OpenCV 5.0.0

प्रकाशित OpenCV 5.0.0 — कॉम्प्युटर व्हिजन आणि इमेज प्रोसेसिंगसाठीच्या एका ओपन सोर्स लायब्ररीचे प्रमुख प्रकाशन. हे प्रकाशन पार पडले. वर्षाच्या 6 जून 2026 आणि प्रोजेक्टच्या गिटहब रेपॉझिटरीमध्ये ते आधीच 'चालू' म्हणून चिन्हांकित आहे. OpenCV खालील परवान्याअंतर्गत वितरित केले जाते. अपाचे -2.0.

या रिलीझचे सार म्हणजे OpenCV चे "क्लासिक कॉम्प्युटर व्हिजन लायब्ररी" पासून CV/AI कार्यांसाठी अधिक आधुनिक प्लॅटफॉर्ममध्ये झालेले स्थित्यंतर: या प्रकल्पाने जुने API सुव्यवस्थित केले आहे, न्यूरल नेटवर्क इन्फरन्स मॉड्यूलवर पुन्हा काम केले आहे, ONNX सपोर्टचा विस्तार केला आहे, VLM/LLM स्क्रिप्ट्ससाठी सपोर्ट जोडला आहे आणि 3D/कॅलिब्रेशन स्टॅक अद्ययावत केला आहे. डेव्हलपर्सच्या मते OpenCV 5.0 ही आता एक स्थिर शाखा मानली जाते आणि नवीन कार्यक्षमता प्रामुख्याने यातच जोडली जाईल.

मोठे बदल

• नवीन डीएनएन अनुमान इंजिन.
  डीएनएन मॉड्यूलमध्ये आता एक नवीन इंजिन आहे जे जुन्या इंजिनसोबत काम करते. ते डायनॅमिक टेन्सर शेप्स, सबग्राफ्स आणि आधुनिक ONNX फीचर्ससोबत अधिक चांगल्या प्रकारे काम करते. याचे कव्हरेज अधिक असल्याचा दावा केला जातो. ONNX विनिर्देशाच्या ८०%तर OpenCV 4.x मध्ये 23% पेक्षा कमी समाविष्ट होते.
  या रिलीझमधील हा कदाचित सर्वात मोठा बदल आहे: OpenCV केवळ एक मॉडेल रॅपर न राहता, आधुनिक न्यूरल नेटवर्क्ससाठी एक पूर्ण विकसित अंगभूत इन्फरन्स इंजिन बनण्याच्या दिशेने वाटचाल करत आहे.

• मॉडेल लोड करताना इंजिन निवडणे.
  cv::dnn::readNet() आणि संबंधित फंक्शन्समध्ये ENGINE_AUTO पॅरामीटर जोडण्यात आला आहे. डिफॉल्टनुसार, OpenCV प्रथम नवीन इंजिन वापरून पाहते आणि अयशस्वी झाल्यास, क्लासिक इंजिनवर परत येते. हे वर्तन OPENCV_FORCE_DNN_ENGINE एन्व्हायर्नमेंट व्हेरिएबलद्वारे देखील कॉन्फिगर केले जाऊ शकते: जुने इंजिन, नवीन इंजिन, ऑटोमॅटिक मोड किंवा ONNX रनटाइम वापरा. ​​जुन्या प्रोजेक्ट्सना नवीन इंजिनवर त्वरित पूर्णपणे स्विच करणे आवश्यक नाही, परंतु नवीन मॉडेल्स हळूहळू त्यावर स्थलांतरित केले जाऊ शकतात.

• ONNX रनटाइमसह एकीकरण.
  आता ONNX रनटाइम सक्षम करून OpenCV बिल्ड केले जाऊ शकते. OpenCV ORT ग्राफ तयार करण्यासाठी स्वतःचा ONNX पार्सर वापरते, त्यामुळे त्याला संपूर्ण ONNX पॅकेजची आवश्यकता नसते. बिल्ड करण्यासाठी खालील CMake पॅरामीटर्स उपलब्ध आहेत: -DWITH_ONNXRUNTIME=ON आणि -DDOWNLOAD_ONNXRUNTIME=ON; NVIDIA GPUs साठी, -DDOWNLOAD_ONNXRUNTIME_GPU=ON. ज्यांना आता GPU इन्फरन्सची आवश्यकता आहे त्यांच्यासाठी हे वैशिष्ट्य उपयुक्त ठरेल, कारण OpenCV चे नवीन DNN इंजिन सध्या फक्त CPUs वर चालते.

