coco怎么转yolo

从我开始到事业型妈妈之后，哭是真的哭，累人是真的累人，很多的隐形家务永远都做不完。就说扫地这件事吧，早晚要两次，扫的腰酸背痛，还扫不干净，现在呢，再也不霉苦硬吃了。 扫地拖地有三 i 智能净地站， fe 有洗地机级别的深度洁净，比扫地机更干净，比洗地机更方便，我原称之为 扫地的神，他的机械臂滚筒长度呢，达到了二十七厘米，超过普通洗涤机百分之五十四，滚筒转速最高可达三百三 三十转，每分钟相当于人手每分钟擦地三百三十次，超过普通洗涤剂百分之六十五。更厉害的是，从来不用你手动清洁抹布，这才是真正的实现双手自由。他的滚筒可以实时自清洁，拖地的时候呢，实时清洗抹布，同时刮除污水，接触地面的都 是崭新的抹布，不会用脏水洗地。他还可以毫米级贴边清洁，沙发边、墙边都能扫的很干净，还有净水循， 不需要加清水到污水，也不用预留上下水的位置，插电就能用。因为它有亚服蒸馏和空气制水技术，蒸馏水、活水洗涤更健康更干净，瞬间让我自己感觉自己像无良老板。现在用它完全解放双手，早晚一扫， 地面干干净净，实现地板光脚自由。对有宠物和宝宝的家庭很友好，我家里人吧，现在比较多，而且还天天做饭，现在呢，宝宝还要爬来爬去，厨房客厅经 经常有一些油渍、水果渍、奶渍。他的绿眼多为清洁功能，可以智能识别不同的脏污，根据脏污程度和类型改变转速、吸力和水量，有了它以后都能处理的干干净净，还有毛发双重防缠绕功能，自从拥有了它，普 普通的扫地机、洗地机、吸尘器都不香了。三 i 智能净地站 f 一扫地洗地二合一，这才是真正实现解放双手地板光脚自由。

好，今天来跟大家介绍一款软件啊，我们首先打开我们的软件啊，呃，我们的软件呢，是可以将 ulo 格式的转换成 qq 的这个数据的格式。 首先我们跟大家普及一下什么是 ulo 的格式，什么是 qq 的这个数据的格式啊，这个是非常重要的，呃，一般啊，用就是就是我们在网上可以看到有图片啊，这是我们有一些图片，比如说这样的一些车啊，有些什么图片，然后对应的是这个 ulo 的一个 tst 格式的，你看这里面 这个是类编名，然后这个是 x y w h 的规划数据，看到没有啊，都是这样的，都是这样的一些数据，你看大家一看啊，这个 tst 的格式一定是呃这样的，多打开几个，大家看一下，这就是我们所说的 ulo 格式啊，那么 我们如何将一个图片还有对呢这个标签转换成 coco 数据的格式呢？ 啊，大家一定听说过什么是 qq 数据集啊，如果做深度学习的话，应该会有这个接触，那么 qq 数据集呢？我们来跟大家呃，演示一下啊，呃，就是搜一下，我啊，我临时没有准备啊，所以，呃，大家看一看， 大家最好在这个网上去搜一下 qq 数据的格式啊。 q 数学题了，因为我们是做目标检测的啊，所以说啊，因为我们这个 g b g tst ul 格式就是目标检测，做目标检测的，所以我们只关心我们的这个啊，这个，呃，目标检测的这个他是还有实力分割， 还有一些关键点，这个我就不说了。好吧，这个我们只是呃过这个关注于这个目标检测这个他的这个 初级格式呢，其实是一个阶层格式的啊，它包含了有五个字段，比如说有 info lessons， 还有 image elocations 和 cat grades， 这是它的一个 类别名，大家可以看一下。其实我也不需要跟大家介绍很多，因为这个网上基本上都讲述的非常清楚啊。那么我们的软件呢，就可以啊，将 将这个呃 ulo 格式直接转换成 qq 数据格式啊，作为训练，这个是我们的一个呃，最终的目标，这个我就不说了啊，这个呃，这个是这个 hiphop 引得的关键点， 我们说还有目标分割的，没必要去说啊，目标呢，就是转换成这个 qq 的标准的数据格式，然后做训练。那么比如说 qq 数据格式，呃， 有必要转吗？啊，有必要，因为我们在有的框架里面都使用的这个 qq 数据格式，比如说像那个 pondord， 它的审判里面是支持这个 qq 数据的格式，当然它也支持这个 v o c 的数据格式啊， v o c 的数据格式就刚才给我们，呃，这其实就是我们相当于我们所说的这个那个 v o c 的一个数据格式啊， 这个是用 labor m g 标注的，大家可以看一下这个，这是真正的这个标注文件啊，是由 although teacher 打头的，然后以 although teacher 结束的。大家对，仔细对照一下，你的叉 m r 是不是 labor m g 标注是吧？好，我们的工具呢， 使用非常简单，一、导入我们的图片啊，我们拖拽一下就行了，然后导入我们的 t x t 的目录，是吧？然后类别文件默认可以微扣。如果你确实是知道有三个类别，那么我们可以指定类别文件啊，如果你确实知道啊， 这个十三个类别，那么你可以把这个顺序给指定一下，你不知道的话，你就不要乱指令，否则的话我们这个转化会错误啊，你住下，然后训练，你按照默认的就行了，然后打乱路径，一般是要打乱的，打乱一下是最好的， 然后图片格式注意一下，我们格式只支持三种啊，嗯，有的人啊就是会有这种情况，就是说，哎，我我我的图片啊，他是他他他他图片是什么呢？他图片是这个点 g p e g 啊，是这样的啊，是这样的格式，这样不行啊，大家注意一下，如果你的图片格式是就是如果啊，是这个 g p g 的格式啊， 你看是这是是是这种格式啊，你看 j p e g 的，这样就不行，大家依据下后缀名啊一，一定要保持保持啊，最好是啊，我们啊，因为我们开发研究就是以这个格式做标准的点 g p g， 而且是小写的啊，大家注意一下， 不要搞这个，呃， g p e g 的啊，我们目啊，我们可以说只支持这三种图片改 g p g， 改编辑改编编 p 的三种，其他的格式就呃软件设计的时候就没有考虑，所以大家如果啊，你想用这个软件的话，你就必须转换成 这个格式，然后再用，不然的话我们支持，其实我们软件使用非常简单，只要你导入他，导入他就行了，然后呢，我们点击开始转换，我们保存目录，是我我自己放在桌面上的啊，大家可以看一下。 