计算机视觉

AI的探索之旅

97 个 OpenCV 实例（三十）：双目立体，从标定到点云上一篇在三目标定里踩了个大坑——我当时判定「官方示例把重投影误差二次归一化了」。这篇文章开头第一件事，就是把这个判定撤回来。然后我们进入双目：两台相机怎么标定、怎么校正、怎么从视差算出深度。

美狐美颜SDK开放平台

开发直播APP时如何接入视频美颜SDK？开发流程与注意事项现在做直播APP，摄像头、推流、聊天、礼物等功能基本已经成为标配，而“美颜”则越来越像一个隐藏在产品体验里的基础能力。

拉你进_教堂

小龙虾技能之【Parkinson‘s & Epileptic Behavior Recognition Skill | 帕金森癫痫行为识别技能】简介智能分析中枢 · 图片/视频智能分析 · 结构化报告 · 历史报告云端查询Based on advanced computer vision technology, this feature conducts 24/7 intelligent scanning of designated surveillance areas such as community stations, residential entrances, and office building lobbies. The system

人形机器人的“眼睛“：多目视觉方案怎么选？人形机器人对视觉的要求和轮式机器人不同：要同时满足宽视场感知、动态环境自定位、全身避障补盲。单相机很难兼顾，多目方案成为主流。

普密斯科技

替代传统影像仪，摄像头磨切片测量新方案实测#影像仪 #磨切片 #3C电子 #图像尺寸测量仪零基础操作人员也能快速上手完成手机摄像头磨切片的高精度尺寸测量，彻底解决传统影像仪操作门槛高、新人培训周期长的产线难题。

YOLO数据集集合

天空红外小目标检测数据集 | 红外小目标天空目标检测无人机检测鸟类识别低空安防9099期本数据集专注于天空背景下的红外小目标检测与分类，服务于低空安防、反无人机系统及航空目标监测。数据涵盖飞机、无人机、直升机与鸟类四类空中目标，适配红外成像条件下的目标识别、空域态势感知及鸟击防范等应用。

【认识深度学习】【深度学习分类与计算机视觉任务要点解析】流食般投喂导语：如果把深度学习比作一个拥有几亿参数的“超级函数”，那么理解它的最好方式，不是盯着那些晦涩的公式，而是看它到底能完成什么任务。本章节采用最实用的“数据模态”分类法，将深度学习划分为四大赛道，并通过大量“所见即所得”的案例，带我们建立起对计算机视觉(CV)、自然语言处理(NLP)、语音与多模态的完整认知。

al+大数据每日学习笔记412026年9月21日在计算机视觉落地项目中，目标检测、关键点检测、姿态检测、人脸专项检测、行为状态检测是最常用、最高频的五大技术方向。本文将系统性梳理CV主流检测知识点，涵盖手部检测、手势识别、人体姿态检测、人脸关键点检测、疲劳检测、基础人脸检测等核心任务，每个模块配套极简可运行核心代码，零基础可直接上手，适合学习、项目复用与毕设参考。

美狐美颜SDK开放平台

直播APP源码与视频美颜sdk如何配合？一套完整开发思路现在做直播APP，很多人容易产生一个误区：只要有一套直播APP源码，再加上几个常见功能，平台就基本成型了。

服务机器人避障用的深度相机，主流选型有哪些？送餐、酒店配送、商用清洁机器人这几年放量很快，核心传感器基本都是深度相机。选型主要看四点：测距范围、抗环境光能力、是否带端侧算力、供货与生态。

RoboChallenge：具身策略的大规模真实机器人评估25年10月来自Dexmal 和Hugging Face的论文“RoboChallenge: Large-scale Real-robot Evaluation of Embodied Policies”。

小巫山云子

OTF（On-The-Fly）技术详解OTF（On-The-Fly）是一种高速视觉检测技术，其核心思想是：在设备连续运动过程中完成图像采集，而不是采用传统的“运动 → 停止 → 拍照 → 再运动”的 Stop-and-Go 方式。

YOLO数据集集合

智慧工业工地安全防护检测数据集 | 工业安全防护装备检测安全帽识别口罩检测 9097期本数据集专注于工业场景下个人安全防护装备（PPE）的视觉检测与合规性判断，服务于工地安全监控、智能巡检及高危作业环境管理。数据涵盖17类人体部位与防护装备，适配安全穿戴合规检测、行为分析及多任务模型开发等应用。

遥感滑坡检测的数据集 2299 张 1类 yolo格式遥感滑坡检测数据集遥感滑坡检测YOLO数据集】共【2299】张，按照8比2划分为训练集和验证集，其中训练集【1839】张，验证集【460】张，模型分为【1】类，分类为：【‘landslide’】每个类别的图片数量和标注框数量如下： landslide: 图片数【2299】，标注框数【6545】针对遥感滑坡检测的数据集，使用YOLOv8模型进行训练和评估。以下是详细的步骤和代码示例，帮助你完成这个任务。

风巽·剑染春水

【学习笔记】DINOv1，DINOv2，DINOv3 系列技术理解DINO 去年就很火了，但一直没来得及关注，最近看了好几篇论文都是基于 DINO 模型做的，也来系列学习一下 DINO 的系列技术！

【计算机视觉入门】基于 dlib 与 OpenCV 的三大案例：人脸检测、年龄性别预测与疲劳检测三个案例均基于 Python 3，主要依赖以下库：说明：dlib 在 Windows 上直接 pip install 可能失败，推荐直接下载对应 Python 版本的预编译 wheel 文件离线安装（可在 GitHub 的 dlib releases 或 pyradiomics 的 wheel 仓库找到对应 cp3x + win_amd64 的预编译包）。

【计算机视觉入门】OpenCV + MediaPipe + dlib：从仿射变换到换脸、手势、姿态与人脸网格建议使用 Python 3.8+，安装以下依赖：说明：在计算机视觉里，图像的本质就是数字矩阵：OpenCV 默认使用 BGR 通道顺序（蓝、绿、红），而很多其他库（如 matplotlib、MediaPipe）使用 RGB 顺序，混用时需用 cv2.cvtColor 转换。

C# 基于OpenCv的视觉工作流-章108-区域筛选C# 基于OpenCv的视觉工作流-章108-区域筛选本章目标：一、筛选；二、宽截图；三、抠图；在缺陷检测中，要对识别出的缺陷进行打标识，方便后续人工返修处理。如果进行零件全身无死角检测，由于零件结构复杂性，某些部位难免出现复检，造成重复打标；另外，如果打标机构不够灵活，未能实现指哪打哪的精准打标时，当缺陷出现在打标范围之外，就会造成打标失准；再有，零件自身会反光，有时会出现不属于检测范围的额外反光区域，也影响打标。为了提高打标的准确性，可以先对干扰区域进行筛选去除，再丢给模型识别。

YOLO数据集集合

高铁轨道紧固件损坏检测数据集 | 高铁巡检紧固件缺陷轨道安全9093期本数据集专注于高铁轨道紧固件缺陷的视觉检测与分类，服务于铁路智能巡检、轨道状态监测及运维决策。数据采集自高铁巡检车实拍全景大图，完整保留紧固件整体排布结构，适配工程级缺陷识别与轨道安全评估。

HALCON软件——基础语法元组是 HALCON 中控制变量的数组形式，用于存储多个数据，支持整数、浮点数、字符串混合存放，是参数传递、批量数据处理的核心载体。