1. 从“看见”到“看懂”计算机视觉的十年跃迁十年前当我第一次尝试用OpenCV写一个简单的边缘检测程序时需要手动调整一堆参数处理一张几百像素的图片要等上好几秒效果还时好时坏。那时候“计算机视觉”对大多数人来说还是个停留在实验室和科幻电影里的概念。谁能想到仅仅十年光景这项技术已经像空气一样渗透进我们生活的方方面面。从手机相册里自动分类的“人物”和“宠物”到停车场入口无感支付的摄像头从工厂流水线上精准分拣瑕疵品的机械臂到医生诊断时辅助阅片的AI系统——我们正处在一个机器“睁眼看世界”的时代而且它们看得越来越快越来越准也越来越“聪明”。这种“飞速发展”并非一蹴而就它背后是算法、数据和算力三条腿的协同狂奔以及从学术象牙塔到产业深水区的惊人跨越。今天我想从一个一线开发者和观察者的角度聊聊这股浪潮究竟是如何席卷而来的以及我们作为从业者又该如何在这片快速迭代的海洋中找准自己的航向。2. 技术引擎的三级火箭算法、数据与算力计算机视觉的爆发可以看作是一场由三大核心引擎驱动的技术革命。这三者相互依存互为因果共同构成了今天繁荣生态的基石。2.1 算法革命从手工特征到深度学习的范式转移这无疑是过去十年最根本的变革。在深度学习统治之前计算机视觉的主流方法是“特征工程机器学习分类器”。比如你想让计算机识别人脸得先告诉它人脸有眼睛、鼻子、嘴巴它们的相对位置大概是这样的。于是工程师们发明了SIFT、HOG、LBP等一系列手工设计的特征描述子用来提取图像的角点、边缘、纹理等信息。这些方法就像给机器一套固定的“观察工具”让它用这些工具去“看”图片然后再用SVM之类的分类器去判断。注意手工特征时代并非毫无价值。相反它奠定了许多基础概念并且在一些对可解释性要求极高、数据极度稀缺或计算资源严格受限的场景下如某些工业检测、嵌入式设备基于传统方法的优化方案依然有其用武之地。新手容易陷入“唯深度学习论”忽略了对问题本质的理解。深度学习的到来尤其是卷积神经网络CNN在ImageNet竞赛中的一鸣惊人彻底改变了游戏规则。CNN不再需要人类告诉它“什么是重要特征”而是通过海量数据自己从像素中学习出从边缘、纹理到部件、乃至整个物体的层次化特征表示。这个过程是端到端的输入原始图像输出直接就是分类结果或检测框。这种范式转移带来了几个深远影响性能飞跃在大多数任务上深度模型的准确率大幅超越传统方法将许多视觉任务的性能提升到了实用化门槛之上。泛化能力通过学习到的通用特征表示一个在ImageNet上预训练好的模型经过微调Fine-tuning就能快速适配到新的、数据量较小的特定任务如医学影像分析、零售商品识别这极大地降低了应用开发的门槛和成本。任务统一框架CNN及其变体成为了解决分类、检测、分割、姿态估计等多种视觉任务的统一骨干网络Backbone形成了如Faster R-CNN、YOLO、Mask R-CNN、U-Net等标志性架构使得技术栈得以标准化和模块化。2.2 数据燃料规模与质量的双重爆炸如果说深度学习是引擎那么数据就是让引擎轰鸣起来的燃料。计算机视觉的飞速发展离不开数据在规模和多样性上的指数级增长。互联网与移动设备社交媒体如Flickr、Instagram、视频网站、智能手机的普及产生了天文数字级的图像和视频数据为模型训练提供了前所未有的素材库。开源数据集ImageNet、COCO、Open Images等大规模、高质量、精细标注的数据集的建立和开放为学术研究和工业界提供了标准的“练兵场”和评测基准极大地加速了算法迭代和比较。数据标注产业化随着需求激增数据标注从零星的手工劳动发展成了一个庞大的产业。出现了众多专业的数据标注平台和公司能够提供图像框选、语义分割、关键点标注等多种服务使得获取特定领域标注数据的成本和周期大大降低。合成数据与数据增强在真实数据难以获取如自动驾驶中的极端事故场景、标注成本过高或涉及隐私时利用游戏引擎、3D建模等技术生成高度逼真的合成数据成为重要的数据补充来源。同时随机裁剪、旋转、色彩抖动等数据增强技术能有效扩充数据量提升模型的鲁棒性。我个人的一个深刻体会是在今天的CV项目里超过一半的精力可能花在了数据上——定义标注规范、清洗脏数据、处理样本不均衡、设计有效的数据增强策略。一个常见的坑是盲目追求数据量而忽视质量用充满噪声和错误标注的数据去训练结果就是模型学到了一堆偏见和错误模式上线后效果惨不忍睹。2.3 算力基石从GPU集群到专用芯片的进化复杂的深度神经网络尤其是CV模型动辄数百万甚至上亿的参数训练它们需要巨大的计算量。算力的突破是深度学习得以实践的前提。GPU的普及与CUDA生态NVIDIA的GPU及其CUDA并行计算平台让大规模矩阵运算的速度提升了成百上千倍。从早期的个人显卡到后来的数据中心级GPU集群如DGX算力不再是顶级实验室的专属。云计算AWS、GCP、Azure等云服务商提供了按需租用的GPU实例使得中小团队甚至个人开发者都能以可承受的成本接触到强大的计算资源极大地 democratize民主化了AI开发。