Computer Vision
What？
Computer Vision 是一種技術，讓電腦能夠透過影像或視訊資料進行「看」和「理解」。簡單來說，它的目標是模擬人類眼睛與大腦的功能，從影像中提取有用資訊，例如辨識物體、追蹤移動中的物件，甚至解讀文字。
舉例來說，我們日常生活中的臉部辨識功能，以及自動駕駛車輛偵測路邊標誌，都屬於 Computer Vision 的應用。
Who？
Computer Vision 的使用族群非常廣泛，包括但不限於以下幾類技術工作者：
- 資料科學家：負責訓練模型並進行影像分析。
- 軟體工程師：整合 Computer Vision 技術到應用程式或系統中。
- AI 研發人員：探索更高效的算法，如 Deep Learning 模型。
此外，受影響的範疇也不僅限於技術領域。例如，醫療產業利用它進行 X 光片分析；零售業則透過監控攝影機提升店內安全。
When？
我們會在以下情境中使用 Computer Vision：
- 即時偵測與反應：例如 AI 安全監控系統，當有人闖入特定區域時自動發送警告。
- 批量影像處理：如電商網站上，自動分類商品圖片以改善搜尋效率。
- 高精度分析需求：如在醫療領域中精確判讀病理切片。
Where？
在技術架構上，Computer Vision 通常出現在以下部分：
- 前端應用層：臉部辨識、物件追蹤等功能直接呈現在使用者界面上。
- 後端處理層：執行深度學習模型（例如 CNN）來進行影像分析與數據處理。
- 資料儲存層：需要存放大量訓練所需的影像數據集，例如 ImageNet。
Why？
電腦並不像人類一樣能自然地「看懂」一張照片，因此我們需要使用 **Computer Vision 技術來解決這些問題：
- 將非結構化資料（例如圖片或影片）轉化為可分析的結構化數據。
- 提升作業效率，例如自動化商品分類或大規模偵測異常事件。
- 增強準確性，例如比人工更快、更準地進行 X 光片診斷。
舉例來說，在自動駕駛技術中，如果車輛無法快速辨認紅綠燈，就可能導致危險。因此， Computer Vision 是不可或缺的一環。
How？
🛠️ 建立階段
建立一個完整的 Computer Vision 系統通常包含以下步驟：
-
資料收集與Annotation
- 收集大量相關圖片，如道路場景、臉部照片等。
- 對圖像進行標記，例如給每個物件貼上 Label（如「車輛」、「行人」）。
-
模型選擇
- 根據任務需求選擇適合的模型架構，例如 Convolutional Neural Network 用於物件辨識。
-
訓練
- 使用 GPU 訓練深度學習模型，使其能準確預測輸入影像中的內容。
- 可運用 Transfer Learning 加速訓練過程。
-
部署
- 把訓練完成的模型部署到伺服器或前端裝置（如手機）。
🔍 查詢階段
查詢階段主要是指系統運作時如何實際執行任務：
-
系統接收輸入
- 例如相機拍攝到新照片，或者收到即時視訊流。
-
前處理
- 對輸入影像進行縮放、去噪，以便後續分析。
-
模型推論
- 使用訓練好的 CNN 模型對影像進行推論，比如判斷畫面內是否有特定物件存在。
-
回傳結果
- 輸出預測結果，如「畫面內有三輛車、一位行人」。