好，你看我们装在说明上面说转换完成，训练级四十五个，一年级十五个，我们的软件呢啊是体验的，所以他那个可以为大家免费的。呃，这个，呃转换， 呃，实际上我们的标签是三百六十一个，看一下，我们这个是三百六十一个，好吧，嗯，大家看一下啊，就是跟大家解释一下 我们的软件到底是不是可以用的，然后我们这个软件呢，你看会自动的把这个所有的东西归类，比如说你有多少个类别啊？我们可以给你写出来，因为在背包 img 里面默认的就是零一二， 对，它这个类别是零一二啊，比如说如果啊，你真的想呃知道了什么类别，你可以在这边去改，然后导入它，你就可以，然后这个呃自动把图片给归归类好了啊，放在这里面了，这是 train， 然后这是 vor， 然后呢？这个是我们要的这个接通文件，我们打开看一下，好，这里面有一些啊，有一些就是监测数据的格式吧，你看我们这个是我们所要的这个 b box， b box 的信息都有了，然后你的 in my id 是吧？都有了， 其实我们用的也呃，用的东西也不太多啊，就是要用这个啊，我们数据局训练其实无非就是需要这个，呃，第一个就是需要这个 area 啊，需要这个，呃，说错了，是需要这个一卖家 id， 第二个需要 bbox 啊，用于卖家 id 啊，可以找到对应的这个图片。 bbox 呢是它的一个框框啊，信息，这其实是最重要的啊，其他都没有什么要注意的。这个软件呢使用就这么简单啊， 比如说大家写这个游戏出去了，那写写也也也不太好弄，然后呢？最后我们这个软件呢，提供一个附附加工具，附加工具就是我们可以检查这个叉 m l， 叉 m l。 那这个我就不接受了，大概检查你用那边 m b 标注是有错误啊，那个也是功能已经集成在里面去了。 好，我们的这个，呃，软件呢？介绍就到。

听得到吗？喂喂喂， 能不能听到？ 喂喂喂喂， 我们七点半准时开奖， 那大家在讲的过程中也可以在上面留言啊，或者是提问，我们在讲完了之后会统一来回复大家的这个提问列表。 没看到画面吗？能不能看到画面 啊？时间到，那我们就正式开始今天的直播课程啊，欢迎大家进入到 龙哥手把手教你学视觉的这样的一个深度学习优乐威武的直播课，那这是我们今年的第二次啊，因为其实第三次啊，那第一次我们讲的是 呃深度学习的一个也是有关深度学习的这样的一个那个视频啊，那么第二次我们讲的是如何去选择工业相机的这样一个直播课啊。第三个是我们这一次的直播课，那么这一次的直播课程我们主要的关键词是， 那比如 pcba 和 aoy， 那我们来分析一下啊。啊，另外还有一个主题是优乐飞舞 啊，我是龙哥啊，这是本次直播是由电子方式有学院呃那个主办的啊，那 这个直播课程结束了之后，我们可以在只要报了名的学员可以在我们的发烧友学院的直播的这样的一个回放页面可以看到啊，那么当然这个回放的页面可能需要三到五天的更新啊。 另外在直播的过程中，大家可以在这个地方公共聊天去提问啊，就留言，那如果说我讲到某些地方的时候，我们可以穿插着来进行一个讨论啊，另外大家如果说有一些 哎与这个主题相关的，或者我们直播相关的这样的一个疑问啊，需要我进行解答的，可以在 哎我们的直播页面有一个提问的列表啊，可以去在里面去提问，那我们直播完了之后会 统一给大家进行一个解答 啊，那么我们说一下为什么做这样那个主题啊，那么这也是我们说我们这边的课程都是基于一个实际的项目啊， 就是我们这边的能手把手系列的这个课程呢，都是基于实际的项目案例啊，那包括我们的一些直播课程，那也是尽量的 跟我们的实际项目结合起来来讲啊，那么我们的主要方向是工业的啊，工业应用，那么当然我们现在所讲的这些技术呢，不仅仅是用在工业，他的方法可能是在 啊计算机视觉啊这一块啊，叫做 cv 啊，我们都想叫做 cv 啊，股票的微信是吧？ 那么也说现在计算机视觉叫 cv 吗？然后机器视觉啊，工业视觉啊，机械视觉叫做 mv， 对吧？那这两个其实他用的方法是非常接近的啊，呃，当然目前我认为啊的趋势 就是将 cv 里面的方法做了一个优化之后，然后在 mv 里面来用啊，就是我们的工业视觉啊，简称 mv 啊， 那么这样子用的话，他的效果会有一些，有一些这个让你得到一些惊喜啊， 得到一些惊喜，那这也是我们通过项目实践了之后啊，实战了之后啊，来总结出来的一些经验吧啊，他是会有一个嗯，经 喜留给你啊，你可以大家可以去试一试啊，那么我们也是之前做了一个项目，叫做 pcb 的插件 aoy 的检测，那么这是一个设备，我们待会在后面会给大家介绍 啊，那么我们就将我们做这个项目的一个流程，就是说我们一步步来分析啊，就拿了这个项目之后，那我们是怎么样确定我最终是要用这个优乐威武的这个方法？ 那包括这里面他有什么难点，然后和我们常规的方法对比，他具体 传统方法解决不了的地方点在哪里啊？那这是我们这次刻的一个主要的一个这个流程啊，主要的一个流程就是 将这个项目的分析的过程，还有我们最终用了这些新的方法之后，他的效果给大家做一个展示啊，做一个展示，那么呃，希望大家 做类似的项目的时候有一个参考啊，或者说你在做其他项目的时候，你能够思路更加宽泛啊。那接下我们再来看一看， 我们的主题是 dpcba 检测中的难点分析啊， 我们做做项目之前你一定要是做一个啊，评估啊，我们说叫评估， 这个我觉得是非常重要的啊， 那么这个评估的好坏就决定着你这个项目 是否能够后续的能够正常的开展啊。那么这个评估 怎么说呢？当你没有真正的去做这个项目的时候，说实话你要把他的项目方案能评估的非常的准确，也是比较难的，所以我们会发现自动化行业，自动化行业 有很多项目做着做着就做死掉了啊，那就是因为前期的评估没有到位导致的啊， 所以这个难点分析我认为很重要啊，这是这个项目里面最重要的一个环节。