在过去的几年里， 学习已经成为人工智能领域发展最快的领域之一，它已经取得了显著的成果，特别是在计算机视觉领域中。
例如，自动驾驶汽车，使计算机用接近人类的能力来识别物体。工程界对OpenCV的评价非常高，因为它包含了最先进的计算机视觉和机器学习算法。
当 学习技术部署到机器和物联网设备中时，你将运行预先训练的 学习模型。世界级的计算机视觉软件和运行 学习模型的能力，都是在廉价的硬件上实现的。
OpenCV是一个开源的计算机视觉和机器学习软件库，它可能是目前最流行的计算机视觉软件，该库有超过2500个优化算法，其中包括经典和最先进的计算机视觉及机器学习算法，这些算法可以用来检测和识别人脸，识别物体，对视频中的人类行为进行分类，跟踪摄像机运动和移动物体等。
OpenCV是用C＋＋编写的，你也可以为OpenCV使用Python包装器。OpenCV还具有与Java和MATLAB的接口，并且受Windows、Linux、Android和macos的支持。
OpenCV神奇的 学习
OpenCV的 学习模块被称为DNN，现在DNN模型并不是一个成熟的 学习框架。
DNN没有反向传播，所以我们无法使用它训练任何 学习网络。我们可以获取一个输入数据，通过之前训练过的 神经网络模型，然后进行前向计算得到输出结果。
这就是所谓的推理。在 学习术语中，这意味着只有前向传播。
只有前向传播也有好处，这会使得代码更简单， 学习网络的安装和组装速度更快，在CPU上也足够快。DNN模块的OpenCV支持Caffe、TensorFlow、Torch、Darknet和ONNX格式的模型。由于OpenCV的 神经网络实现不依赖于一个框架，因此没有框架的限制。
另一个优点是，由于这是模型的内部表示，因此OpenCV开发人员可以有办法来优化和加速代码。随着OpenCV实现了自己的 学习实现，这将外部依赖性降低到最低。一个简单的推理机将简单地通过网络传递输入数据来得到输出结果。
12下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
