计算机视觉基础

计算机视觉是让机器从图像和视频中获取信息的技术。它可以识别物体、检测位置、分割区域、理解场景，也可以用于生成和编辑图像。

机器看到的不是图片，而是数字

一张图片在计算机里其实是像素矩阵。彩色图片通常由红、绿、蓝三个通道组成，每个像素都有数值。计算机视觉模型要从这些数字中学习边缘、纹理、形状和语义。

人看到“猫”会立刻理解，但模型看到的是大量像素值。训练的目的就是让模型把像素模式和语义标签建立联系。

三个基础任务

任务	目标	例子
图像分类	判断整张图是什么	这张图是猫还是狗
目标检测	找出物体位置	标出图片中所有行人
图像分割	判断每个像素属于什么	把道路、车辆、天空分开

分类只回答“是什么”，检测回答“在哪里”，分割回答“每个区域是什么”。这三个任务难度逐步增加。

一个安防摄像头例子

假设你要做一个仓库安全系统：

1. 摄像头采集视频帧。
2. 模型检测画面中是否有人。
3. 如果人在危险区域内，系统发出警报。
4. 后台记录时间、截图和位置。
5. 人工复核误报和漏报。

这个例子说明，视觉模型只是系统的一部分。真实项目还要考虑摄像头角度、光照、遮挡、误报成本和隐私合规。

数据标注为什么重要

视觉模型高度依赖标注数据。如果标注框不准，模型会学到错误位置；如果样本只来自白天，夜晚效果可能很差；如果训练图片没有雨天场景，雨天识别也可能下降。

所以视觉项目常常把大量时间花在数据采集、清洗和标注上，而不是只调模型结构。

常见挑战

• 光照变化：白天、夜晚、逆光差异很大。
• 遮挡：物体被挡住一部分后更难识别。
• 角度变化：同一物体从不同角度看差异明显。
• 小目标：远处行人或小零件容易漏检。
• 相似类别：不同型号产品外观接近，容易混淆。

初学者怎么练习

可以从公开数据集开始，例如 MNIST、CIFAR-10 或 COCO 的小样本。先跑通分类，再理解检测和分割。不要一开始就追求复杂模型，先学会看混淆矩阵和错误图片。

小结

计算机视觉的核心是从像素中提取语义。学视觉不仅要懂模型，还要懂数据、标注、场景和评估。一个视觉系统是否可靠，往往取决于它在复杂真实环境中的表现，而不是演示图片上的效果。