{"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\/it\/blog\/news\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Rilascio della libreria di visione artificiale OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
\u00c8 stato rilasciato OpenCV 4.7 (Open Source Computer Vision Library), una libreria open source che fornisce strumenti per l'elaborazione e l'analisi del contenuto delle immagini. OpenCV offre oltre 2500 algoritmi, sia classici che che riflettono le ultime conquiste nel campo della visione artificiale e dei sistemi di apprendimento automatico. Il codice della libreria \u00e8 scritto in C++ e distribuito con licenza BSD. Sono stati preparati binding per vari linguaggi di programmazione, tra cui Python, MATLAB e Java. <\/p>\n
La libreria pu\u00f2 essere utilizzata per il riconoscimento di oggetti in fotografie e video (ad esempio, riconoscimento di volti e figure umane, testo, ecc.), tracciamento del movimento di oggetti e telecamere, classificazione delle azioni nei video, trasformazione delle immagini, estrazione di modelli 3D, costruzione di spazi 3D da immagini di telecamere stereo, creazione di immagini di alta qualit\u00e0 tramite fusione di immagini di qualit\u00e0 inferiore, ricerca di oggetti in un'immagine simili a un insieme di elementi fornito, applicazione di metodi di apprendimento automatico, posizionamento di marcatori, rilevamento di elementi comuni su diverse immagini, eliminazione automatica di difetti, come l'effetto occhi rossi. <\/p>\n
Tra le novit\u00e0 del nuovo rilascio: <\/p>\n
\n
\u00c8 stata effettuata una significativa ottimizzazione delle prestazioni delle convoluzioni nel modulo DNN (Deep Neural Network), implementando algoritmi di apprendimento automatico basati su reti neurali. \u00c8 stato realizzato un algoritmo per convoluzioni rapide di Vinograd. Sono stati aggiunti nuovi strati ONNX (Open Neural Network Exchange): Scatter, ScatterND, Tile, ReduceL1 e ReduceMin. \u00c8 stato aggiunto il supporto per il framework OpenVino 2022.1 e il backend CANN.\n
\u00c8 stata migliorata la qualit\u00e0 di rilevamento e decodifica dei codici QR.\n
\u00c8 stato aggiunto il supporto per i marker visivi ArUco e AprilTag.\n
\u00c8 stato aggiunto il tracker Nanotrack v2 basato su reti neurali.\n
\u00c8 stato implementato un algoritmo di sfocatura Stackblur.\n
\u00c8 stato aggiunto il supporto per FFmpeg 5.x e CUDA 12.0.\n
\u00c8 stata proposta una nuova API per la manipolazione dei formati immagine multipagina.\n
\u00c8 stato aggiunto il supporto per la libreria libSPNG per il formato PNG.\n
Nella libJPEG-Turbo \u00e8 stata implementata un'accelerazione tramite istruzioni SIMD.\n
Per la piattaforma Android \u00e8 stato implementato il supporto per H264\/H265.\n
Sono stati forniti tutti i principali API per il linguaggio Python.\n
\u00c8 stato aggiunto un nuovo backend universale per le istruzioni vettoriali. <\/ul>\n