视觉模型的发展历程

什么是计算机视觉#

想象一下，你走进一家商店，摄像头识别出你的面孔、分析你的心情，并实时推荐符合你偏好的商品。这不是科幻，而是现代视觉模型带来的现实。根据 Fortune Business Insights 的一份报告，全球计算机视觉市场规模在 2025 年估值为 207.5 亿美元，预计将从 2026 年的 241.4 亿美元增长至 2034 年的 728 亿美元，这反映了该技术的快速进步及其在各行业日益广泛的应用。

计算机视觉领域使计算机能够检测、识别和分析图像中的物体。与其他 AI 相关领域一样，计算机视觉在过去几十年中发展迅速。

计算机视觉的发展历程十分漫长。在早期，计算机视觉模型只能检测简单形状和边缘，通常仅限于识别几何图案或区分明暗区域等基础任务。然而，如今的模型能够执行复杂任务，例如实时目标检测、人脸识别，甚至以极高的准确率和效率解读面部表情所反映的情绪。这一巨大进步凸显了计算能力、算法复杂度以及可用于训练的海量数据方面取得的重大突破。

本文将探讨计算机视觉发展过程中的重要里程碑。我们将回顾计算机视觉的早期发展，深入了解卷积神经网络（CNNs）带来的变革性影响，并探讨此后取得的重要进展。

计算机视觉的早期发展#

与其他 AI 领域一样，计算机视觉的早期发展始于基础研究和理论工作。一个重要里程碑是 Lawrence G. Roberts 关于三维物体识别的开创性研究，该研究记录在他于 20 世纪 60 年代初完成的论文《三维实体的机器感知》中。他的贡献为该领域未来的发展奠定了基础。

首批算法——边缘检测#

早期计算机视觉研究侧重于图像处理技术，例如边缘检测和特征提取。20 世纪 60 年代末开发的 Sobel 算子等算法，是最早通过计算图像强度梯度来检测边缘的方法之一。

图 1。一张展示边缘检测的图像，左侧是原始物体，右侧是经过边缘检测的版本。

Sobel 和 Canny 等边缘检测技术在识别图像中的边界方面发挥了关键作用，而识别边界对于识别物体和理解场景至关重要。

机器学习与计算机视觉#

模式识别#

20 世纪 70 年代，模式识别成为计算机视觉的一个重要研究方向。研究人员开发了识别图像中形状、纹理和物体的方法，为更复杂的视觉任务铺平了道路。

图 2. 模式识别。

早期的一种模式识别方法是模板匹配，即将图像与一组模板进行比较以找到最佳匹配。这种方法容易受到尺度、旋转和噪声变化的影响，因此能力有限。

图 3。左侧的模板在右侧图像中找到匹配内容。

早期计算机视觉系统受限于当时有限的计算能力。20 世纪 60 年代和 70 年代的计算机体积庞大、价格昂贵，处理能力也有限。

深度学习带来的变革#

深度学习与卷积神经网络#

深度学习和卷积神经网络（CNNs）标志着计算机视觉领域的一个关键转折点。这些进步彻底改变了计算机理解和分析视觉数据的方式，使许多过去被认为不可能的应用成为现实。

CNN 如何工作？#

图 4。卷积神经网络（CNN）的架构。

1. 卷积层：CNN 使用卷积层，通过滤波器或卷积核扫描图像。这些滤波器在图像上滑动并计算点积，以检测边缘、纹理和颜色等各种特征。每个滤波器都会激活图像中的特定模式，使模型能够学习层次化特征。
2. 激活函数：卷积之后，ReLU（修正线性单元）等激活函数会引入非线性；当输入为正时，ReLU 直接输出输入值，否则输出零。这有助于网络学习复杂模式和表示。
3. 池化层：池化层会对特征图进行下采样，以降低其维度。这有助于提取最相关的特征，同时减少计算开销和过拟合。
4. 全连接层：CNN 的最后几层是全连接层，用于解读卷积层和池化层提取的特征并做出预测。这些层与传统神经网络中的层类似。

