Lil'Log(Lilian Weng 个人博客) · Lilian Weng
Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS
Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS是Lil'Log(Lilian Weng 个人博客)的免费文章(en)。前置条件:需要基本的偏导数概念与 Python/NumPy 编程基础。
理解图像梯度与常用边缘检测卷积核的原理,并能用 Python/NumPy 复现文中的像素梯度与卷积计算。
Lil'Log
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
- 内容提示
- 内容时效:网页标注 2017 年 10 月 29 日发布,文中示例代码使用 scipy.misc.imread(该接口已在新版 SciPy 中移除)。
第一次学这门课?先完成学前准备,把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent,它会准备这一课的练习文件。
- 学官方课节打开对应课节学习,按提示从第一道练习做起;它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选,并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS」。课程目录是 object-detection-for-dummies-part-1/(不知道完整路径就先问我)。 1. 读 progress.md,找到下一课;如果我指定了第几课,就准备那一课。 2. 打开这一课的官方页面和本地讲义,列出本课练习要用的工具、文件和样例数据。缺少的先告诉我,等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习:exercises/ 里给每道题建一个文件,写上题号和题目原文链接,不写答案;已有文件保留,样例数据放到 data/。拿不到官方题目或起始代码时记录限制,不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单,并检查本课新增工具能否正常使用。 5. 告诉我:本课先读哪几节、从哪道练习开始、大约需要多久。我学完后,帮我在 progress.md 勾选并把问题整理到 questions.md。 边界: - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。 - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。
课节共 1 节 · 官方顺序
常见问题
免费吗?
免费:节选可直接读到正文、公式与代码,页面无付费墙或登录拦截。实践无额外费用:文中实验只需本地 Python 与开源科学计算库,原站未提及任何付费服务。
需要什么基础?
需要基本的偏导数概念与 Python/NumPy 编程基础。软件、账号与硬件:原站未说明前置软件要求;文中代码用到 numpy、scipy(scipy.signal),无需 GPU 或账号。
有中文吗?
本站记录的语言是en;是否有中文字幕或译本本站未核实,请以原站为准。
怎么开始?
从原始资源入口开始:https://lilianweng.github.io/posts/2017-10-29-object-recognition-part-1/。本页“学前准备”列出环境与工具,“学习指南”给出开课提示词,可以在自己的电脑上按步骤开始。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。