那第二个部分就是传统算法检测元件即兴的效果到底怎么样啊？那当然我们一般来说 拿到一个项目肯定不会用一个，首先会尝试一个新方法，那我们先会用一些常用的方法，对吧？我们熟悉的方法能够快速的去评估他的一个方法来验证一下，对吧？来验证一下， 那么到底这个效果怎么样，是吧？要通过算法去验证。那第三个，如果说我们的效果验证的不好 或者不理想，那我们是不是要寻找一种改进的方式，对吧？那这种改进的方式我们就是选择的是深度学习，那这两个方法都是深度学习的，一个是优乐威武，一个是 ssd， 对吧？这两种模型， 当然这个 ssd 是比较早的，优乐飞舞是算是比较新的一种技术，那我们也需要对这两种模 行啊，即使你是打算用深度学习来取代传统方法啊，那么你也得去比较到底哪一种更适合他 啊？那经过这种比较，但我们后面会讲啊，那优乐威武他的效果就是要优于这个 ssd 啊，那么因此我们就确定了，那你检测他的急性就是要用优乐威武，那接下来我们就是要去看怎么样去在内部里面去使用他 啊，那就分三个步骤啊，三个步骤，一个是配置优乐威武的环境，那第二个我们就要开始训练啊，我们就要开始训练 这个啊，优乐威武的模型啊，但是我们把这个最终模型的比较，我们放在这个地方啊，也是我们用优乐威武和 ssd， 同样的样本，同样的数据 啊，都去做一个测试，对吧？那最终我们看看到底这个哪个模型好，是吧？他的效果能达到什么程度？ 那么最终我们确定了优乐 v 五是 ok 的啊，这个完全能切合这个项目中的难点的时候，那我们就要考虑到你如何将 love you 和优乐 v 五结合起来， 来实现这个模型的即兴的检测，对吧？那就是这个就是我们实际操作步骤中的一个关键环节啊，那么前面实际上都是做一些分析， 那么最后一步就是我们现场的一些演示啊，就是到底我们啊如果说没有接触到这个行业的群，大家也看，也可以看 看，那么这个啊，这个内容啊，这个内容就是说这个设备啊，他的运行的一个效果啊，或者说他的一个呃，这个实际的运行的一个情景啊，场景我们看一看啊，我们看看， 那么这个具体的问题我们待会再来讨论啊，待会再来讨论。 那我们说这个 pcba 中的行业内哎，他有几个部分啊，有几种 场景来检测，这个 u i o i 就是我们光学检测设备，对吧？光学检测设备啊， 那么他主要是通过 ccd 啊，来取代人工，替代人工去检测一些我们 个关键的一些这个原件的一些情况啊，例如说我们这里说的这个第二批插件原件的错漏反啊，错漏反，对吧？ 那么在这个项目里面 插件元件的错落反他是最难的啊，也是也是他最主要的内容啊，那么待会我们会讲到他的难点，这时候我们看看这个些图啊，这些图， 那么有一些是错键啊，错键对不对啊？这是颜色体现在颜色里面，对吧？ 那么这是急性反啊，急性反啊，你说这个急性他反在哪里啊？我们仔细的看一看，这个地方有一些条纹的、印刷的白色的区域，对不对？ 那么他是朝上的这个方向，我们把它认准啊，也说我们这个原件只能他朝上才是正确的，但是我们会发现插件的时候他会插反，对吧？插反啊，这个要把它剪了出来啊。那么还有这个， 这个擦脚啊擦脚啊，这个地方他是漏了啊，漏键 啊，还有歪斜啊，歪斜啊歪斜，那么还有一个是多插啊，多插，哎，这个地方本来是没有的，结果他插了一个原件，对吧？就是这一个， 接下我们再来看啊，再来看，这是他的内容啊， 再来看行业内的一些比较有名的公司啊，就是一些行业大佬，他们是用了什么方法， 那我们发现我们就跟踪了一个，因为我们要做这个东西，我们就跟踪了一个行业内的，这个可能是比较领先的一个设备商啊，我们就查到他们的资料， 那么我们发现这家公司他在二零一八年就已经将深度学习应用在这个 设备里面啊，应用在这个行业内啊，也就是我们刚才说的第二批的这个插件元件，呃，错漏反这样的一个检测啊，那么当然他们的研发实力是非常强的啊，到目前为止来说，我们也对比了一下，那么这种 行业大了，他的技术积累，他是非还是有非常大的优势的啊。到目前来说，包括我们自己做的过程中，也发现有一些是我们做不到的啊，有一些是我们做不到的啊，但这个东西需要不断的去优化啊，不断的去优化， 那你说他们很早就已经在将深度学习目标检测用在这个领域，那说明怎么样呢？这个方向是对的，对吧？方向是对的啊， 那之所以这些行业大了，他没有用传统的方法啊，但这里面不是说全部没有用传统方法啊，也也是说我们这里说的比较难剪的啊，你说这种即兴 他是比较难剪的啊，因为他这些圆肩他有，我们后面也会分析啊，他是会有差异的啊，他没有那么简单啊，没那么简单啊，所以他是用 深度学习来做的，那这是我们这个行业内的有一些设备他的一个界面啊，他这个界面他剪的效果啊，那这些框材呢？都是用深度学习来剪的啊。 啊，当然就是说这点，我们就是说一下他的优势啊，就是说，呃，这些设备商目前的一个比较大的优势是什么呢？嗯，是可以自动啊，自动去画这个 ry， 你说你不用去手动去画 啊，他可以自动去画啊，那么他根据他的原件库里面的内容，然后把所有的这个板上面我训练进去的这个原件全部给你剪出来啊，就相当于他的一个宣传点，就是他的设备 他是不需要人手动去定位啊，去设置这个 ry 检测框的，还是可以自动去设置的啊。那单纯这一点他就就是比较啊，就是确实这个功能是比较强大啊，比较强大啊， 那么再看看啊，但排泄功能啊，例如说我的板子任意位置去放置啊，他都能剪啊，但这个可能，嗯， 也不是很难啊，这个功能做起来也不是很难，我们用传统方法来做的话也比较简单啊，就是对板的一个定位啊，这一个， 那这行业内的一个解决方案啊，用的是深度学习，那这一点方向我们肯定是找对了，对吧？