{"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\/sv\/blog\/news\/vypusk-biblioteki-kompyuternogo-zreniya-opencv-4-7","title":{"rendered":"Uppsl\u00e4ppet av biblioteket f\u00f6r datorseende OpenCV 4.7","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
OpenCV 4.7 (Open Source Computer Vision Library) har sl\u00e4ppts, en fri biblioteksmodul som ger verktyg f\u00f6r bearbetning och analys av bildinneh\u00e5ll. OpenCV erbjuder \u00f6ver 2500 algoritmer, b\u00e5de klassiska och som \u00e5terspeglar de senaste framstegen inom datorsyn och maskininl\u00e4rningssystem. Biblioteket \u00e4r skrivet i C++ och distribueras under BSD-licens. Bindningar har f\u00f6rberetts f\u00f6r olika programmeringsspr\u00e5k, inklusive Python, MATLAB och Java. <\/p>\n
Biblioteket kan anv\u00e4ndas f\u00f6r objektigenk\u00e4nning p\u00e5 foton och videor (till exempel ansikts- och figurerigenk\u00e4nning, text osv.), sp\u00e5rning av objekt och kameror, klassificering av handlingar i videor, bildtransformering, 3D-modellutvinning, skapande av 3D-utrymmen fr\u00e5n bilder fr\u00e5n stereokameror, skapande av h\u00f6gkvalitativa bilder genom sammanfogning av l\u00e4gre kvalitetsbilder, s\u00f6kning i bilder efter objekt som liknar en given upps\u00e4ttning element, till\u00e4mpa metoder f\u00f6r maskininl\u00e4rning, placering av mark\u00f6rer, identifiering av gemensamma element p\u00e5 olika bilder, automatisk eliminering av defekter, s\u00e5som r\u00f6da \u00f6gon. <\/p>\n
Bland f\u00f6r\u00e4ndringarna i den nya versionen: <\/p>\n
\n
Betydande prestandaoptimering av konvolutioner i DNN-modulen (Deep Neural Network) har genomf\u00f6rts med implementering av maskininl\u00e4rningsalgoritmer baserade p\u00e5 neurala n\u00e4tverk. Algoritmen f\u00f6r snabba Vinograd-konvolutioner har implementerats. Nya lager f\u00f6r ONNX (Open Neural Network Exchange) har lagts till: Scatter, ScatterND, Tile, ReduceL1 och ReduceMin. St\u00f6d f\u00f6r OpenVino 2022.1-ramverket och CANN-backend har lagts till.\n
Kvaliteten f\u00f6r igenk\u00e4nning och avkodning av QR-koder har f\u00f6rb\u00e4ttrats.\n
St\u00f6d f\u00f6r visuella mark\u00f6rer ArUco och AprilTag har lagts till.\n
En Nanotrack v2-tracker baserad p\u00e5 neurala n\u00e4tverk har lagts till.\n
En Stackblur-algoritm har implementerats.\n
St\u00f6d f\u00f6r FFmpeg 5.x och CUDA 12.0 har lagts till.\n
En ny API f\u00f6r manipulation av flersidiga bildformat har f\u00f6reslagits.\n
St\u00f6d f\u00f6r libSPNG-biblioteket f\u00f6r PNG-formatet har lagts till.\n
Acceleration genom SIMD-instruktioner har aktiverats i libJPEG-Turbo.\n
St\u00f6d f\u00f6r H264\/H265 har implementerats f\u00f6r Android-plattformen.\n
Alla grundl\u00e4ggande API:er f\u00f6r Python-spr\u00e5ket har tillhandah\u00e5llits.\n
En ny universell backend f\u00f6r vektoriserade instruktioner har lagts till. <\/ul>\n