• दृष्टी-भाषा मॉडेलसाठी समर्थन.
  नवीन DNN इंजिनमध्ये VLM मॉडेल्स थेट चालवण्यासाठी आवश्यक असलेले टोकनायझर्स, अटेंशन लेयर्स, डिकोडिंग ब्लॉक्स, पोस्ट-प्रोसेसिंग आणि KV कॅशे यांचा समावेश आहे. ऐतिहासिकदृष्ट्या इमेज प्रोसेसिंगशी संबंधित असलेली ही लायब्ररी आता एकाच वेळी प्रतिमा आणि मजकूर यांवर प्रक्रिया करणाऱ्या मॉडेल्सच्या क्षेत्रात विस्तारत आहे.

• नवीन DNN इंजिनसाठी GPU सपोर्ट अद्याप तयार नाही.
  OpenCV 5.0 मधील नवीन इंजिन केवळ CPU वर चालते. भविष्यातील आवृत्त्यांमध्ये नेटिव्ह GPU सपोर्ट देण्याचे वचन दिले आहे; सध्या, GPU साठी क्लासिक इंजिन किंवा ONNX रनटाइम आणि NVIDIA एक्झिक्युशन प्रोव्हायडर्ससह तयार केलेला बिल्ड वापरण्याची शिफारस केली जाते. सर्व्हर किंवा डेस्कटॉप CUDA इन्फरन्ससाठी, केवळ OpenCV 5.0 अद्याप विशेष रनटाइम्सची जागा घेऊ शकत नाही.

• जुने डार्कनेट आणि कॅफे पार्सर्स काढून टाकण्यात आले आहेत.
  डेव्हलपर्सनी डार्कनेट आणि कॅफे पार्सर्स काढून टाकले आहेत, कारण बहुतेक मॉडेल्स आधीच ONNX मध्ये स्थलांतरित करण्यात आले आहेत. TFLite सध्या क्लासिक इंजिनमध्येच राहील, आणि नंतर नवीन इंजिनमध्ये स्थलांतर करण्याची योजना आहे. OpenCV जुने फॉरमॅट्स सोडून देत आहे आणि प्राथमिक मॉडेल एक्सचेंज फॉरमॅट म्हणून ONNX वर लक्ष केंद्रित करत आहे.

• जुन्या API ची मोठ्या प्रमाणावर साफसफाई.
  OpenCV 1.x C API काढून टाकण्यात आले आहे: cvCreateMat() सारखी फंक्शन्स आणि CvMat सारख्या जुन्या संरचना आता कोअर API चा भाग नाहीत. OpenVX सपोर्ट देखील काढून टाकण्यात आला आहे, G-API मॉड्यूल opencv_contrib मध्ये हलवण्यात आले आहे आणि क्लासिक ML मॉड्यूलदेखील तिथे हलवण्यात आले आहे. जुन्या प्रोजेक्ट्ससाठी हा एक मोठा बदल आहे, पण तो खूप आधीच व्हायला हवा होता: लायब्ररी अनेक दशकांचे तांत्रिक कर्ज फेडत आहे.

• Features2D चे नाव बदलून Features असे ठेवण्यात आले.
  न्यूरल नेटवर्क्समधील आधुनिक फीचर व्हेक्टर्स सामावून घेण्यासाठी या मॉड्यूलचा विस्तार करण्यात आला आहे. SIFT, ORB, FAST, GoodFeaturesToTrack, आणि MSER यांना मुख्य रिपॉझिटरीमध्ये कायम ठेवण्यात आले आहे, तर लेगसी डिटेक्टर्स आणि डिस्क्रिप्टर्स यांना opencv_contrib मध्ये हलवण्यात आले आहे. ALIKED, DISK, आणि LightGlue मॅचर जोडण्यात आले आहेत. OpenCV स्पष्टपणे आधुनिक पाइपलाइन्सशी जुळवून घेत आहे, जिथे पारंपरिक अल्गोरिदमऐवजी न्यूरल नेटवर्क्सचा वापर करून इमेज फीचर्स अधिकाधिक प्रमाणात काढले जात आहेत.

• कोअरमधील नवीन डेटा प्रकार.
  CV_16BF / cv::bfloat, CV_32U, CV_64U, CV_64S, आणि CV_Bool समाविष्ट केले आहेत. N-आयामी अॅरे, 1D अॅरे आणि 0D स्केलरसाठीचे समर्थन देखील सुधारले आहे. LAPACK आता नेहमी उपलब्ध आहे: जर एखादी बाह्य लायब्ररी उपलब्ध नसेल, तर OpenCV एक अंगभूत किमान सबसेट तयार करते. हे बदल DNNs, संख्यात्मक अल्गोरिदम आणि आधुनिक डेटा फॉरमॅटशी सुसंगततेसाठी महत्त्वाचे आहेत, जिथे bfloat16 आणि विस्तारित प्रकार अधिकाधिक सामान्य होत आहेत.