那接下来我们看看到底是什么原因， 我们的这个难点使得我们传统算法就做不了啊，传统算法做不了，我们分析下这个图啊，这是我们现场采的实际的图啊，我们看到啊， 那么有这个电容，还有这个光偶是吧，二极管啊这些啊，当然其他的我们没有放上来啊，没有放上来，那到目前来说，我们啊，实际上去检测的时候就这几种是最常见的啊，就是需求量最大的，他是一定要剪的啊，或者说不好剪的那种啊， 那么看难点在哪里啊？大家看看这个图，可以适当去分析一下。嗯，如果说你是做工业视觉的，那 应该可以大致的看出来他的难点所在啊，难点所在，那待会我们 大家可以看看啊，先看看这几张图啊，那这几张图我们也可以分析一下，例如说这张图我们怎么判断他的急性是左还是右啊？还是上还是下，那么这一个他就是左了，是吧？左了， 那么这一个他就是上了啊，就是渔屋是吧？那这一个也是渔屋， 这一个也是 u 啊，这一个也是 u 啊，就是往上，对吧？那当然还其他方向我们没有把它列出来啊，就是内饰啊，内饰啊， 那这一个他是向左啊，像这种他就只有两个方向了啊，那左也也有可能是上下啊，他有四个方向，有四个方向 想做， 那这一个他就是向上了，是吧？鱼是吧？鱼 这一个他就是向右了，是吧？啊？是吧？那这一个呢？他就是向左了， 就大家看看啊，我这样标的，大家再去根据你的项目经验再去思考一下这个道理， 用传统方法你应该是什么样的一个思路啊？可以思考一下， 那这是我们对实际样本的一个分析啊，标注啊，你说他的方向急性啊 啊？今天我们来分一下难点啊，跟大家总结一下。那这个难点就是说你说这个都是电容，对吧？首先电容的大小 他是不一的啊，大小型号都是不一样的啊，大小型号都是不一样的啊，这是一个难点啊。 第二个相同大小的或者相同型号的啊，可能不同品牌的，他之间又有差异，那差异在这个地方啊，在这种啊，这个纹理这个地方，对吧？ 啊？就说他有的是呃，这种标示，有的是这种标示，对不对？哎呦，他印刷的时候他这个地方他不是固定的啊，包括这里面这些纹路我看到啊， 他是不一样的，那这个是你需要识别他啊，他的外形并非完全一样， 他的条纹就是纹理这些表面的纹理，这些颜色，灰度，我们就是说说的专业点，就是灰度，灰度也不一，对不对？来看到啊，这些灰度啊，这里的灰度也不一样啊，他唯一一个 比较一致的就是这个中间他会有一个这个亮斑啊，这这个应该是露出来的一个金属的颜色啊，对吧？另外他的姿态不一样，我们看到这个姿态有点像，是 啊，从这个方向去看的，对不对？那这个姿态呢？也有，呃，也是从这个方向啊，这个方向啊，当然这是在不同，在一块板上不同的位置，那有可能我们是看到的视野是他，是他，他的这一端，对吧？ 是这一面啊，这一面有他，他会产生一个叫做透视的，这样的一个啊，这样的一个，这个啊，沉沉香的效果啊，所以他的形状又不一样了啊，包括他的在图像中的有些面积也不一样， 颜色也有差异，对吧？颜色啊，有的这种颜色，有的是这种颜色，对吧？这是我们同样的彩图的环境下面得到的，对不对？ 这是这一个啊，这是一个， 所以我们总结起来，他的外形大小有变化，然后他的形状啊，他的这些纹理啊，颜色啊，姿态啊，都有变化，对不对啊？第三， 这个是这个项目最难的一个点啊，就是光，偶的打光不是特别清晰啊，你说我们能模模糊糊的看到一个圆点，但这个圆点呢，他的特征已经不是有的特征已经不是特别明显了啊， 但在后面我们就是也通过打光啊，就是通过那个啊， 打光啊，或者说那个视野啊，还有这个焦距的啊，摄像头的这个，呃，这个优化，我们把这个可能后面的成像稍微稍微好了一点啊，稍微好点，但是呢，也有出现个别的，不是说特别理想的啊， 所以这个难点就是最小的光藕，他需要兼容啊，我们的视野是三五零乘以四百， 再往里升四百啊，这样，那个视野，嗯，好像宽度方面比这个要稍大一点，嗯，一般是三比四啊，这个视野啊，三米四的视野， 谁要在这么大的事要兼容最小的这种这种光偶，那么这个时候呢，他的成像会有一些影响啊，就是在不同的位置，他的打光可能会有一些影响的情况下，这个小斑点不容易啊 啊，出现的非常明显啊，人眼看可能还会有一些痕迹，但是实际上到这张图已经不是特别明显了，对吧？ 那但是我们就需要根据这个圆点来分辨他的方向对不对？不知道大家能不能看的清晰啊？ 学这个难点 有这么几点啊，这么几点啊，但是 如果说大家有做过一些工业项目的话，应该就能了解这个啊，这个难点是难度非常大啊，难度非常大啊，虽然只是判别四个方向，但是他的难度非常大啊， 那接下来我们看看用传统算法啊，来解决一下这个问题，尝试着来解决一下啊。 当然实际上我们最终根本就没有用传统方法来解决这个问题啊，那只是说我们为了给大家对比一下啊，给大家对比一下来 来做的这样的一个传统设计的方案。因为我从刚开始分析这个部分的时候，我就已经否定了，用传统说法啊，肯定是不太可行了， 那今天我们看看啊，那如果说我们要，例如说我们要检测这个电容他的一个急性他的方向对不对？那实际上我们最终的目标是要思路就是要分 定位，或者说提取出这一个代表他即兴的位置的这个区域啊，这个这一个 啊，灰啊，这一个条纹的这个区域，或者斑点的这个区域，对不对啊？比如说我如果说能把这个部分分割出来，那么依照我的，他在我的这个图像中的 ry 的这个方位，对不对？我去判断他到底是在左还是在右，还是在上还是在下，对吧？ 啊？那如果说我，我除了这个地方，这个地方我都分割出来了之后，他有干扰，我怎么排除呢？就我们就可以通过窒息吗？对不对？那这 这个地方他的面积最大啊，因为这个有，有什么有急性的地方？这个这种， 嗯，斑点他的，呃，在这个相应的方向上面，他的斑点呢？这个自信可能占比会越会比较大，所以我们可以通过这个自信的算法啊，来判断他到底他的最大自信是偏向哪个地方的，对不对 啊？那我们就可以，其实这可以分辨出，但是这个关键点是我们要提取出这个斑点的区域啊， 那思路是什么呢？思路啊，当然我们实验里面就做了一种思路啊，大家也可以去试一试。那我们的思路就是说，首先我要先定位出 这个区域吧，对吧？