专用AI芯片训练之后模型需要部署到实际应用环境中进行推理Inference。云端和终端对能效、延迟的要求催生了专用AI芯片的繁荣。例如NVIDIA的TensorRT、Intel的OpenVINO、谷歌的TPU以及众多创业公司推出的边缘AI芯片它们针对神经网络运算进行了硬件级优化能在功耗和成本受限的条件下实现高效的实时推理。这正是手机拍照实时美颜、自动驾驶毫秒级决策背后的硬件支撑。这三股力量——更强大的算法、更丰富的数据、更便宜的算力——形成了一个强大的正向循环推动着计算机视觉以我们肉眼可见的速度向前飞奔。3. 核心应用场景的深化与拓展技术的突破最终要落在应用上。计算机视觉的发展轨迹清晰地展现了一条从“感知”到“认知”从“单一”到“融合”的路径。3.1 安防与城市治理从“看得见”到“看得懂”这是计算机视觉最早实现大规模商用的领域之一。早期主要是视频的数字化存储和网络化调阅“看得见”。如今已经全面进入智能分析阶段人脸识别与行人重识别用于门禁、布控、走失人员寻找。技术难点从简单的1:1比对发展到在海量人脸库中快速进行1:N检索以及在跨摄像头、不同着装、姿态下的行人追踪。车辆识别与交通事件检测识别车牌、车型、颜色进而实现违章抓拍、拥堵分析、事故自动检测。现在更进一步可以识别开车打手机、不系安全带等危险驾驶行为。城市综合治理通过街景摄像头自动识别出店经营、乱堆物料、暴露垃圾、非法张贴等城市管理问题实现自动派单和处理闭环。在这个领域场景的复杂性和对准确率的严苛要求是最大挑战。光照变化逆光、夜间、遮挡、低分辨率、相似物体干扰如不同款式的黑色轿车都会严重影响算法效果。我们通常采用多模型融合、时序信息利用跟踪平滑、以及针对特定场景的精细化数据标注和模型优化来应对。3.2 工业与制造业提质、增效、降本工业视觉是计算机视觉的“传统强项”但深度学习为其注入了新的活力。缺陷检测这是最核心的应用。从纺织品、PCB板到汽车零部件深度学习模型能够学习缺陷的多种形态甚至发现人眼难以察觉的微小瑕疵如液晶屏的亮点、暗点、划痕金属表面的裂纹、锈蚀等。相比传统基于规则的算法深度学习模型泛化能力更强对于新型缺陷或复杂背景的适应性更好。引导与定位引导机械臂精准抓取无序摆放的零件或者进行高精度的装配。例如在手机组装线上视觉系统需要精确识别螺丝孔的位置引导螺丝刀进行拧紧。测量与读码进行非接触式的高精度尺寸测量以及读取一维码、二维码、OCR字符如生产批号、序列号。工业场景的核心诉求是稳定和可靠。环境相对可控但对算法的精度、速度和稳定性要求极高通常需要99.9%以上的检出率同时严格控制误报。另一个特点是需求高度碎片化每条产线、每个产品都可能需要定制化的解决方案。因此能否快速完成数据采集、标注、模型训练和部署上线的闭环成为工业视觉供应商的关键能力。3.3 自动驾驶视觉感知的终极考场自动驾驶将计算机视觉推向了复杂度的巅峰。车辆需要实时理解周围360度的动态环境目标检测与跟踪识别和追踪车辆、行人、骑行者、交通标志、信号灯等。可行驶区域分割区分道路、路肩、草地、障碍物规划安全的行驶路径。深度估计与3D感知单目或双目视觉估算物体距离构建周围环境的3D理解。多传感器融合视觉信息与激光雷达LiDAR、毫米波雷达的数据进行融合取长补短提升感知系统的鲁棒性和安全性。自动驾驶对视觉算法提出了前所未有的要求极高的实时性通常要求10Hz以上的处理频率、极端环境下的鲁棒性雨雪雾、夜间、强光眩光、以及对长尾场景的覆盖那些不常见但可能致命的情况。这推动了诸如BEV鸟瞰图感知、Transformer架构在视觉中的应用、端到端感知-决策模型等一系列前沿技术的发展。3.4 消费电子与互联网润物细无声的体验革新这是我们普通人感知最强的领域技术以“功能”的形式融入产品手机摄影人像模式、夜景模式、超级防抖、AI场景识别背后都是CV算法在实时处理图像。社交媒体美颜、贴纸、滤镜、背景虚化/替换如视频会议中的虚拟背景。内容理解与推荐电商平台的以图搜图、短视频平台的内容审核识别违规内容和标签生成、相册的智能分类与管理。AR/VR基于视觉的SLAM同步定位与地图构建技术让虚拟物体能够稳定地“锚定”在真实世界中。这个领域的特点是追求极致的用户体验和功耗平衡。算法需要在手机有限的算力和功耗下实现实时、流畅、自然的效果。因此模型轻量化、剪枝、量化、蒸馏等技术在这里被广泛应用。4. 开发实战构建一个现代图像分类 pipeline光说不练假把式。我们以一个经典的“猫狗分类”任务为例拆解一个现代CV项目从零到一的核心步骤。你会发现框架和工具已经让很多复杂工作变得简单但其中的“魔鬼细节”才是成败的关键。4.1 环境准备与工具选型工欲善其事必先利其器。今天的CV开发已经高度工程化和模块化。编程语言Python是绝对主流因其丰富的科学计算和AI库生态。深度学习框架PyTorch和TensorFlow/Keras是两大阵营。