本书以案例教学为特色，注重人工智能技术与图像处理技术的融合。本书核心内容既包含必要的人工智能基础知识，例如素材采集与标注、深度学习的建模与调试等，又包含人工智能开发的软件环境和人工智能技术应用方法，如Linux 系统的安装与基本操作、PyTorch 的使用、图像识别功能的实现和目标检测功能的实现等。

本书以AIBox 嵌入式平台作为人工智能（AI）硬件平台、以Ubuntu 作为嵌入式操作系统、以Facebook 公司的PyTorch 框架作为深度学习设计框架，设计了摄像头模糊检测项目、行人检测项目、车道线检测项目和人脸检测项目4 个人工智能实践项目，实现了“国产人工智能硬件平台+人工智能开放平台”的无缝组合。
本书以案例教学为特色，注重人工智能技术与图像处理技术的融合。本书核心内容既包含必要的人工智能基础知识，例如素材采集与标注、深度学习的建模与调试等，又包含人工智能开发的软件环境和人工智能技术应用方法，如Linux 系统的安装与基本操作、PyTorch 的使用、图像识别功能的实现和目标检测功能的实现等。
本书既可以作为高等院校人工智能、自动化和智能科学与技术等相关专业的本科生、研究生的教材，也可以作为对人工智能感兴趣的技术人员的参考书。本书提供全部的电子课件和项目代码，以便读者在教学、自学过程中使用，帮助读者全面了解项目的技术细节。

目录
前言
第1章绪论
1.1人工智能
1.2机器学习
1.3深度学习
1.4Python语言和深度学习框架
1.5课后习题
第2章神经网络基础
2.1生物神经网络和神经元模型
2.2人工神经网络
2.3卷积神经网络
2.4课后习题
第3章硬件部署与工具介绍
3.1硬件介绍
3.2工具介绍
3.3模型量化和推理
3.4课后习题
第4章软件安装与部署
4.1环境依赖搭建
4.2深度学习网络搭建
4.3课后习题
第5章摄像头模糊检测项目
5.1数据获取
5.2模型训练
5.3模型量化
5.4项目源码分析
5.5项目部署
5.6测试结果
5.7课后习题
第6章行人检测项目
6.1数据获取
6.2模型训练
6.3模型转换
6.4模型量化
6.5项目部署
6.6课后习题
第7章车道线检测项目
7.1素材采集与标注
7.2环境搭建
7.3模型训练
7.4模型量化
7.5项目部署
7.6课后习题
第8章人脸检测项目
8.1素材采集与标注
8.2环境搭建
8.3模型训练
8.4模型量化
8.5源码解析
8.6项目部署
8.7课后习题
参考文献