我要定位出这个区域，如果你不定位出这个区域的话，你是很难去分割出这个啊，这个 地方呢，因为这些，因为这些灰度他与我们的背景他有一点相似啊，有点相似啊，所以我们必须要排除一些其他干扰，所以是要定位出这个亮斑的这个圆点的啊，这个中心的地方，那么以他建立一个坐标系， 经历了坐标系之后呢？然后再画一个 ry 啊，对，以他为一个圈来画 ry， 然后再根据他的灰度的 特性来进行分割啊，分割完了之后，我们再对二字化的区域，一个香皂啊， 去除一个小颗粒，然后最终就提取到他的目标区域，对吧？那这是我们的思路， 我们看看人第一步定位是吧？定位，那么这个定位呢， 可以通过这个模板的方法啊，模板匹配的方法啊，这是一种啊，那也可以通过二字化的方法，对不对啊？这里面我们通过通过我们对比一下，这是模板匹配的，那我们发现这个模板匹配的， 嗯，对，不同的图啊，他不一定能匹配出来啊，你说这张图和我们以这张图做的模板，但是这张图能匹配，这张图就不能匹配啊，那有可能是因为这个中间的这个亮斑的大小也不一样，对吧？包括外面的纹理也不一样啊， 但我们就没有做进一步的优化啊，没有做进一步的优化，进步的优化的思路就是对这个模板进行一个某些区域的屏蔽啊，某些区域的屏蔽啊， 那今天我们再来看看啊，也可以用二字画的方法，我们通过颜色分割啊，颜色预直来将这个中间的 金属的区域啊，反光面比较强的区域提取出来，那么以他为中心，对吧？以他为中心啊， 当我们分割的时候，我们也做了一些过滤啊，过进行一些过滤。首先这是初始的话， 我们通过面积的筛选，可以将最大的这个圆点啊，最大的这个年龄去筛选出来，对吧？ 因为这个白色的部分，他的周围都是黑色包裹住的，所以我们还是比较啊，还是 笔下方便的去这个提取他。那么接下来下一步建立坐标器之后，我们就画一个 环形的 ry 啊，是可以画环形 ry， 然后提取到环形的区域做一个 mask， 是吧？眼膜对不对？那接下来 我们就要对这一个区域进行处理，也是我们提取这里这个地方啊，最最好是提取这个地方，对不对？那如果说其他部分有干扰，那也可以一并提取出来，我们再做一个 啊，下一步的算法的操作啊，那叫我们看看，这是我们分割出来的效果啊，分割出来效果 啊，进行二次画之后，那得到的是啊，我们在原图上进行的一个啊，进行一个叠加啊， 我们看到这个纯黑色的部分就是我们分割出来的部分，对吧？啊， 那这个地方啊，像这种只要能分割出来，我认为，嗯，还是可以， 如果说他能正常分割出来，那我认为肯定还是有方法能够，就像我刚才说的方法啊，对，分割出来区域有这个区域，然后求他的自信的，相对于我们的这个刚才这个坐标中心的一个偏差，对吧？ 那么看看他是往哪个方向偏，我们就可以得到他的一个结果啊，得到一个结果， 但这个前提是我们要能准确的分割出来啊，那按照这几张图分割的效果啊，也是比较勉 想啊，表明一下他并没有完整的分割出来，但是我们还没有考虑到不同颜色的啊，这个区啊，所以说 这个传统算法效果，我们评估就是不能可能解决不了这个问题啊，你想想，你要面对不同的啊，不同的型号， 每一个型号你都要以这种方式，即使能调出来，你每一个种型号你都得按照这种方式去调参数，那这个是，呃，这个过程肯定是不能接受的啊，客户现场他是不能接受的，调参数的过程太慢了啊，太慢了。 那接下来我们就要介绍一下引入到这个优乐威武啊，我们说一下这个优乐威武呢，他 是二零二零年六月十号发布的，叫做优乐威虎，那他前面有优乐啊，还有优乐威三，还有优乐威四啊，那当我们的课程里面优乐威四也做了讲解， 优乐贝斯是去年我们讲的啊，那优乐威武也是在我们今年啊，我们今年就是讲到了这个优乐贝， 那用了威武，他的表现怎么样呢？我们知道这个谷歌的一个目标检测模型啊，这个模型啊，也是开元的模型啊，那他是在特斯普罗二点零里面他有发布这个模型，嗯， 那就说他官方推荐的，应该来说是还是效果比较好的啊，墨叶眼镜框啊，但是他的精度和速度都没有这个优柔强啊， 看看有没有一张图的，我看看啊，这个图对吧，我们待会再来看。那么他的精度和速度，优乐威武也比优乐威四要强啊，比优乐威四要强。 我们说优乐威武他的，嗯，他其实他是，虽然说是在优乐威斯的基础上进行啊，就是他也叫这个名字啊，但是他的作者已经换了啊，作者已经换了啊，因为他的原作者应该他是已经说的是不更新了啊，不更新这个内容啊， 所以他主要是在速度啊，最主要是在速度上面有提升啊，提提升的幅度比较大啊，相对于优洛菲斯来说，那精度来说也有提升啊，但是幅度不是说那么的大， 但是我们工业上面去使用它其实比较看重的是它的速度啊，它的效率啊， 那用了如果他能够在这个批百的这个显卡上面能够达到一百四十针每秒啊，这个速度是相当快，对吧？ 但这个显卡他也也是比较强啊，这个显卡也是比较强啊， 那么优洛威士呢，他的速度大概是五十针每秒啊，也说比他那速度已经提升了大概两到三倍啊， 那么在我们实际数啊，实际去应用的情况下，他的这种我们是优势是比较大的啊，就是我们在精度有提升的情况下，我的速度还提升了几倍，对吧？这个，这个是像这种，就是我们非常啊，就包括我这边，我非常 喜欢啊来用这种模型呢啊，就是又精度又好，然后速度又快。 另外一个他相比优洛维斯，他在小目标上面的检测精度得到了提升啊，小目标上面啊， 那在我们实际的去测试的时候，他也确实是啊，小目标上面他会比优洛菲是相同的，这个，呃，模型他会啊，相同的数据，吉他的效果会稍微好点啊。 另外还有一个是他有一个叫自信毛筐啊，那在我们在做优洛维斯的时候，训练时就会发现， 嗯，他的毛框你是需要根据他数据集啊，如果说你是用他默认的毛框，他可能他的模型的效果不是特别好啊，或者有时他不能收敛啊，但是 你要去用一个它里面的一个功能啊，用了威斯坦有一个功能，他是可以计算他的毛框的，根据你的数据集里面的你的标注的信息，他算出一个比较能适应于你这个数据集的这样一个毛框啊，那这个毛框呢？