• प्रतिमा प्रक्रियेला गती देण्यात आली आहे.
  imgproc मध्ये WarpAffine, warpPerspective आणि remap यांची पुनर्रचना करण्यात आली आहे. प्लॅटफॉर्म, इमेजचा आकार, डेटा प्रकार आणि ऑपरेशन फ्लॅग्ज यांवर अवलंबून, कार्यक्षमतेत १०% ते ३००% पेक्षा जास्त सुधारणा झाल्याचा दावा केला जात आहे.
  हे केवळ एआयपुरते मर्यादित नाही—असे ऑप्टिमायझेशन व्हिडिओ स्ट्रीम, स्थिरीकरण, प्रोजेक्शन ट्रान्सफॉर्मेशन आणि इन्फरन्सपूर्वी डेटाची तयारी यांसारख्या पारंपरिक कार्यांसाठी थेट महत्त्वाचे आहेत.

• सुधारित मजकूर आउटपुट.
  जुन्या टेक्स्ट रेंडरिंग इंजिनच्या जागी, अंगभूत रुबिक व्हेरिएबल फॉन्ट असलेले STB-आधारित TrueType इंजिन वापरले आहे. सानुकूल फॉन्ट एम्बेड केले जाऊ शकतात आणि व्यापक युनिकोड सपोर्ट जोडला गेला आहे. तथापि, हार्फबझशिवाय अरबी आणि देवनागरीसारख्या क्लिष्ट लिपी अजूनही चुकीच्या पद्धतीने प्रदर्शित होतात आणि कलर इमोजींना सपोर्ट नाही. बाह्य लायब्ररींशिवाय ॲनोटेशन्स, डीबग इमेजेस आणि व्हिज्युअलायझेशन्स तयार करण्यासाठी OpenCV अधिक सोयीस्कर होत आहे.

• अद्ययावत 3D आणि कॅमेरा कॅलिब्रेशन.
  calib3d हे जिओमेट्री, कॅलिब्रेशन, स्टिरिओ आणि पॉइंट क्लाउडमध्ये विभागलेले आहे. मजबूत होमोग्राफी, आवश्यक/मूलभूत मॅट्रिक्स, PnP आणि इतर कार्यांसाठी USAC हे मानक बॅकएंड बनले आहे. एक मल्टी-कॅमेरा कॅलिब्रेशन पाइपलाइन जोडण्यात आली आहे, सोबतच मेश आणि पॉइंट क्लाउड प्रोसेसिंगसाठी प्रारंभिक समर्थन दिले आहे, ज्यामध्ये TSDF, ICP, आणि .ply व .obj आयात आणि निर्यातीचा समावेश आहे. रोबोटिक्स, SLAM, AR/VR आणि मल्टी-कॅमेरा सिस्टीमसाठी हे एक महत्त्वाचे पाऊल आहे, जिथे केवळ 2D प्रोसेसिंग बऱ्याच काळापासून अपुरे ठरत होते.

• उदाहरणे आणि दस्तऐवजीकरण सुधारित करण्यात आले आहे.
  कालबाह्य झालेली उदाहरणे काढून टाकण्यात आली आहेत आणि उर्वरित उदाहरणे अद्ययावत करण्यात आली आहेत. DNN उदाहरणे आता एक सामायिक मॉडेल संग्रह वापरतात, जो download_models.py स्क्रिप्ट वापरून डाउनलोड केला जाऊ शकतो. VLM आणि LDM साठी प्रायोगिक उदाहरणे जोडण्यात आली आहेत, आणि डॉक्युमेंटेशनला एक आधुनिक थीम, जलद शोध, लाईट/डार्क मोड आणि सुधारित नेव्हिगेशन मिळाले आहे. एवढ्या मोठ्या लायब्ररीसाठी, हा केवळ वरवरचा बदल नाही: योग्य डॉक्युमेंटेशन आणि कार्यरत उदाहरणांचा थेट परिणाम यावर होतो की डेव्हलपर्स खरोखरच OpenCV 5.x कडे वळतील की नाही.

सरतेशेवटी, OpenCV 5.0 हे केवळ ऑप्टिमायझेशन असलेले आणखी एक रिलीज नसून, एक महत्त्वपूर्ण अपग्रेड आहे: यात OpenCV 1.x काळातील जुन्या गोष्टी कमी असून ONNX, न्यूरल नेटवर्क इन्फरन्स, आधुनिक वैशिष्ट्ये, 3D प्रोसेसिंग आणि हेटेरोजिनियस ॲक्सेलरेशन यांवर अधिक लक्ष केंद्रित केले आहे. तथापि, C API काढून टाकल्यामुळे आणि काही मॉड्यूल्स opencv_contrib मध्ये हस्तांतरित केल्यामुळे, जुन्या प्रोजेक्ट्ससाठी या बदलामध्ये काही समायोजनांची आवश्यकता भासू शकते.

स्त्रोत: linux.org.ru