04 // CHAPTER ROUTE
机器如何 看懂世界？
AI基础 · 第四章
任务不同，模型回答世界的粒度也不同。
01三种 视觉任务
任务不同，模型回答世界的粒度也不同。
02图像的 数字语言
彩色图像的底层，是由 RGB 数值组成的像素矩阵。
03训练就是 反复纠错
模型通过猜测、比较、调整和重复，逐渐学会正确识别。
04视觉大模型 三件套
CLIP、SAM 与 Grounding DINO 分别负责图文对齐、分割与开放词汇检测。
05部署不是 终点
边缘端与云端协同，难例持续回流，模型才会越用越好。
SECTION 01 / 阅读地图
小节一 · 三种视觉任务
01三种视觉任务
任务不同，模型回答世界的粒度也不同。
关键线索分类街景 · 98%检测人 + 车 + 坐标
从整图到像素
分类、检测、分割构成从粗到细的视觉理解阶梯。
关键线索整张图1 标签N 个框像素级标签
图像的数字语言
彩色图像的底层，是由 RGB 数值组成的像素矩阵。
关键线索一个像素R 216G 74B 138
MODULE 01 // THREE TASKS
三种视觉任务
MODULE 02 // OUTPUT GRANULARITY
从整图到像素
MODULE 03 // PIXEL MATRIX
图像的数字语言
SECTION 02 / 阅读地图
小节二 · CNN 逐层看懂
01CNN 逐层看懂
CNN 把简单边缘逐层组合成局部特征与整体语义。
关键线索浅层先找基本笔画边缘 · 线条 · 转角组合
训练就是反复纠错
模型通过猜测、比较、调整和重复，逐渐学会正确识别。
关键线索1 · 标注样本图片 + 猫 / 狗2 · 模型预测猜：猫
MODULE 04 // CNN FEATURES
CNN 逐层看懂
MODULE 04 // TRAINING LOOP
训练就是反复纠错
SECTION 03 / 阅读地图
小节三 · 视觉大模型三件套
01视觉大模型三件套
CLIP、SAM 与 Grounding DINO 分别连接图文、分割万物和开放检测。
关键线索视觉大模型CLIP图像 ↔ 文字
巡检数据流水线
工业视觉从采集到决策，每个环节都决定最终可靠性。
关键线索采集无人机照片标注框出缺陷
部署不是终点
边缘端与云端协同，难例持续回流，模型才会越用越好。
关键线索边缘端无人机 / 机器人快速初筛量化 · 剪枝 · 蒸馏
MODULE 06 // FOUNDATION MODELS
视觉大模型三件套
MODULE 07 // INDUSTRIAL INSPECTION
巡检数据流水线
MODULE 08 // DEPLOYMENT LOOP
部署不是终点
MODULE 09 // CHAPTER RECAP
本章 总结
01三种 视觉任务
任务不同，模型回答世界的粒度也不同。
02图像的 数字语言
彩色图像的底层，是由 RGB 数值组成的像素矩阵。
03训练就是 反复纠错
模型通过猜测、比较、调整和重复，逐渐学会正确识别。
04视觉大模型 三件套
CLIP、SAM 与 Grounding DINO 分别负责图文对齐、分割与开放词汇检测。
05部署不是 终点
边缘端与云端协同，难例持续回流，模型才会越用越好。
KNOWLEDGE CHECK
单选题 · 10题 × 5分
答对 0/10 · 得分 0/50
TRUE OR FALSE
判断题 · 5题 × 4分
1图像分类任务可以同时在一张图中识别多个不同类别的物体并给出它们的位置。
2语义分割可以对图像中的每个像素进行分类，因此它能区分同一类物体的不同个体（如画面中"第一只猫"和"第二只猫"）。
3SAM 模型可以在没有针对特定类别训练的情况下，直接分割它从未见过的物体。
4在 AI 数据闭环中，"模型部署"意味着项目结束，不需要再对模型进行任何更新。
5在输电线路巡检中，无人机拍摄的照片可以直接用于 AI 模型训练，不需要人工标注。
答对 0/5 · 得分 0/20
ASSESSMENT SUMMARY
测验分数统计
测验分数统计
| 部分 | 题数 | 每题分值 | 满分 |
|---|
| 单选题 | 10 题 | 5 分 | 50 分 |
|---|
| 判断题 | 5 题 | 4 分 | 20 分 |
|---|
| 合计 | 15 题 | - | 70 分 |
|---|
单选：答对 0/10 · 得分 0/50
判断：答对 0/5 · 得分 0/20
当前总分 0/70