

本文讲解语义分割、图像分割和实例分割，重点介绍Pascal VOC2012语义分割数据集处理流程：包括数据读取、随机裁剪预处理、自定义数据集类及数据加载，强调语义分割的像素级标注特性，支持精确图像区域划分。

本文讲解深度学习计算机视觉中的转置卷积。转置卷积可逆转下采样导致的空间尺寸减小。它通过卷积核“广播”输入元素来增大输出，与常规卷积操作相反，且其正、反向传播函数可交换。

本文讲解深度学习计算机视觉中的全卷积网络。全卷积网络利用卷积神经网络提取图像特征，通过1×1卷积层转换通道数为类别数，再经转置卷积层恢复图像尺寸，实现从图像像素到像素类别的精确变换。

本文分享蓝耘元生代MaaS平台主要核心板块，重点介绍Kimi K2大模型优势突出详述在蓝耘平台用其的方法、调用API的方式，且蓝耘为新用户提供注册赠Token等福利。

本文讲解深度学习计算机视觉的风格迁移技术，用卷积神经网络将内容图像风格转为风格图像风格，涵盖方法、图像处理、特征抽取、损失函数定义、合成图像初始化及模型训练，最终输出风格迁移后的合成图像。

本文讲解了Kaggle狗品种识别比赛的实战流程，涵盖数据获取与整理、图像增广、微调预训练ResNet-34模型、训练验证及测试集分类，最终生成提交文件，实现120类狗品种的识别任务。