什么是 计算机视觉？
计算机视觉是研究如何从图像、视频、深度、医学扫描或点云等视觉测量中抽取、估计或生成任务相关表示的计算领域。
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
传感器、任务与标签空间共同组成契约
应声明传感器与采集条件、输入分辨率和色彩空间、分析单位、预期输出、标签本体、标注规则、置信度含义及消费结果的动作。分类为完整输入贴标签，检测用目标框定位实例，分割预测像素区域，跟踪维持跨帧身份，几何视觉估计位姿、运动或深度。一类任务的结果不能代替另一类。
不同模型家族依赖不同假设
传统 Pipeline 使用标定、几何、Filter、Descriptor 和优化；CNN 通过局部运算与权重共享学习空间特征；Vision Transformer 处理视觉 Token；视觉语言模型连接视觉与语言表示。生产系统可以组合这些方法，选型应服从监督数据、运行条件、延迟、内存、可解释性和失败成本，而不是追求统一架构排名。
指标必须匹配输出与阈值
分类需要各类别 Precision、Recall、校准与混淆分析；检测要声明 Intersection over Union 等匹配规则和置信度阈值，并报告不同类别、IoU 与目标尺寸下的 Average Precision 和 Recall；分割使用 Mask 重叠，跟踪和位姿也有各自协议。应记录预处理、模型 Revision、评测代码、数据集版本与所有阈值，保证分数可以复现。
部署条件变化会造成静默失败
光照、视角、遮挡、运动模糊、压缩、摄像头更换、天气、背景、目标尺度和人群变化都可能让性能下降，而模型仍给出高置信度。应测试接近部署条件的切片和负样本，监控输入与结果漂移，保留困难样本供复核，并定义安全兜底。高影响用途还需在视觉模型之外落实隐私、留存、偏差、安全、人工监督和事件响应。
主要特点
- 把视觉测量映射为明确的语义、几何或生成式输出
- 覆盖图像、视频、深度、医学扫描、点云和其他传感器
- 可以使用几何、信号处理、传统特征、CNN、Transformer 或混合方法
- 依赖传感器、预处理、标签本体、标注与阈值契约
- 需要任务专用指标和部署条件切片
- 产生隐私、安全、漂移与人工监督义务
常见用途
- 测量缺陷召回率并设置人工复核队列的工业质检
- 把 OCR 字段关联到页面区域和来源的文档理解
- 限制在已验证模态和人群边界内的医学影像决策支持
- 具备传感器标定和兜底策略的机器人感知
- 保留不确定性且允许用户修正的无障碍图像描述
示例
Loading code...常见问题
计算机视觉和图像处理有什么区别？
图像处理转换视觉数据，例如调整尺寸、降噪或校正颜色；计算机视觉则估计场景、物体、文档、运动或几何信息。图像处理可以是视觉系统的一个阶段，但更清晰的图像本身并不会自动产生语义或几何结论。
图像分类、目标检测和图像分割有什么区别？
分类为完整输入分配标签；检测预测目标类别与位置，通常使用边界框；语义分割按类别标注像素，实例分割还区分单个物体。由于输出不同，每类任务需要独立的标注、匹配规则、指标和下游处理。
CNN、Vision Transformer 与 VLM 有什么区别？
CNN 使用卷积运算和空间权重共享，Vision Transformer 把视觉输入表示为 Token 并使用注意力处理，VLM 则对齐或联合处理视觉与语言表示。它们是模型家族，不是完整系统；选型取决于任务、数据、延迟、内存、可解释性和实测结果。
应该如何评测目标检测器？
应冻结数据集、类别本体、目标框约定、预处理、模型 Revision、置信度阈值和匹配规则，报告不同 Intersection over Union 阈值、类别和目标尺寸下的 Precision 与 Recall，并检查定位、背景误报以及光照、遮挡、摄像头、天气和稀有类别等部署切片。
高基准分数能证明视觉系统在生产中安全吗？
不能。基准只覆盖特定数据分布、标签政策、指标和阈值，生产中的传感器、光照、视角、目标占比、人群和下游影响都可能不同。应在接近部署的数据上验证完整 Pipeline，监控漂移，定义兜底与复核路径，并测试真实决策最关心的失败。