OpenCV有多酷？

時間 2020-09-10

標籤 opencv 简体版

原文原文鏈接

做者|Sachin Khode
編譯|Flin
來源|mediumgit

在過去的幾年裏，深度學習已經成爲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。github

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的評價很是高，由於它包含了最早進的計算機視覺和機器學習算法。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件和運行深度學習模型的能力，都是在廉價的硬件上實現的。macos

OpenCV是一個開源的計算機視覺和機器學習軟件庫。它多是目前最流行的計算機視覺軟件。該庫有超過2500個優化算法，其中包括經典和最早進的計算機視覺和機器學習算法。這些算法能夠用來檢測和識別人臉，識別物體，對視頻中的人類行爲進行分類，跟蹤攝像機運動和移動物體等。網絡

OpenCV是用C++編寫的。你還能夠爲OpenCV使用Python包裝器。OpenCV還具備與Java和MATLAB的接口，而且受Windows、Linux、Android和macos的支持。架構

OpenCV神奇的深度學習

OpenCV的深度學習模塊被稱爲DNN。重要的是要理解DNN模型並非一個成熟的深度學習框架。併發

咱們沒法訓練任何深度學習網絡。沒有反向傳播，因此沒有學習發生。因此咱們能夠獲取一個輸入數據，經過以前訓練過的深度神經網絡模型，輸出結果。框架

這就是所謂的推理。在深度學習術語中，這意味着只有前向傳播。機器學習

如今若是你只有一個前向傳播，這會使得代碼更簡單，深度學習網絡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。因爲OpenCV的深度神經網絡實現不依賴於一個框架，所以沒有該框架的限制。函數

另外一個優勢是，因爲這是模型的內部表示，所以OpenCV開發人員能夠有辦法來優化和加速代碼。隨着OpenCV實現了本身的深度學習實現，這將外部依賴性下降到最低。一個簡單的推理機將簡單地經過網絡傳遞輸入數據並輸出結果。

然而，有許多優化能夠執行，使推理速度更快。例如，一個高效的推理機能夠作一些事情，好比刪除神經網絡中未激活的部分，或者將多個層合併到一個單獨的計算步驟中。若是硬件支持16位浮點運算，其速度一般是32位版本的兩倍，則推理機能夠利用這一點來加快處理速度，而不會形成或幾乎不損失精度。

如今在物聯網和邊緣設備的世界裏，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裏放一個幾百美圓的GPU。這就是OpensCV的深度學習模塊很是適合的緣由。你只需運行一個自主選擇的深度學習模型做爲推理機。

英特爾爲此投入了大量資金，併發布了OpenVINO工具包。OpenVINO或openvisualinferencing and Neural network Optimization，簡稱OpenVINO，旨在加速神經網絡在圖像分類和目標檢測等任務中的速度。

那麼背後發生了什麼呢?

加載模型後，它們將轉換爲OpenCV中的內部表示形式，這與Caffe很是類似。

若是咱們轉到OpenCV網站，咱們能夠看到它支持幾個基本的神經網絡層。因此能夠看到卷積和反褶積。你有了池化層，有了激活函數，好比Tanh、ReLU、Sigmoid和Softmax，還有Reshape, Flatten, Slice, 和Split等函數。

在opencv的Deep Learning wiki（https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV）中，你能夠看到對著名的神經網絡架構的支持，好比AlexNet、GoogleNet、VGG和ResNet等。DNN模塊具備可用的圖像分類、目標檢測和語義分割等模型。

如今，若是每一個模型都被翻譯成一個內部表示，咱們如何確保在翻譯過程當中沒有丟失一些東西呢？OpenCV已經發布了一些測試結果，代表在準確性上，使用DNN模塊和ResNet 50和實際結果ResNet 50之間沒有任何區別。這意味着不管使用OpenCV的DNN模塊仍是原始的體系結構，都將獲得相同的結果。