在過去的幾年里，深度學(xué)習(xí)已經(jīng)成為人工智能領(lǐng)域發(fā)展最快的領(lǐng)域之一，它已經(jīng)取得了顯著的成果，特別是在計(jì)算機(jī)視覺領(lǐng)域中。

例如，自動(dòng)駕駛汽車，使計(jì)算機(jī)用接近人類的能力來識(shí)別物體。工程界對(duì)OpenCV的評(píng)價(jià)非常高，因?yàn)樗俗钕冗M(jìn)的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)算法。

當(dāng)深度學(xué)習(xí)技術(shù)部署到機(jī)器和物聯(lián)網(wǎng)設(shè)備中時(shí)，你將運(yùn)行預(yù)先訓(xùn)練的深度學(xué)習(xí)模型。世界級(jí)的計(jì)算機(jī)視覺軟件和運(yùn)行深度學(xué)習(xí)模型的能力，都是在廉價(jià)的硬件上實(shí)現(xiàn)的。

OpenCV是一個(gè)開源的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)軟件庫(kù)，它可能是目前最流行的計(jì)算機(jī)視覺軟件，該庫(kù)有超過2500個(gè)優(yōu)化算法，其中包括經(jīng)典和最先進(jìn)的計(jì)算機(jī)視覺及機(jī)器學(xué)習(xí)算法，這些算法可以用來檢測(cè)和識(shí)別人臉，識(shí)別物體，對(duì)視頻中的人類行為進(jìn)行分類，跟蹤攝像機(jī)運(yùn)動(dòng)和移動(dòng)物體等。

OpenCV是用C＋＋編寫的，你也可以為OpenCV使用Python包裝器。OpenCV還具有與Java和MATLAB的接口，并且受Windows、Linux、Android和macos的支持。

OpenCV神奇的深度學(xué)習(xí)

OpenCV的深度學(xué)習(xí)模塊被稱為DNN，現(xiàn)在DNN模型并不是一個(gè)成熟的深度學(xué)習(xí)框架。

DNN沒有反向傳播，所以我們無(wú)法使用它訓(xùn)練任何深度學(xué)習(xí)網(wǎng)絡(luò)。我們可以獲取一個(gè)輸入數(shù)據(jù)，通過之前訓(xùn)練過的深度神經(jīng)網(wǎng)絡(luò)模型，然后進(jìn)行前向計(jì)算得到輸出結(jié)果。

這就是所謂的推理。在深度學(xué)習(xí)術(shù)語(yǔ)中，這意味著只有前向傳播。

只有前向傳播也有好處，這會(huì)使得代碼更簡(jiǎn)單，深度學(xué)習(xí)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)不依賴于一個(gè)框架，因此沒有框架的限制。

另一個(gè)優(yōu)點(diǎn)是，由于這是模型的內(nèi)部表示，因此OpenCV開發(fā)人員可以有辦法來優(yōu)化和加速代碼。隨著OpenCV實(shí)現(xiàn)了自己的深度學(xué)習(xí)實(shí)現(xiàn)，這將外部依賴性降低到最低。一個(gè)簡(jiǎn)單的推理機(jī)將簡(jiǎn)單地通過網(wǎng)絡(luò)傳遞輸入數(shù)據(jù)來得到輸出結(jié)果。

然而，有許多優(yōu)化可以執(zhí)行，使推理速度更快。例如，一個(gè)高效的推理機(jī)可以刪除神經(jīng)網(wǎng)絡(luò)中未激活的部分，或者將多個(gè)層合并到一個(gè)單獨(dú)的計(jì)算步驟中。如果硬件支持16位浮點(diǎn)運(yùn)算，其速度通常是32位版本的兩倍，則推理機(jī)可以利用這一點(diǎn)來加快處理速度，而幾乎不會(huì)損失精度。

現(xiàn)在在物聯(lián)網(wǎng)和邊緣設(shè)備的世界里，世界上大多數(shù)推理都是在CPU上完成的。你不會(huì)在你的監(jiān)控?cái)z像頭里放一個(gè)幾百美元的GPU，這就是OpensCV的深度學(xué)習(xí)模塊非常適合的原因。你只需運(yùn)行一個(gè)自主選擇的深度學(xué)習(xí)模型作為推理機(jī)。

英特爾為此投入了大量資金，并發(fā)布了OpenVINO工具包。OpenVINO或openvisualinferencing and Neural network Optimization，簡(jiǎn)稱OpenVINO，旨在加速神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)等任務(wù)中的速度。

那么背后發(fā)生了什么呢？

加載模型后，它們將轉(zhuǎn)換為OpenCV中的內(nèi)部表示形式，這與Caffe非常相似。

如果我們轉(zhuǎn)到OpenCV網(wǎng)站，我們可以看到它支持幾個(gè)基本的神經(jīng)網(wǎng)絡(luò)層。它還包含了池化層、激活函數(shù)，比如Tanh、ReLU、Sigmoid和Softmax，還有Reshape， Flatten， Slice， 和Split等函數(shù)。

在opencv的Deep Learning wiki中，你可以看到對(duì)經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)的支持，比如AlexNet、GoogleNet、VGG和ResNet等。DNN模塊具有可用的圖像分類、目標(biāo)檢測(cè)和語(yǔ)義分割等模型。

現(xiàn)在，如果每個(gè)模型都被翻譯成一個(gè)內(nèi)部表示，我們?nèi)绾未_保在翻譯過程中沒有丟失一些東西呢？OpenCV已經(jīng)發(fā)布了一些測(cè)試結(jié)果，表明在準(zhǔn)確性上，使用DNN模塊的ResNet 50和原始的ResNet 50之間沒有任何區(qū)別，這意味著無(wú)論使用OpenCV的DNN模塊還是原始的體系結(jié)構(gòu)，都將得到相同的結(jié)果。
責(zé)任編輯：tzh