作者|Sachin Khode
編譯|Flin
來源|medium
在過去的幾年里，深度學習已經成為人工智能領域發展最快的領域之一，它已經取得了顯著的成果，特別是在計算機視覺領域，
例如，自動駕駛汽車，使計算機用接近人類的能力來識別物體，OpenCV的評價非常高，因為它包含了最先進的計算機視覺和機器學習演算法，
當深度學習技術部署到機器和物聯網設備中時，你將運行預先訓練的深度學習模型，世界級的計算機視覺軟體和運行深度學習模型的能力，都是在廉價的硬體上實作的，
OpenCV是一個開源的計算機視覺和機器學習軟體庫，它可能是目前最流行的計算機視覺軟體，該庫有超過2500個優化演算法，其中包括經典和最先進的計算機視覺和機器學習演算法，這些演算法可以用來檢測和識別人臉，識別物體，對視頻中的人類行為進行分類，跟蹤攝像機運動和移動物體等，
OpenCV是用C++撰寫的，你還可以為OpenCV使用Python包裝器，OpenCV還具有與Java和MATLAB的介面，并且受Windows、Linux、Android和macos的支持，
OpenCV神奇的深度學習
OpenCV的深度學習模塊被稱為DNN，重要的是要理解DNN模型并不是一個成熟的深度學習框架，
我們無法訓練任何深度學習網路，沒有反向傳播，所以沒有學習發生，所以我們可以獲取一個輸入資料，通過之前訓練過的深度神經網路模型，輸出結果，
這就是所謂的推理，在深度學習術語中，這意味著只有前向傳播，
現在如果你只有一個前向傳播，這會使得代碼更簡單，深度學習網路的安裝和組裝速度更快，在CPU上也足夠快，DNN模塊的OpenCV支持Caffe、TensorFlow、Torch、Darknet和ONNX格式的模型，由于OpenCV的深度神經網路實作不依賴于一個框架，因此沒有該框架的限制，
另一個優點是，由于這是模型的內部表示，因此OpenCV開發人員可以有辦法來優化和加速代碼，隨著OpenCV實作了自己的深度學習實作，這將外部依賴性降低到最低，一個簡單的推理機將簡單地通過網路傳遞輸入資料并輸出結果，
然而，有許多優化可以執行，使推理速度更快，例如，一個高效的推理機可以做一些事情，比如洗掉神經網路中未激活的部分，或者將多個層合并到一個單獨的計算步驟中，如果硬體支持16位浮點運算，其速度通常是32位版本的兩倍，則推理機可以利用這一點來加快處理速度，而不會造成或幾乎不損失精度，
現在在物聯網和邊緣設備的世界里，世界上大多數推理都是在CPU上完成的，你不會在你的監控攝像頭里放一個幾百美元的GPU，這就是OpensCV的深度學習模塊非常適合的原因，你只需運行一個自主選擇的深度學習模型作為推理機，
英特爾為此投入了大量資金，并發布了OpenVINO工具包，OpenVINO或openvisualinferencing and Neural network Optimization，簡稱OpenVINO，旨在加速神經網路在影像分類和目標檢測等任務中的速度，
那么背后發生了什么呢?
加載模型后，它們將轉換為OpenCV中的內部表示形式，這與Caffe非常相似，
如果我們轉到OpenCV網站，我們可以看到它支持幾個基本的神經網路層，所以可以看到卷積和反褶積，你有了池化層，有了激活函式，比如Tanh、ReLU、Sigmoid和Softmax，還有Reshape, Flatten, Slice, 和Split等函式，
在opencv的Deep Learning wiki（https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV） 中，你可以看到對著名的神經網路架構的支持，比如AlexNet、GoogleNet、VGG和ResNet等，DNN模塊具有可用的影像分類、目標檢測和語意分割等模型，
現在，如果每個模型都被翻譯成一個內部表示，我們如何確保在翻譯程序中沒有丟失一些東西呢？OpenCV已經發布了一些測驗結果，表明在準確性上，使用DNN模塊和ResNet 50和實際結果ResNet 50之間沒有任何區別，這意味著無論使用OpenCV的DNN模塊還是原始的體系結構，都將得到相同的結果，
參考：
https://en.wikipedia.org/wiki/OpenCV
https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV
原文鏈接：https://medium.com/dataseries/how-cool-is-opencv-85b6465361bc
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方檔案：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/714.html
標籤：其他
下一篇：OpenCV入門