CNN 视觉模型的发展历程#

基于 CNN 的视觉模型不断发展，涌现出若干值得关注的架构：

• LeNet（1989 年）：LeNet 是最早的 CNN 架构之一，主要用于识别手写支票上的数字。它的成功为更复杂的 CNN 奠定了基础，证明了深度学习在图像处理领域的潜力。
• AlexNet（2012 年）：AlexNet 在 ImageNet 竞赛中显著超越了现有模型，展现了深度学习的强大能力。该模型采用了 ReLU 激活、dropout 和数据增强，在图像分类领域创下新纪录，并引发了人们对 CNN 的广泛关注。
• VGGNet（2014 年）：VGGNet 使用较小的卷积滤波器（3x3），在图像分类任务中取得了出色的结果，进一步证明了网络深度对于提升准确性的重要性。
• ResNet（2015 年）：ResNet 通过引入残差学习，解决了深层网络中的退化问题。这项创新使训练更深层的网络成为可能，并让 ResNet 在各种计算机视觉任务中取得了最先进的性能。
• YOLO（You Only Look Once）：YOLO 将目标检测建模为单个回归问题，直接从完整图像中一次性预测边界框和类别概率，从而改变了目标检测领域。这种方法能够以极快的速度和较高的准确率进行实时目标检测，因此适用于自动驾驶和监控等需要即时处理的应用。

计算机视觉的应用#

医疗健康#

计算机视觉的用途非常广泛。例如，Ultralytics YOLOv8 等视觉模型用于医学成像，以检测癌症和糖尿病视网膜病变等疾病。它们能够高精度分析 X 光片、MRI 和 CT 扫描，及早发现异常。这种早期检测能力有助于及时干预并改善患者预后。

图 5. 使用 Ultralytics YOLOv8检测脑肿瘤。

环境保护#

计算机视觉模型通过分析野生动物栖息地的图像和视频，帮助监测和保护濒危物种。模型能够识别动物并跟踪动物的行为，提供有关动物种群和移动情况的数据。这项技术为保护老虎和大象等物种的策略制定和政策决策提供依据。

借助视觉 AI，还可以监测野火和森林砍伐等其他环境威胁，确保地方当局能够迅速响应。

图 6。野火的卫星图像。

挑战与未来方向#

尽管取得了显著成果，视觉模型仍因自身复杂性及开发过程要求严苛而面临诸多挑战，这些挑战需要持续研究。

可解释性与可理解性#

视觉模型，尤其是深度学习模型，通常被视为透明度有限的“黑箱”，因为它们非常复杂。这种可解释性不足会削弱信任和问责能力，在医疗保健等关键应用中尤为如此。

计算需求#

训练和部署最先进的 AI 模型需要大量计算资源。视觉模型尤其如此，因为它们通常需要处理大量图像和视频数据。高清图像和视频是数据量最大的训练输入之一，会进一步增加计算负担。例如，一张高清图像可能占用数 MB 的存储空间，因此训练过程既耗费资源，也耗费时间。

因此，需要强大的硬件和经过优化的计算机视觉算法，才能处理开发有效视觉模型所涉及的大量数据和复杂计算。对更高效架构、模型压缩以及 GPU 和 TPU 等硬件加速器的研究，是推动视觉模型发展的关键。

这些改进旨在降低计算需求并提高处理效率。此外，使用 Ultralytics YOLOv8 及其后续模型（例如 Ultralytics YOLO26）等先进预训练模型，可以大幅减少大量训练的需求，简化开发流程并提升效率。

不断演进的领域#

如今，视觉模型的应用十分广泛，从肿瘤检测等医疗保健应用到交通监控等日常用途都有涉及。这些先进模型为无数行业带来了创新，提供了更高的准确率、效率和以往难以实现的能力。

随着技术不断进步，视觉模型改善生活和行业各个方面的潜力也在持续增长。这一持续演进凸显了计算机视觉领域不断开展研究与开发的重要性。

想了解视觉 AI 的未来吗？如需了解最新进展，请浏览 Ultralytics 文档，并查看我们在 Ultralytics GitHub 和 YOLOv8 GitHub 上的项目。此外，如果你想了解 AI 在各行各业的应用，自动驾驶汽车和制造业解决方案页面也提供了特别有用的信息。