Skip to main content

10.5.1 高级视觉路线图：OCR、人脸、视频、3D

高级视觉不是模型名称集合，而是建立在同一视觉基础上的应用方向：输入更复杂、输出更复杂、约束和风险也更多。

先看方向地图​

高级视觉方向选择图

OCR 版面阅读顺序图

视频帧跟踪时间窗口图

OCR 适合文档，人脸识别适合身份敏感场景，视频适合时间和运动，3D 视觉适合空间结构。

跑一个方向选择检查​

选择一个方向深入，不要四个方向都浅尝辄止。

requirement = {
    "input": "screenshot",
    "needs_text": True,
    "needs_identity": False,
    "needs_time": False,
    "needs_depth": False,
}

if requirement["needs_text"]:
    direction = "OCR"
elif requirement["needs_identity"]:
    direction = "Face"
elif requirement["needs_time"]:
    direction = "Video"
elif requirement["needs_depth"]:
    direction = "3D"
else:
    direction = "Classification or detection"

print("direction:", direction)
print("first_output:", "text with layout")

预期输出：

direction: OCR
first_output: text with layout

做人脸、监控、医疗或身份项目时，先写清隐私和使用边界，再展示结果。

按这个顺序学​

步骤方向实操产出
1OCR抽取文本、版面、字段、置信度和失败样例
2人脸检测人脸，解释阈值、隐私和偏见风险
3视频跨帧追踪事件并记录时间维度失败
43D 视觉解释深度、点云、几何和传感器假设

通过标准​

如果你能选择一个方向，定义输入/输出，运行最小项目，并记录失败案例和使用边界，就通过了本章。