也就是说 他是会，嗯，就我们的训练时候，他会以这些毛孔来进行一个特征提取啊，就是进行后续的相当于一个特征提取的这样的一个目标区域啊， 所以这一点也是比较好啊，你不用再像优乐维斯一样，你还得去手动去算印啊，或者通过某一个文件去算一下他的毛框，对吧？比较适应的这个毛框，那这个优乐维斯他就我们就可以用啊。但有的又说这个自信的毛框 对某些数据集可能效果不太好啊，但这个就是根据大家自己去测试啊，实际测试我们，但是我们在这个项目实测效果还是比较好的啊。 另外是优乐威武他分几个模型，那他分 s 啊，比较贴心啊， s、 m、 l、 x， 就是跟我们的这个衣服的尺码一样啊，那小的、中的，大的一个加的，对吧？那对于我们最小的这个模型啊，他的这个 只有十几兆啊，那这个是他的速度就已经很快了，而且他的精度来说已经是比我们说的这个 s、 s、 d， 他的精度就已经高很多了，这个 s、 s、 d 我们的精度大概就是，呃，百分之二十多啊，百分之二十多 啊，因为他追求速度嘛，这个追求速度啊，优乐威武，我们待会再去看看这个图啊，优乐威武这几个模型他的精度啊，我们看到，嗯，真的待会再过来看啊， 那用了之五 s 的这个模型，他只有二十七兆啊，只有二十七兆，他已经是比较适合在青龙寺里面去进行调用了，那当然， 这个我认为嵌入式里面不熟，你说这里面我们现在所说的叫边缘学习，对不对？边缘 a i 啊， 那么某一些公共的啊，做公共设备的一些有名的公司已经嗅到了这个这个方向啊，那么已经在推出一些边缘 ai 的这个计算设备了 啊，也叫边缘计算，对吧？也是我们将我们将末端，将我们的在我们的中端来部署这个模型，而且我们是在青红色上面部署，对吧？ 啊？他需要的资源就比较低啊，另外是成本优惠也能满足啊，因为我们知道做深蹲学习，你要用我们公控机啊，用这个台式机用 pc， 他的成本是比较高的啊，成本是比较高的， 所以这个为我们做签入室提供了一个啊，提供了一个这个方向啊， 那么对比了一下，我们在大概耐克腾里面，优乐优乐威士他只有两个版本，一个是优乐威士，还有一个是优乐威士泰尼，那么他的模型就有两百四十四张啊，那这个 模型越多，其实他的计算啊，我们其实了解深度学习的就知道啊，模型 他的这个权重参数越多啊，这模型越复杂，你的计算率越大，你这这个最终存储的这个模型稳定就越大，对吧？我们看到这个只有二十七，他有两百四十四啊， 另外你最终可能这个占用的资源也越多，那么说明我们优乐威武他特别小啊，特别小啊， 比他小这么多啊，小到百分之九十啊，但是精度又与他相当啊，另外他还具有一个数据增强的功能，也就用了 fuck， 里面已经自带有这个数据增强的功能啊，他可以随机缩放、裁剪、拼接啊，那么当然你可以去配置他 啊，你可以去配置他，你说我旋转多少个角度，对吧？等等啊，那随机增强增强的这个灰度范围是多少啊？他这个都是可以设置的。 接下我们看这个图，用这个图就能说明我们的这个模型的这个精度啊，那当然我们说这里面 s、 s、 d 就是百分之二十了， sst 啊，就百分之二十多啊，甚至有的低于百分之二十，有的追求速度的，是吧？啊，就追求啊，就会这个更小， 那么你往我看看啊，你往我看看， 与谷歌的这个模型啊，与谷歌的这个模型相比， 我们看在同样的速度的情况下啊，我们在这个地方，在这个地方，当然他测试的是五针啊，每秒五针啊。啊，这是多少啊？这是五毫秒啊，五毫秒啊，五毫秒。 那么在这个速度的情况下，不知道这个单位有没有写错啊，这个单位有没有写错，而且越往这边就越快啊，越往这边就越快啊，在这个速度的情况下，我们看到 这个优乐 v 五，他的精度啊，接近于百分之四十多啊，那他他是百分之三十多，对不对啊？所以精度已经比他高很多了。那但是我们要知道，在这种扣扣数据 里面，我们呃要提升一个百分点都是很难的啊，提升一个百分点都是都是有难度的啊，但他这里面他已经提升了十几个百分点，是吧？ 就这是这一个啊，就这一个，那优乐威五 s 他也已经能够至少能达到啊，百分三十的这样的一个这个准确率了啊， 精度啊，我们说精度，那接下来我们聊介绍了优乐和 s s d 比较慢，我们就知道优乐威武肯定是好，对吧？ 那么接下我们就看如何去配置他。配置优乐威武到底难不难？其实很简单啊，其实很简单，我们测试的是 win 十的系统，但是 win 七也可以，那么用的是 kim 这个这个，这个，嗯，深度学习的这个环境配色的工具啊，就是我们安装拍摄呢，安装一些工具包的时候用它啊， 那么另外我们要安装了在这个这些工具或者平台啊，那么接下我们要安装的是拍套起批外套起，是吧？那么这是现在也是比较流行的一种深度学的软件啊，深度学的平台啊。 那么这一个我们要安装的是优乐 v 五啊，第四个版本啊，他有很多个版本， 因为我们安装的是拍啊套起一点七啊，一点七这个版本啊，他是和我们这个是能对应上的啊。 另外我们安装了一些越罗被五香 关的酷啊，依赖酷，那最终我们安装完了之后，你去验证测试他，他有个 dm， 是吧？测试的一个文件，你测试看看能不能检测出这些东西啊？这些物体如果说能检测出来 啊，那说明是 ok 了，如果检测不出来，那么说明你的配置环境有问题啊，你可以大家可以去验证一下，对吧？环境配置，我认为他比优乐瑞士，呃，比这个特斯普洛要简单的多啊，那么跟优乐瑞士就没得比较，因为优乐瑞士是采用的是 达克亮腾是吧？达克亮腾的那个平台， 但是单个来头变异是比较麻烦的啊，这个比较快啊，比较简单。 那也有学员在有疑问啊，这里就顺便讲讲。也有学员有疑问，就是说我们的这个环境，我们配置的时候他需要在线安装，那你到真正的到你的工业运用的时候，你还要现场去啊，如果说很多台你去批量去装的话怎么办？ 其实很好解决啊，只要是工业应用最好解决的方法就是烤啊，叫做烤贝啊，硬盘对烤，大家听说过吧？ 