计算机视觉应该怎样入门？

 

从装Python、装OpenCV、入门深度学习，到人脸识别、目标检测、语义分割等等各类应用，都有进阶路线，里面包含了教程、案例、注意事项。甚至怎样把算法部署到树莓派之类的硬件上，也能找到经验。

 

 

推特发出12小时，已经有1200人点了赞。做者名叫Adrian Rosebrock，是个常常出产教程的宝藏男子。

萌新的你，想要成长为一名合格的老司机，请马克这份指南。

而后，来看里面的内容到底有多丰富：

事无巨细

为了不“从入门到放弃”的惨剧，在你成为老司机的路上，这份指南给每一步都作了安排。

从目录看，大体分为两部分，左边一列是基础，右边一列是应用：

 

 

先看左边的基础装备：

· 应该从哪开始呢
· 深度学习
· 人脸应用
· 图像文字识别 (OCR)
· 目标检测
· 目标追踪
· 实例分割和语义分割

第一章“应该从哪开始呢”，是OpenCV的进阶路线：

一是安装Python和OpenCV (初) ，二是理解命令行arguments (初) ，三是用示例学OpenCV (初) ，四是本身搭个OpenCV小项目 (初) ，五是作更高级的OpenCV项目 (中) ，六是在CV的大世界里，选择本身的小方向 (中) 。

每一步都有须要注意的事项，还有必要的教程资源。

好比，怎样安装OpenCV最简单，为何不要用Windows，作项目的过程当中有哪些常见错误类型要避免。

有些步骤，还会分红多个小步骤，每一个小步又有做者的舒适建议。好比，这是第五步：

 

 

当这个章节的六步完成以后，还有一步叫“What to Next”，除了告诉你们下面应该作什么，也有一些额外的教程资源提供。

第二章“深度学习”，是算法的进阶路线，内容比第一章更丰盛，有12步：

一是构建深度学习环境 (初) ，二是训练本身的第一个网络 (初) ，三是理解CNN (初) ，四是搭个本身的图像数据集 (中) ，五是在本身的数据集上训练一个CNN (中) ，六是调整学习率 (中) ，七是数据扩增 (中) ，八是特征提取和微调预训练网络 (中) ，九是视频分类 (高) ，十是多输入和多输出网络 (高) ，十一是改进本身的网络 (高) ，十二是AutoML和AutoKeras。

依然，每一步都提供了详细的指引，有过往成功案例为你保驾。好比，这是第十二步：

 

 

从第三章“人脸应用”开始，就是在各类具体任务当中用到的算法了。

检测人脸，检测关键点，识别人脸，提高算法的准确率……也把前两章的进阶路线，贯彻进了任务里。

在这一章，做者Adrian Rosebrock频繁出镜：

 

 

第四章-第七章，文字识别、目标检测、目标追踪、实例分割和语义分割，与第三章同理，此处便不详述。

做者继续高密度出镜：

 

接下来看右边一列，是帮你走进现实的：

· 嵌入的和物联网用的CV
· 树莓派上的CV
· 医学领域的CV
· 搞搞视频
· 图片搜索引擎
· 大神采访，案例研究 (与教程) ，成功故事

好比，怎样把本身的算法，放进树莓派里，放进冰箱里，放进脑子里，都有详尽的玩法。

做者依然在出镜：

 

 

除此以外，还有各类成功前辈的采访，里面有一些成功案例 (或附带教程) ，是初学者能够借鉴的经验：

 

 

除了技术上的建议，这些资料也可当作美味的鸡汤，鼓舞着你一路走向人参巅峰。

传送门

万事俱备，你们能够开始修炼了。

顺便回答一下这个问题：做者说的81页，这个数究竟是怎么来的。

Start Here with Computer Vision, Deep Learning, and OpenCV - PyImageSearch​www.pyimagesearch.com

 

自学了一段时间计算机视觉(Computer Vision)，下文简称：CV。内容以基本概念为主，形式以看书为主，跟着敲代码为辅。

原由：因工做中会涉及到交通物流风险管理、出险理赔材料审查等内容，会涉及到大量人工介入审阅照片、视频的环节。而随着素材量的增长未来须要大量的人力来处理，致使成本高，效率低、易出错。
思考：可否经过某种技术进行照片、视频内容的审查，从而消化必定的工做量，同时提高效率？带着这样的问题，咱们锁定了CV技术。

