OpenCV (Open Source Computer Vision Library) to otwartoźródłowa biblioteka do przetwarzania obrazów i widzenia komputerowego, której rozwój rozpoczął się w Intelu około 2000 roku. Oferuje tysiące funkcji, na przykład do filtrowania obrazów, wykrywania krawędzi i twarzy, śledzenia obiektów w wideo lub kalibracji kamer. OpenCV jest napisana w C++, ale często używa się jej przez Pythona, na przykład w kontroli jakości, robotyce i badaniach.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoWidzenie komputerowe (computer vision) to dziedzina AI, w której komputery interpretują obrazy i nagrania wideo. Typowe zadania obejmują wykrywanie i lokalizowanie obiektów, odczytywanie tekstu na obrazach oraz pomiary komponentów. Technologię tę wykorzystuje się na przykład w kontroli jakości w produkcji, w systemach wspomagania kierowcy, w logistyce i w diagnostyce obrazowej w medycynie.
Rozpoznawanie obrazów to dziedzina widzenia komputerowego, w której oprogramowanie identyfikuje, co przedstawia obraz – obiekty, osoby, tekst, logotypy lub sceny. Zazwyczaj opiera się na sieciach neuronowych wytrenowanych na dużej liczbie oznaczonych obrazów. Zastosowania obejmują kontrolę jakości w produkcji, sortowanie zdjęć produktów i wspomaganie diagnostyki obrazowej w medycynie. W przypadku zdjęć osób szczególnej uwagi wymagają ochrona danych i możliwa stronniczość.
Estymacja pozy to technika widzenia komputerowego, która określa postawę ciała ludzi albo położenie i orientację obiektów na obrazach lub w wideo. Zazwyczaj model wykrywa punkty kluczowe, takie jak barki, łokcie i kolana, i łączy je w szkielet. Stosuje się ją na przykład w aplikacjach fitness sprawdzających ćwiczenia, w analizie ergonomii stanowisk pracy, w analityce sportowej i w robotyce.
Segmentacja instancji to technika widzenia komputerowego, która wykrywa każdy pojedynczy obiekt na obrazie i obrysowuje go piksel po pikselu. W odróżnieniu od segmentacji semantycznej rozróżnia także obiekty tej samej klasy: trzy osoby otrzymują trzy oddzielne maski, a nie jeden wspólny obszar. Wykorzystuje się ją na przykład w kontroli jakości, obrazowaniu medycznym, robotyce czy liczeniu produktów na półce.