PyTorch因其动态图、直观的API和活跃的社区在研究领域和快速原型开发中更受欢迎TensorFlow则在工业级部署和生产环境中有其优势。对于新手我推荐从PyTorch开始更易于理解。关键库OpenCV图像处理的基础库用于读取、显示、基本变换。PIL/Pillow另一个常用的图像处理库。NumPy数值计算基石。Matplotlib/Seaborn结果可视化。scikit-learn用于评估指标计算如分类报告、混淆矩阵。开发环境强烈建议使用Anaconda管理Python环境避免包版本冲突。使用Jupyter Notebook或VS Code进行交互式开发和调试。一个典型的环境配置命令如下# 创建并激活一个名为cv_project的conda环境 conda create -n cv_project python3.8 conda activate cv_project # 安装PyTorch请根据你的CUDA版本去官网复制对应命令 # 例如对于CUDA 11.3 pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 # 安装其他依赖 pip install opencv-python pillow matplotlib scikit-learn jupyter4.2 数据准备比模型更重要的环节假设我们有一个包含“cat”和“dog”两个类别的图像文件夹结构如下dataset/ ├── train/ │ ├── cat/ │ │ ├── cat001.jpg │ │ └── ... │ └── dog/ │ ├── dog001.jpg │ └── ... └── val/ ├── cat/ └── dog/步骤1数据探索与清洗首先用几行代码快速查看数据情况import os from PIL import Image train_cat_path dataset/train/cat train_dog_path dataset/train/dog cat_count len(os.listdir(train_cat_path)) dog_count len(os.listdir(train_dog_path)) print(f训练集 - 猫图片数量: {cat_count}, 狗图片数量: {dog_count}) # 检查是否有损坏的图片 def check_images(folder_path): for img_name in os.listdir(folder_path): img_path os.path.join(folder_path, img_name) try: with Image.open(img_path) as img: img.verify() # 验证文件完整性 except (IOError, SyntaxError) as e: print(f损坏文件: {img_path}) # 可以考虑删除或修复 check_images(train_cat_path)这个阶段要关注类别是否平衡猫狗数量是否悬殊、图片尺寸是否统一、是否有损坏或无关文件。对于不平衡数据可以采用过采样对少数类复制或增强或欠采样对多数类随机丢弃的策略。步骤2定义数据加载与增强管道使用torchvision.transforms来构建。数据增强是提升模型泛化能力、防止过拟合的利器。from torchvision import transforms # 训练集的数据增强要更强一些 train_transform transforms.Compose([ transforms.RandomResizedCrop(224), # 随机裁剪并缩放到224x224 transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ColorJitter(brightness0.2, contrast0.2), # 随机调整亮度对比度 transforms.ToTensor(), # 转换为Tensor并归一化到[0,1] transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # ImageNet统计的均值和标准差 ]) # 验证集/测试集通常只做确定性的 resize 和 normalize val_transform transforms.Compose([ transforms.Resize(256), # 先缩放到稍大尺寸 transforms.CenterCrop(224), # 再从中心裁剪 transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])这里使用的归一化参数是ImageNet数据集的统计值。如果你的数据集和ImageNet差异很大比如医学X光片重新计算自己数据集的均值和标准差会更好。