这里很是简单地谈谈本身近一年的学习体会，算是入门者说吧。

一、首先明确CV都会在哪些领域里使用，即用途是什么？

如下是笔者在今年1月中旬于硅谷参加AI世界前沿大会时拍摄的OpenCV做者Bradski大神的演讲ppt照片（能看得清内容）。

从上图能够看出，CV或者说OpenCV用途十分普遍。那么问题来了，你确认你要学的东西在将来的学习或者工做中能够派上用处吗？若是答案是Yes。就继续往下看。

 

二、CV是啥？

若是用一句话来解释CV，那么多是研究让机器像人同样具备可以“看”的能力，并在必要的时候给予合适的反馈（输出：好比看图说话，看视频说话 ）。

 

三、学什么？从哪里开始学？

从斯坦福大学李飞飞教授的CS231n课程中能够看到，须要有一些基础，以便更好的学习CV。截屏以下：

上图能够看到，须要咱们具有一些知识：

1）编程基础：Python和C++。我的理解，用Python快速实现算法；用C++实战，实时性能强。
2）数学基础：高数，线性代数、基础几率与统计
3）机器学习基础

3-1）若是你对以上内容都有必定的基础，那么恭喜你，对于入门CV，你有了好的开始。

 

3-2）推荐几本比较好的书籍：

一、《计算机视觉：模型、学习和推理》

入门基础书籍，讲得很清楚。我在看，很是好的与机器学习结合的CV入门书籍。英文好的同窗，建议看Prince的本来彩图书籍。 官网《英文原版彩图PDF版本》下载连接

二、《Learning OpenCV》

实战经典。推荐理由：OpenCV做者Bradski大神的书。学习CV的人是没法绕开OpenCV的。

三、《Python计算机视觉编程》

若是你有必定的Python基础，笔者强烈推荐看这本书，把CV的基本概念和算法结合代码实战，讲得比较清楚。入门佳做。它不是一上来就用OpenCV库，使得入门者容易忽视不少基础的概念算法。

四、《计算机视觉：算法与应用》

不建议入门者看。宝典型，大而全。典型的工具书。做者是Richard Szeliski，CV界大牛，图像拼接奠定人。

五、《 Multiple View Geometryin Computer Vision 》，中文版名《CV中的多视图几何》

听说是玩3D必看的一本书，包括AR/VR。不少CV专家都推荐。

 

3-3）视频学习，固然是斯坦福大学李飞飞教授的CS231N课程（须要扶梯），这是一门结合深度学习的CV教学视频。经典！

3-4）目前结合深度学习的CV是发展方向之一，有空能够看看花书。

 

四、OpenCV、TensorFlow、Caffe

这些个，我们如今一个都绕不开。
多上手，多练吧。

 

五、国际顶尖的CV会议，扫扫论文的摘要、看看报告视频。（若是肯定深度研究，就仔细看。不然，我的以为了解下就好。）

 

到底学了哪些知识，计算机视觉才算是入门了？

敲重点，划黑板！

请将下面的网站的slides看完，辅助slides中提到的书的章节，应该能够入门了，1-2个月时间便可。

固然若是有相应的数学和图像基础，有机器学习，深度学习基础能够更容易理解哦～

 

如下课程，均为斯坦福计算机视觉实验室的。

实验室主页：http://vision.stanford.edu/

 

CS 131 Computer Vision: Foundations and Applications：

http://vision.stanford.edu/teaching/cs131_fall1415/schedule.html

 

CS231A Computer Vision: from 3D reconstruction to recognition:

http://cvgl.stanford.edu/teaching/cs231a_winter1415/schedule.html

 

CS231n: Convolutional Neural Networks for Visual Recognition

http://vision.stanford.edu/teaching/cs231n/

 

以上三门课就能够入门了，固然还有不少其余高等级的课，能够去实验室主页看看。

资料不宜贪多，谢绝其余资料干扰，安心的把这些lectures看完。而后就能够上手作项目和看论文了。论文才是王道。