什么是 计算机视觉？
计算机视觉（Computer Vision）是人工智能的一个领域，使计算机能够解释和理解来自世界的视觉信息，如图像和视频。它涉及开发能够自动从视觉数据中提取有意义信息的算法和模型，模拟人类的视觉感知能力。
快速了解
| 创建时间 | 1960 年代（早期研究），现代时代始于 2012 年（AlexNet） |
|---|---|
| 规范文档 | 官方规范 |
工作原理
计算机视觉结合了图像处理、机器学习和深度学习技术来分析视觉内容。随着卷积神经网络（CNN）的出现，该领域取得了重大进展，彻底改变了图像分类、目标检测和语义分割等任务。现代计算机视觉系统可以识别人脸、实时检测物体、理解场景、跟踪运动，甚至生成新图像。该技术严重依赖大型数据集进行训练，并使用强大的 GPU 进行处理。关键架构包括 ResNet、YOLO、Faster R-CNN 和 Vision Transformers（ViT）。
主要特点
- 处理和分析数字图像及视频流
- 利用 CNN 和 Vision Transformers 等深度学习模型
- 执行分类、检测和分割等任务
- 需要大量标注数据集进行训练
- 通过 GPU 加速实现实时处理
- 处理 2D 图像和 3D 点云数据
常见用途
- 自动驾驶车辆的道路场景理解和障碍物检测
- 医学影像分析用于疾病诊断和肿瘤检测
- 具有人脸识别功能的安防监控系统
- 工业质量检测和缺陷检测
- 增强现实和虚拟现实应用
示例
Loading code...常见问题
图像分类、目标检测和图像分割有什么区别？
图像分类为整张图像分配一个标签（如「猫」）。目标检测则定位并分类图像中的多个对象，使用边界框标注。图像分割更进一步，对每个像素进行分类，可以是按类别（语义分割）或按单个对象实例（实例分割）进行划分。
什么是 Vision Transformers（ViT），它与 CNN 有什么不同？
Vision Transformers 将最初为 NLP 设计的 Transformer 架构应用于图像，通过将图像分割成小块并作为序列处理。与使用局部卷积的 CNN 不同，ViT 从一开始就能捕获全局关系。ViT 在大型数据集上通常优于 CNN，但需要更多数据才能有效训练。
什么是 YOLO，为什么它在目标检测中如此流行？
YOLO（You Only Look Once，只看一次）是一种实时目标检测算法，通过单次前向传递处理整张图像，因此速度极快。与分别检查多个区域的基于区域的方法不同，YOLO 同时预测边界框和类别概率，使其适用于自动驾驶和视频监控等实时应用。
什么是视觉语言模型（VLM），它们能做什么？
CLIP、LLaVA 和 GPT-4V 等视觉语言模型将视觉理解与语言能力相结合。它们可以用自然语言描述图像、回答关于视觉内容的问题、使用文本描述进行零样本图像分类，甚至根据文本提示生成图像，架起了视觉和文本理解之间的桥梁。
计算机视觉应用需要什么硬件？
训练深度学习模型需要强大的 GPU（NVIDIA RTX、A100 或 H100）和大容量显存。推理的需求则有所不同：边缘设备可以在移动 GPU 或 NPU 上使用优化模型，而云部署使用 GPU 集群。实时应用受益于 CUDA、TensorRT 或专用 AI 加速器等硬件加速。