步骤3创建DataLoaderfrom torchvision.datasets import ImageFolder from torch.utils.data import DataLoader train_dataset ImageFolder(dataset/train, transformtrain_transform) val_dataset ImageFolder(dataset/val, transformval_transform) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4) print(f训练集类别映射: {train_dataset.class_to_idx})4.3 模型选择、训练与调优步骤1模型选择与迁移学习对于猫狗分类这种任务从头训练一个大型CNN如ResNet既费时又需要海量数据且容易过拟合。迁移学习是标准做法使用在ImageNet上预训练好的模型作为起点只替换最后的全连接层分类头并微调所有层或最后几层。import torch.nn as nn import torchvision.models as models # 加载预训练的ResNet18模型 model models.resnet18(pretrainedTrue) # 冻结所有卷积层的参数只微调最后的全连接层 # for param in model.parameters(): # param.requires_grad False # 替换最后的全连接层输出维度改为我们的类别数2类 num_ftrs model.fc.in_features model.fc nn.Linear(num_ftrs, 2) # cat and dog # 将模型移动到GPU如果可用 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device)对于更追求精度或速度的场景可以换用ResNet50、EfficientNet等更强大或更高效的模型。步骤2定义损失函数与优化器import torch.optim as optim criterion nn.CrossEntropyLoss() # 交叉熵损失适用于多分类 # 只训练需要梯度的参数 optimizer optim.Adam(model.parameters(), lr0.001) # Adam是常用的自适应优化器 # 学习率调度器在训练过程中动态降低学习率有助于模型收敛 scheduler optim.lr_scheduler.StepLR(optimizer, step_size7, gamma0.1)步骤3训练循环这是核心部分包含了前向传播、损失计算、反向传播和参数更新。def train_model(model, criterion, optimizer, scheduler, num_epochs25): best_acc 0.0 for epoch in range(num_epochs): print(fEpoch {epoch}/{num_epochs - 1}) print(- * 10) # 每个epoch都有训练和验证阶段 for phase in [train, val]: if phase train: model.train() # 设置模型为训练模式 dataloader train_loader else: model.eval() # 设置模型为评估模式 dataloader val_loader running_loss 0.0 running_corrects 0 # 迭代数据 for inputs, labels in dataloader: inputs inputs.to(device) labels labels.to(device) optimizer.zero_grad() # 清零梯度 # 前向传播 # 只在训练阶段追踪历史计算图以计算梯度 with torch.set_grad_enabled(phase train): outputs model(inputs) _, preds torch.max(outputs, 1) # 取预测类别 loss criterion(outputs, labels) # 反向传播 优化仅在训练阶段 if phase train: loss.backward() optimizer.step() # 统计 running_loss loss.item() * inputs.size(0) running_corrects torch.sum(preds labels.data) if phase train: scheduler.step() # 更新学习率 epoch_loss running_loss / len(dataloader.dataset) epoch_acc