2024了，如何学习OpenCV？

不知道提问这位有没有了解卷积神经网络这个东西，早在二三十年之前就有手写数字识别了，但是这技术也就是2012年开始火爆了的，所以你看到的当下的热门技术很多都是沉寂了几年、十几年甚至几十年的。

当下对传统的cv技术有些冲击，那是因为你看到的是这些岗位的工资很高，但是呢，很多公司还是在用传统的技术，至少传统行业里面涉及图像处理的很多还是使用的是传统算法的技术。就是互联网公司有团队在做这个，然后能给的工资很高，但是呢，传统方法的这些岗位也没降薪不是，所以应该是心里的冲击吧？

不过我回答的这个日子，dl（深度学习）,cv（计算机视觉）也死的七七八八了，半道出家的很多，但是卷麻了，所以现在看是不是还不如你？

如果说图像算法工程师这个岗位，其实不是单纯掌握OpenCV就够的，OpenCV只是一个工具，还有很多的东西需要我们学习，图像处理还有一个出名的库就是Halcon，只是OpenCV相对比较出名而已。我也是半道出家做cv的，但是我是搭上了车之后转自动驾驶了，这一路走来我发现OpenCV的重要性还是很大的，应用还是很多的，所以我也在技术分享的时候还在推学习OpenCV。

OpenCV是应用非常广泛的开源视觉处理库，在图像处理、计算机视觉和自动驾驶中有着非常重要的作用。

废话不多说，我就来讲讲OpenCV的使用和学习需要怎么做吧，大家觉得有道理的可以参考一下。

我理解的学习和使用的重点在四个方面：

第一点：需要对OpenCV的版本要有一个清晰的认识

OpenCV目前更新到了4.7.0版本，但是目前OpenCV3.x和OpenCV4.x都是比较常用的，但是3和4的版本差别比较大，所以经常有同学抄代码的时候编译报错，就像我昨天在做目标跟踪的时候，创建跟踪器，在OpenCV3.2之前的版本里面使用的方法是Tracker.create，但是在之后的版本API就变了，对于不同的算法创建的函数还不一样，例如KCF算法就是TrackerKCF_create这样，所以我们在使用OpenCV的时候需要对OpenCV的版本有一个比较清晰的认识。

初学者学习的话最好选择新版本学习，老的版本慢慢就不会再维护了。

第二点：需要对OpenCV的源码有一个基本的了解

要知道每个模块是做啥的，这样你才能知道怎么去调用这里面的算法。目前出版的OpenCV的图书基本上只对core模块、imgproc模块和highgui模块进行讲解，所以初学者很难找到一个系统的学习途径。但是去年出版了一本图书《学习OpenCV4：基于Python的算法实战》这本书对OpenCV的所有模块都进行了讲解，虽然里面的案例是以Python语言为主，但是在讲解每个算法的API的时候是将C++和Python两种语言都做了讲解，所以函数调用层面应该问题不大，这是国内外第一本系统讲解OpenCV所有模块的书，评价销量都很不错。

第三点：首先学习怎么去用

“学以致用”永远不是一句空话，对于公司来说，最重要的就是需要写出代码，解决实际问题，所以对于初学者来说，首先需要学习OpenCV包装的函数怎么去用，能解决什么实际的问题。

对于初学者来说，最头疼的问题就是环境搭建出错和代码运行出错，解决不了还极大的削减学习的信心，看书和博客经常就是从入门到放弃，没人指点真是很难受。

说到环境搭建的问题，还是要说一下 《学习OpenCV4：基于Python的算法实战》 这本书，这本书将Windows、Linux上的C++和Python开发环境搭建讲的清清楚楚，还有怎么通过源码编译的方式搭建环境都有清楚的讲解，让初学者不会被环境所卡。

该课程的优势如下：

1、C++与Python双语教学

Python语言是在计算机视觉中应用最多的一种语言，在工作中，深度学习模型的训练基本上都是使用Python语言编写的训练代码。OpenCV在这个过程中用于图像的预处理（例如图像读取、数据增强）和后处理，还可以用于显示处理的结果，功能强大，使用方便。

但是在功能的部署的时候，不管是部署在服务端还是PC端，开发语言基本上用的是C++，所以如何有效的使用OpenCV进行模型或者功能的部署尤为重要。

C++语言应用的好坏，在面试中可以看出一个面试者的工程实践能力的强弱，两种语言的开发掌握好了可以使工作如虎添翼。

2、全模块讲解

课程讲师也是图书 《学习OpenCV4：基于Python的算法实战》 作者，课程不仅采用双语教学，更是对C++的每个模块都做讲解，我们知道，很多的书其实只讲imgproc，如果你翻开一本书图像的形态学运算和图像滤波都是作为独立章节讲解的，那么这本书基本上就可以确定是只是讲解了imgproc模块，但是其他的模块在工作中也有很重要的作用。

3、讲解细致

本课程会从环境搭建开始讲解，环境搭建尤为重要。从我多年的授课经验总结来看，如果只是给了代码，很多的入门用户环境问题处理不好的话，后面的学习很难进行下去，甚至会丧失学习的信心。

4 、讲义准备充分

讲义准备的充分细致，标识清楚明确，重点和疑难点突出。

第四点：其次学习算法原理

这个就不用我多说了，因为如果你上来先啃算法原理的话，大概率会从入门到放弃，即使你啃下来了，不自己动手写代码，还是不知道怎么去用，不知道这些算法怎么解决实际的工程问题。所以建议大家先学会怎么去用，可以选择上面的图书对照着课程学习，里面的案例讲的非常的清晰，相信大家不会觉得学得没有兴趣的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