首先，需要了解市場所需的基本能，以便在轉行之前做好準備。 是以，這裡是清單：
圖像處理技術、圖像識别、物體檢測和視覺識别知識。
了解深度學習神經網絡架構（ANN、CNN、RNN、Transformers、Autoencoders）及其在解決計算機視覺問題中的應用。
具有使用 R/Python/Matlab 等程式設計語言進行程式設計的能力。
深入了解資料結構和算法。
紮實的數學和統計學基礎。
必須能夠從資料集中得出有見地的結論并以有組織的方式呈現它們。
良好的溝通技巧。
使用機器學習和深度學習算法解決計算機視覺中複雜的現實世界問題的先前經驗。
6 大經典開源計算機視覺項目列舉：
計算機視覺是最令人印象深刻和引人注目的人工智能類型，從根本上說，它是一個專注于解決計算機視覺問題的研究領域。
1. 圖像分類
圖像分類是計算機視覺中的一項基本任務。在這裡，目标是通過為其配置設定特定标簽來對圖像進行分類。以下是兩個最引人注目的圖像分類開源項目：
Cifar 10：
CIFAR-10 資料集用于訓練由圖像集合組成的機器學習和計算機視覺算法。它是最著名的機器學習資料集。它包含 60,000 張 32×32 彩色圖像，分為 10 個獨特的類别，分别代表飛機、汽車、鳥類、貓、鹿、狗、青蛙、馬、輪船和卡車。
ImageNet：
ImageNet 資料集是用于計算機視覺研究的巨大視覺資料庫。該項目已經對超過 1400 萬張圖像進行了手工注釋，以訓示所描繪的對象，并且還為至少 100 萬張圖像提供了邊界框。 ImageNet 包含 20,000 個不同的類别。
作為初學者，你可以使用 Keras 或 PyTorch 從頭開始??學習神經網絡。為了獲得更好的結果并提高學習水準，請使用 VGG-16、Restnet-50、Googlenet 等預訓練模型。
2. 人臉識别
人臉識别用于安全、監視或解鎖您的裝置。它的主要目标是根據預先存在的資料庫識别圖像或視訊中的人臉。這是一個多階段的過程，包括以下幾個步驟：
人臉檢測：這是第一步，涉及在輸入圖像或視訊中找到一張或多張可用的人臉。
人臉對齊：對齊是将輸入人臉歸一化為幾何上可靠的資料庫。
特征提取：稍後，提取識别任務中使用的特征。
特征識别：将輸入特征與資料庫比對。
以下是開源資料集，可為你提供良好的人臉識别體驗：
MegaFace:
MegaFace 是一個大規模公共人臉識别訓練資料集，用于商業人臉識别問題。它有 4,753,320 張面孔，672,057 個身份。
Labeled faces in wild home：
野外标記人臉（LFW）是一個人臉照片資料庫，用于研究無限制人臉識别問題。它包括從網絡上檢測和收集的 5,749 人的 13,233 張圖像。同樣，圖中的 1,680 人在資料集中有兩張或更多張不同的照片。
你可以使用預訓練的模型，例如 Facenet，它是一種深度學習模型，可為人臉識别、驗證和聚類任務提供統一的嵌入。網絡将每個人臉圖像映射到歐幾裡得空間中，最終目标是相似圖像之間的距離更小。
你可以輕松地使用 Keras 和 PyTorch 中存在的預訓練 Facenet 模型來建立自己的人臉識别系統。
3.場景文本檢測
在這裡，出現在圖像上的文字是由外部環境中的相機拍攝的，例如道路上的汽車牌照、路邊的廣告牌等。場景圖像中的文本在形狀、字型、顔色和位置方面有所不同。非統一的啟蒙和核心焦點進一步增加了場景文本識别的複雜性。
以下是有助于豐富你分析場景文本檢測技能的流行資料集：
SVHN：
Street View House Numbers (SVHN) 資料集是最流行的開源資料集之一。它已被用于谷歌制造的神經網絡中，以讀取門牌号碼并将它們與其地理位置進行比對。這是一個很好的基準資料集，可以使用、學習和訓練精确識别街道号碼的模型。該資料集包含 60 萬張從 Google 街景中擷取的帶有門牌号的真實世界圖像。
Scene Text 資料集：
Scene Text Dataset 資料集包括在各種環境中捕獲的 3000 張圖像，包括不同光照條件下的室外和室内場景。圖像是通過使用高分辨率進階數位相機或低分辨率手機相機拍攝的。此外，所有圖像都已調整為 640×480。
4. 使用 DETR 進行目标檢測
對象檢測的主要目标是通過建立一個邊界框以及它們上的适當标簽來預測圖像中存在的每個感興趣的對象。幾個月前，Facebook 公開釋出了其對象檢測架構——DEtectionTRansformer（DETR）。 DETR 是一種針對對象檢測問題的創新且高效的解決方案。通過将對象檢測視為直接集預測問題，它簡化了訓練管道。此外，根據變壓器，它采用編碼器-解碼器架構。
以下是用于對象檢測的開源資料集：
Open Images：
Open Images資料集由約 900 萬張圖像組成，這些圖像用圖像級标簽、對象邊界框、對象分割掩碼、視覺關系和本地化叙述進行了注釋。在此，資料集分為訓練集（9,011,219 張圖像）、驗證集（41,620 張圖像）和測試集（125,436 張圖像）。
MS-COCO：
MS-COCO 是用于對象檢測問題的大規模資料集。它由 33 萬張圖像和 80 個對象類别組成，每個圖像有 5 個标題和 250,000 個人的關鍵點。
5. 語義分割
當我們談論計算機視覺技術中的完整場景了解時，語義分割就出現了。 它的任務是将圖像中的所有像素分類為對象的相關類。以下是本主題的開源資料集清單：
CamVid：
該資料庫是首批釋出的語義分割資料集之一。 這在語義分割研究中經常使用。 該資料集包含：
367個訓練對
101 個驗證對
233個測試對
Cityscapes：
這是可用于語義分割任務的最流行的資料集之一。它包括 2975 個訓練圖像檔案和 500 個驗證圖像檔案，每個檔案為 256×512 像素
6. 圖檔字幕
圖像字幕是計算機視覺和自然語言處理 (NLP) 的組合任務，它為圖像生成文本描述。計算機視覺技術有助于了解和從輸入圖像中提取特征。 接下來，NLP 按照正确的單詞順序在圖像中建立文本描述。
以下是一些用于圖像字幕的有用資料集：
COCO caption：
COCO 是對象檢測、分割和字幕資料集，由 33 萬張圖像組成，超過 20 萬張，用 150 萬個對象執行個體和 80 個對象類别進行标記，每個圖像有 5 個标題。
Flicker 8k dataset：
它是一個圖像标題語料庫，包含 158,915 個描述 31,783 張圖像的衆包标題。 新的圖像和标題專注于人們進行正常活動和場合。
拓展閱讀：擁有多年視訊處理技術經驗，TSINGSEE青犀視訊深度融合Al人工智能技術，提供海量視訊的接入、智能分析及處理能力。目前，EasyCVR已經實作人臉檢測、人流量統計、車輛檢測、車牌識别等AI智能識别技術的研發，并廣泛應用在交通、物流、安防、消防等場景中。