{"id":106297,"date":"2022-12-29T21:37:00","date_gmt":"2022-12-29T19:37:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7"},"modified":"2022-12-29T21:37:00","modified_gmt":"2022-12-29T19:37:00","slug":"vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Lanzamiento de la biblioteca de visi\u00f3n por computadora OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Se ha lanzado la biblioteca de c\u00f3digo abierto OpenCV 4.7 (Open Source Computer Vision Library), que proporciona herramientas para el procesamiento y an\u00e1lisis de contenido de im\u00e1genes. OpenCV ofrece m\u00e1s de 2500 algoritmos, tanto cl\u00e1sicos como que reflejan los \u00faltimos avances en el campo de la visi\u00f3n por computadora y los sistemas de aprendizaje autom\u00e1tico. El c\u00f3digo de la biblioteca est\u00e1 escrito en C++ y se distribuye bajo la licencia BSD. Se han preparado enlaces para varios lenguajes de programaci\u00f3n, incluidos Python, MATLAB y Java. <\/p>\n
La biblioteca se puede utilizar para el reconocimiento de objetos en fotograf\u00edas y videos (por ejemplo, reconocimiento de rostros y figuras humanas, texto, etc.), seguimiento del movimiento de objetos y c\u00e1maras, clasificaci\u00f3n de acciones en videos, transformaci\u00f3n de im\u00e1genes, extracci\u00f3n de modelos 3D, formaci\u00f3n de un espacio 3D a partir de im\u00e1genes de c\u00e1maras estereosc\u00f3picas, creaci\u00f3n de im\u00e1genes de alta calidad a trav\u00e9s de la combinaci\u00f3n de im\u00e1genes de menor calidad, b\u00fasqueda de objetos en una imagen similares a un conjunto presentado, aplicaci\u00f3n de m\u00e9todos de aprendizaje autom\u00e1tico, colocaci\u00f3n de marcadores, identificaci\u00f3n de elementos comunes en diferentes im\u00e1genes, eliminaci\u00f3n autom\u00e1tica de defectos como el efecto de ojos rojos. <\/p>\n
Entre los cambios en la nueva versi\u00f3n: <\/p>\n
\n
Se ha realizado una optimizaci\u00f3n significativa del rendimiento de la convoluci\u00f3n en el m\u00f3dulo DNN (Deep Neural Network) con la implementaci\u00f3n de algoritmos de aprendizaje autom\u00e1tico basados en redes neuronales. Se ha implementado el algoritmo de convoluciones r\u00e1pidas de Vinograd. Se han a\u00f1adido nuevas capas ONNX (Open Neural Network Exchange): Scatter, ScatterND, Tile, ReduceL1 y ReduceMin. Se ha a\u00f1adido soporte para el marco OpenVino 2022.1 y el backend CANN.\n
Se ha mejorado la calidad de detecci\u00f3n y decodificaci\u00f3n de c\u00f3digos QR.\n
Se ha a\u00f1adido soporte para marcadores visuales ArUco y AprilTag.\n
Se ha a\u00f1adido un rastreador Nanotrack v2 basado en redes neuronales.\n
Se ha implementado el algoritmo de desenfoque Stackblur.\n
Se ha a\u00f1adido soporte para FFmpeg 5.x y CUDA 12.0.\n
Se ha propuesto una nueva API para manipulaci\u00f3n de formatos de im\u00e1genes multip\u00e1gina.\n
Se ha a\u00f1adido soporte para la biblioteca libSPNG para el formato PNG.\n
Se ha activado la aceleraci\u00f3n en libJPEG-Turbo mediante instrucciones SIMD.\n
Se ha implementado soporte para H264\/H265 en la plataforma Android.\n
Se han proporcionado todas las API b\u00e1sicas para el lenguaje Python.\n
Se ha a\u00f1adido un nuevo backend universal para instrucciones vectoriales. <\/ul>\n