running_corrects.double() / len(dataloader.dataset) print(f{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}) # 深度拷贝模型保存最佳模型 if phase val and epoch_acc best_acc: best_acc epoch_acc torch.save(model.state_dict(), best_model.pth) print() print(fBest val Acc: {best_acc:.4f}) return model # 开始训练 model train_model(model, criterion, optimizer, scheduler, num_epochs15)4.4 模型评估与可视化训练完成后我们需要定量和定性地评估模型。from sklearn.metrics import classification_report, confusion_matrix import seaborn as sns import matplotlib.pyplot as plt # 在验证集上做最终评估 model.eval() all_preds [] all_labels [] with torch.no_grad(): for inputs, labels in val_loader: inputs inputs.to(device) labels labels.to(device) outputs model(inputs) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 打印分类报告精确率、召回率、F1分数 print(classification_report(all_labels, all_preds, target_names[cat, dog])) # 绘制混淆矩阵 cm confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabels[cat, dog], yticklabels[cat, dog]) plt.ylabel(Actual) plt.xlabel(Predicted) plt.title(Confusion Matrix) plt.show()可视化一些预测结果import numpy as np # 获取一批验证图像 dataiter iter(val_loader) images, labels next(dataiter) images, labels images.to(device), labels.to(device) # 预测 outputs model(images) _, preds torch.max(outputs, 1) # 将图像转换回可显示的形式反归一化 inv_normalize transforms.Normalize( mean[-0.485/0.229, -0.456/0.224, -0.406/0.225], std[1/0.229, 1/0.224, 1/0.225] ) images inv_normalize(images).cpu() # 绘制 fig, axes plt.subplots(4, 8, figsize(20, 10)) axes axes.ravel() for idx in range(32): ax axes[idx] ax.imshow(np.transpose(images[idx], (1, 2, 0))) # CHW - HWC ax.axis(off) color green if preds[idx] labels[idx] else red ax.set_title(fP: {val_dataset.classes[preds[idx]]}\nA: {val_dataset.classes[labels[idx]]}, colorcolor) plt.tight_layout() plt.show()通过混淆矩阵和错误样本的可视化我们能清晰地看到模型在哪些地方容易犯错比如长毛的狗被误认为猫从而指导后续的数据补充或模型调整。5. 避坑指南与进阶思考在实际项目中走通一个基础的pipeline只是第一步。下面这些“坑”是我和很多同行用时间和头发换来的经验。5.1 数据层面的常见陷阱与对策数据泄露这是新手最容易犯的致命错误。比如将同一张图片的不同增强版本分别放入训练集和测试集或者按文件名排序后简单分割导致相似图片分布在两边。务必确保训练集和验证/测试集是完全独立、无交集的。通常按样本ID或文件哈希进行分割更安全。标注噪声即使使用专业标注团队错误标注也难以避免。