计算机视觉

👀 给计算机”装眼睛”

人看一张照片——瞬间知道”这是海滩、有一个人、一把伞、海浪”。

计算机视觉（Computer Vision, CV） 让计算机做同样的事：识别图像里的物体是什么、在哪、在做什么。

---

📊 CV 的三大任务

① 图像分类——“这张图里有什么？”

最简单的任务：给一张图 → 输出类别标签。

输入                        输出
┌──────────┐               ┌──────┐
│    🐱    │  → 分类模型 →  │ 猫    │
│  照片    │               │ 置信度0.98│
└──────────┘               └──────┘

经典架构：CNN → 全连接层 → softmax 分类。ImageNet（1000 类、百万级图片）是标准测试基准。

② 目标检测——“物体在哪？”

不仅要知道”有什么”，还要用边界框标出位置：

输入                        输出
┌──────────┐               ┌──────────┐
│   🐱 🐶  │  → 检测模型 →  │[猫]  (x,y,w,h)│
│   照片    │               │[狗]  (x,y,w,h)│
└──────────┘               └──────────┘

YOLO（You Only Look Once）——最流行的实时检测算法：

# YOLO 的核心思想：一次前向传播同时预测所有边界框
# 把图像划分成 S×S 的网格
# 每个网格预测 B 个边界框（框的位置 + 置信度 + C 个类别概率）
# → 一次性输出所有检测结果

# 效果：在 GPU 上达到 30-100+ FPS（实时！）

③ 语义分割——“每个像素属于什么？”

分割给每个像素分配一个类别标签——比边界框更精细：

输入                        输出
┌──────────┐               ┌──────────┐
│   🐱 🏠 │  → 分割模型 →  │███  █████ │
│  背景    │               │████████  │
└──────────┘               └──────────┘
                        每个像素标了类别

SAM（Meta 的通用分割模型）：输入图片 + 一个点/框 → 自动分割出物体。零样本——不需要微调就能分割没见过的物体。

---

🔄 视觉 Transformer（ViT）

CNN 统治 CV 近十年。2020 年，Vision Transformer（ViT）证明纯 Transformer 在图像上也能超过 CNN——把图像切成 16×16 的”词块”，像处理句子一样用自注意力处理。

现在 CV 领域的趋势：CNN + Transformer 融合（如 ConvNeXt、Swin Transformer）。

---

📝 小结

任务	输入→输出	代表模型
图像分类	图片→类别	ResNet、EfficientNet
目标检测	图片→框+类别	YOLO、Faster R-CNN
语义分割	图片→像素级类别	U-Net、SAM
视觉 Transformer	图片→词块→自注意力	ViT、Swin

为什么先学这个？ 视觉是 AI 最重要的感知能力之一。学完各领域后，看看怎么把模型落地——MLOps 与模型部署。