硬盘对考啊，就是两台主机你的配置一样的话，那么可以直接把一台主机的硬盘包括新转盘全部拷贝到另外一台电脑上面，叫做对考啊， 拷贝完了之后，你的这个系统相当于安装完了，然后你的这个环境也不少了，不用再去动他啊，所以配置环境并不是说一个啊，很难的事情啊，但是大家要 会要知道怎么去解决些异常。标注，你看接下我们要去训练这两个模型啊，去标注一下，那标注的过程 就是我们将目标的这个区域把它框起来啊，但也可以框这个小的关键的区，对不对啊？框这个地方也可以是吧？ 啊？框这个地方也可以，对不对啊？就说你框到一个这个，呃，产品中这个图像中为一个比较唯一的啊，方向性具有唯一的这样，那个因为我们先是要检测到方向吗？对不对啊？往这个方向他才是，嗯，往下对吧？那这个是我们叫 框一个方向唯一的这个东西， 或者如果说这里有 纹理，我们把这一个整个框下去也可以啊，像这是我们框的是这个二极管的啊，那这是我们框的是这个 呃，电容的啊。但我们有的学员可能有疑问，为什么我们不这样框？因为我们发现这样框我们训练说效果不好，所以我们就框一半，框一半之后训练发现效果是最好的啊， 那接下来下一步标注完了，这就很简单了啊，我们就要开始训练了，那我们标注了当 notet、 rap f 这四个标签，那这四个标签完了之后，我们接下来就是看看啊， 接下来就是训练了啊，生成 tfrico 的啊，一般流行 tfboyk 的是吧。 那么接下来就是什么呢？就是开始训练了啊，开始训练我们用的是 sod 这个模型啊，那么他的训练的时间啊，每一步他需要零点四 秒啊，零点四秒啊，那这次我们最终训练结束啊，训练结束， 那么训练结束了之后，他会保存这个模型，我们就保存下来了，那接下来就是我们要去验证他了啊，我们要去验证他啊，这是我们 嗯，从训练级里面又抽出了一些作为训作为测试的，让他检测效果，我们看这检测效果啊， 下右右右是吧啊啊，另外还有一个技巧，就是说他标注的时候要注意 一张图里面，例如说我们现在有四个目标，对不对？四种目标啊，就上下左右的原件，只要出现了 上下左右的这种元件，完整的啊，完整的你都要把它标注出来，你说这张图你就要标两个对不对？你不能只标一个， 否则这个机器他也不懂，对吧？他也不懂你为什么这个标呢？但是这个不标，对吧？他学习起来也会有困难，那最终就导致我们模型可能最终就是有问题了，就是你这个模型是是有有根本性的问题的，他最终检测不准。 那这是我们用 ccrup 做的一个啊，这个吊用工具啊，吊用工具啊，就是专门的吊用特斯弗洛的这 模型的啊，我们看到啊，最终我们用测试机来进行啊，来进行验证，那发现他每一类的啊，上和下啊，我们也是，确实在我们实际中也就是上和下这两个方向，他检测准确率是比较高的， 但是左和右容易发生这个混淆啊，因为左判定为右，右判定为左，那具体什么原因我们确实也不好去分析他，但是我们实际做出来测试的效果就是这样子啊， 那这是我们检测出来的效果啊，对吧？那这是这个是这个下吗？对吧？荡，那是第一个标签啊，荡第一个标签， 这能检出来效果， 那接下我们看看，如果用其他的图片再来验证一下，因为这刚才这是我们只是演示了一张吗？ 那我们用了大概九十多张吧，九十多张图片来验证，那我们我们只只举了其中啊，列举了其中的一些软件，我们来看啊，有些图片就检测不出来，这一张检测不出来这张检测不出来，检测不出来。 这张我们看到上下啊，这是下左啊，下左 看这个顺序，下左右上啊，我们看到 也也简直错了啊，这一个也简单错了，下左上右嘛，啊下左右上嘛，对吧？按照这个标线的顺序下左右上啊，下左右上啊，这个标线也是有问题的， 那是第二个标签啊，所以这个效果不行啊，所以别看这里面准确率很高，但是真正实测起来效果一塌糊涂啊。 这个项目我们开始也是打算用特斯普洛来做啊，最后就是做的过程中就是说评估不到位嘛，因为我们刚开始我们就测试看到这个效果很好 啊，包括我们验证那些图片效果也很好，但是实测他就效果非常差啊，那最终我们就 就不得不调整方向了啊，就用我们再用这个优乐威武来进行训练。那么优乐威武里面我们看到啊，他训练的一个步骤啊，训练一个轮，一轮的话他需要两分钟啊，但这两分钟他是把所有的图片全部都轮进去了，对吧？ 但是他的一些 mvp 啊，就是他的精度啊，你说我们初步可以通过这个 mvp 来判断他的这个模型的效果，是吧？这个值肯定是越来越好啊这两个字啊，一个是分数大于零点五的 准确率，以及分数大于零点五小于零点九五的这个区间，是吧？这个只一般要比这个只要大啊，那么他就会先打 到零点九九，然后这个值他就会继续提升啊。 首先我们再来看 啊，我们训练这个就花了八个小时啊，八个小时啊，最终模型的大小是四四十二兆啊，四十二兆，那我们这里面是用优乐威武的 m 的模型啊，就是我们不是用的 s， 是用的 m 啊，那就是这种我们就选择精度高一点的模型， 那最终他没内的，我们看到进度啊，这个二不在内，好像还是会稍微差一点啊，比其他内啊 啊，这两粒稍差一点点啊，那么其他的这是零点九五啊，零点九五 达到了百分之零点啊，达到零点八，对吧？啊？从这个来说还是算可以啊，精度还算可以，平均的话应该就比较高了， 但只是一个训练的结果啊。那这我们看到又来我训练的过程，他会怎么样呢？将这些图片进行一个 啊？我们说了他会把图片做一个随机的裁剪啊，做一个随机的裁剪，也是他会模拟我的我的这个样本，我的这个目标有可能会出现图中的 很多个位置，对不对？或者他只出现了一部分，也有这种可能，是吧？所以我们可以看到啊， 又来我他的，他从训练这个里面他就已经嗯做了一个样本的 增广啊，相当于样本的这个增广了。那比较一下我们用这个得到的实测的模型，我们去做对这些途径的同样的实测，我们会发现 s 还是 d 检测不了的， 越罗越虎，全部能减，对不对？全部能减，我们看到这个分数也还比较高。