可以训练一个简单的模型找出那些预测概率很高但与标签不符的样本进行人工复核清洗。这叫“噪声清洗”或“利用模型找标注错误”。类别不平衡除了前述的过采样/欠采样还可以在损失函数上做文章如使用Focal Loss它通过降低易分类样本的权重让模型更关注难分的样本。领域偏移训练数据源域和实际应用数据目标域分布不同。例如用网上清晰的猫狗图片训练的模型去识别用户上传的模糊、角度奇怪的手机照片效果会下降。解决方法包括收集目标域数据进行微调、使用领域自适应Domain Adaptation技术、或在数据增强时模拟目标域的特点如添加模糊、噪声。5.2 模型训练与调优的实战技巧学习率是超参数之王学习率设置不当要么收敛缓慢要么在最优解附近震荡甚至发散。使用学习率预热Warmup和余弦退火Cosine Annealing等策略通常比固定学习率或简单StepLR效果更好。可以先用一个很小的学习率如1e-4跑几个epoch看看损失是否稳定下降。监控训练过程不仅要看准确率更要看训练损失和验证损失曲线。如果训练损失持续下降但验证损失不降反升那就是典型的过拟合。需要加强正则化如Dropout、权重衰减、使用更激进的数据增强或收集更多数据。不要过早使用复杂模型先从简单的模型如ResNet18和标准配置开始建立一个性能基线。如果简单模型都训不好那问题很可能出在数据或训练过程上而不是模型不够复杂。利用TensorBoard或WandB这些可视化工具可以实时记录损失、准确率、权重分布、梯度直方图甚至输入图像是分析和调试训练过程的利器。5.3 模型部署与优化的现实考量训练出一个高精度的模型只是成功了一半如何让它高效、稳定地跑在实际环境中是另一半挑战。模型轻量化在资源受限的边缘设备如手机、摄像头上部署时大模型无法满足实时性和功耗要求。常用技术包括剪枝移除网络中不重要的连接或通道。量化将模型权重和激活从32位浮点数转换为8位整数甚至更低精度大幅减少模型体积和加速推理。PyTorch和TensorFlow都提供了量化工具。知识蒸馏用一个大模型教师模型去指导一个小模型学生模型学习让小模型获得接近大模型的性能。使用轻量级网络架构如MobileNet、ShuffleNet、EfficientNet-Lite等专为移动端设计的网络。推理引擎选择ONNX Runtime一个支持多硬件CPU, GPU, NPU的高性能推理引擎。通常将PyTorch/TensorFlow模型导出为ONNX格式然后用ONNX Runtime运行。TensorRTNVIDIA GPU上的极致优化推理引擎通过层融合、精度校准、动态张量内存等技术能获得数倍的推理速度提升。OpenVINOIntel针对其CPU、集成显卡、VPU等硬件优化的工具套件。TFLiteTensorFlow的轻量级部署格式专为移动和嵌入式设备设计。一个典型的部署流程是PyTorch训练 - 导出ONNX - 用TensorRT/ONNX Runtime优化并推理。服务化与工程化当模型需要以API形式提供给其他系统调用时需要考虑服务框架使用Flask、FastAPI快速搭建Web API或用TorchServe、Triton Inference Server等专业模型服务框架。批处理为了充分利用GPU算力通常将多个请求打包成一个批次进行推理。监控与日志记录请求量、延迟、成功率、GPU利用率等指标便于问题排查和性能优化。5.4 前沿趋势与个人发展建议计算机视觉远未到顶一些令人兴奋的方向正在塑造它的未来视觉Transformer起源于自然语言处理的Transformer架构正在视觉领域掀起新的革命如ViT、Swin Transformer它在处理长距离依赖和全局信息上展现出比CNN更强的潜力在许多任务上达到了新的SOTA。自监督与弱监督学习减少对昂贵人工标注数据的依赖。通过设计 pretext task如图像补全、旋转预测、对比学习让模型从海量无标签数据中学习通用表示再在下游任务上用少量标注数据微调。多模态融合视觉与语言V-L的结合是当前大热点。CLIP、DALL-E等模型展示了强大的图文理解和生成能力。自动驾驶中的视觉-雷达-地图融合也是典型的多模态问题。3D视觉与神经渲染从2D图像理解走向3D场景重建与生成。NeRF等神经辐射场技术能够从稀疏的2D图片合成出逼真的3D场景和新视角。对于想进入或深耕这个领域的朋友我的建议是打好基础保持好奇动手实践。线性代数、概率论、微积分是内功PyTorch/TensorFlow、OpenCV是兵器而持续阅读顶会论文CVPR, ICCV, ECCV、复现经典模型、参加Kaggle比赛或做个人项目则是提升实战能力的最佳途径。这个领域变化飞快但核心的思考方式——如何用数据驱动的方式让机器更好地理解视觉世界——是相通的。从解决一个具体的、小的问题开始比如给自己家的宠物做个分类器或者用手机摄像头做个简单的AR demo在动手的过程中你会遇到所有上面提到的问题而解决它们的过程就是成长最快的时候。