零点八九啊，零点八九，就说自信度，就认为这个这个这个值，他就认为，就说我的模型认为他判定为这一类的概率，我认为他的概率是非常大的啊， 零点八五就是他的概率已经非非常大了，对不对啊？ 啊？这是我们训练的，也是说就可以得到我们的 啊，这个优乐 v 五肯定是可行的啊，可行的啊，但我们后续还做了很多工作啊，还做了很多工作，包括数据节的采集、标注，还有数据的清洗，对不对？ 你说你采集你标注的图片，或者说采集到图像，不是说都可以来用的啊，有一些可能只拍到一半啊，或者不全的，那这些都是要清洗掉的啊， 那接下来就是用优乐物来封装他啊，用优乐物来封装他啊，那这是我们封装的优优乐，我们看到实际上深度学习，你去教育他的是非常简单啊， 不存在太多的参数的设置啊，你只需要给他一个模型的路径，然后再给一些什么呢啊？再连给他图片， 给他这个一面积，是吧？或者图形路径，我们就可以实现这个功能了，对不对 啊？那这是在于内部有里面调用的他检测的效果，那这次检测出来是一啊，我们放大一点，他应该是零点八几啊， 这个也是一啊，那一就代表了。嗯，但优乐威武里面他是从零开始的，他的表现零一二三分别对应的，是啊，当 啊，然后是 nice， 然后是 rap， 然后是 f， 是吧？他根据他的手字母进排序呢，对吧？ 那说明都能检测到啊，比较稳定的检测到啊 啊，接下来我们就看看这个 pcb l 弯 我们做的这个东西啊，当然这个界面就比较一般了啊，其实我们这边其实对界面不是说特别重视哈，这也是我们的一个 啊，以后要去，呃，要去这个，要去不断去优化的啊，这个项目也比较急啊，但是比较急，所以说我们就这个界面就做的一般了啊。 啊，这是这个界面，这个界面里面这边有个视频，我们待会会给大家看啊，那这是这个设备啊，但这个设备也很简易， 比较简易，那下面就是一个穿过去的一个传承带啊，这是界面上面啊，我们这个进的时候主界面啊，当然还有个设置的界面，我们看一下这个视频， 那这个视频我们看到下面会有一个链条啊，一个缠身带，带动我们的这个 板啊，扭过去来说这个设备，像内饰这种设备，他都是不需要和我们的 啊，就是这个传送带做任何信息啊，就是不需要他去做一些数据的通讯呢，或者信号的传递的啊， 那么他是直接通过视觉的方式来进行定位的，就运动的物体运动的这个地方，某一个区域，我们给他设置一个 lv， 然后去做定位，做匹配或做一些 mac 点的检测，是吧？那这样子我们就可以，呃， 就可以去，就可以知道我们的这个产品，我们待会回一个放大的一个图片啊，就知道我们的产品进入到我们简 区，我们的啊，看这个地方他就会识别到检测区域，然后最终就会传进去做一个检测啊，后台做检测， 但这里面我们还有一些传统方法，结合起来也是检测一些很简单的。有福啊，我们就是用传统方法啊，用了二字画啊，用了颜色分析啊，用支付识别啊，那这是一个 ng 的，对吧？这没有差的， 那下一个就是这也是个 ng 了，是吧？这个方向，那这个是是漏的啊，这个是漏的 啊，这是遮挡的啊，有个是遮挡的啊，那这就是这个设备的一个嗯，流程，那这里面如果是有 ng， 会有一个人在这里按啊， 就是手工粘在圈里面，到底这个是不是 ng 还是 ok， 是吧？那在这上面我们就可以得到一个他的，呃，一个一个数据啊，得到一个总总的数据有多少块板，然后多少个 ok， ng， 是吧？在那个数据 这边还有一个如果有 ng 的话，那么工作人员他会根据你的结果，然后到相应的位置去做一个检测，然后手动的再去做一些后续的这个工序啊，这是设备的外形 啊，那这个是， 呃，这是我们这一个，呃，这一个今天的直播的一个主要内容，那接下来我们就看看，就是说 啊，有很多学员，嗯，可能一直不太了解我们这边的课程的体系啊，啊，就说这边我们也做一个，做一个介绍吧。啊？做一个简短的介绍啊， 就我们课程体系他是有这么一个部分，嗯，我们把它分分为几个阶啊，那我们这里面的课程呢？ 这个特点啊，嗯，就是他是偏使用的啊，就是实际项目，如果你要上手去做东西，那我们的，呃，我们的这个 这个课程还是比较贴近于实际的啊啊，而且很多都是从实际的项目中来的啊，提取出来的， 那就是说有一个那比基础的啊，有这课程，然后那有视觉的，是有算法的，对吧？有这些 手把手系列，然后使用教程系列啊，还有一些高阶的啊，高阶的，那么高阶的，例如说案例片啊，使用教程案例片，还有一个是双 ccd 的通用框架片，对吧？ 那么还有偏应用的啊，偏应用的，我们就是把它分为几个，几个几个几个课程体系啊， 那还有番外篇，你说数据采集的通讯呢？ ps， 通讯呢？报表呢？数据库的，那么还有像人脸识别的，是吧？这也是我们， 嗯，就是说可能这些都是比较这些比较受欢迎的一些课程， 那么还深度学习的啊，那我认为这个深度学习肯定是以后的一个重中之重啊，我在很多课程 你们都都讲过了啊，大家如果说只要到展会上去看，就会发现很多厂商他都已经应用的深度学习技术，那也说别人他研发这个技术肯定是通过了一两年、两三年，对吧？最终才能够去用啊， 所以我们一定要跟上这个节奏啊。看这里面我们就是优乐 v 特首 pro、 优乐 v 四，还有优乐威五，我们都有讲啊， 那但或许我们还有很多其他的课程啊，我们会构建一个完整的课程体系啊，也就到后面啊，我们会让大家只要你 想用 naby 做视觉项目，那么你可以去调用到很多资源啊，就构建一个完整的课程体系啊，就是把视觉这条路， 我们把它讲精通啊，讲精通啊，那包括这里面我们已经出的一些课程，我们在后续也有可能会不断的给他升级啊， 不断给他升级，那么，呃，有几种形式会有一些内容，你说我再加进去的内容，我们可能是直接免费给学员的啊，你说这个视觉片里面啊，我要再去加一些内容加进去啊，那么可能这个 内容不不太多啊，就是说工作量，不是说特别多的情况下，我们会直接做一个免费的内容，再提供给一些老学员啊，来进行升级。