计算机视觉应该怎样入门？
输入“/”快速插入内容
计算机视觉应该怎样入门？
计算机视觉应该怎样入门？
飞书用户4912023年11月20日修改
要求：
1、图文并茂 不少于800字
2、要求内容与 OpenMMLab 算法库有关系，可以引导读者通过 OpenMMLab 框架来入门
3、先将内容撰写在共享文档内，将共享文档链接贴在 Discussion 评论区
4、Review 通过后，将由 OpenMMLab 官方账号发布在知乎
Task Information
Repository：Other
Difficulty：Easy
Points：20
Estimated Time Consumption：14 days
下面为正文开始：
计算机视觉应该怎么样入门？
计算机视觉应该怎么样入门？这也许是很多CVer和想要从事相关工作的同学，比较关心的问题之一。
笔者这里将从小白学习成长为CV从业者中间的摸索历程和曲折学习路径记录下来，也算是自己阶段性的一个总结；可能不一定适用所有人，但只要能让一些人少走弯路少踩坑，也就算是这几年的路没有白走了。
1、谈入门之“门”
在谈如何入门之前，不妨先问问为什么要入门，或者还值不值得冲？
尤其是一年以来LLM大语言模型火热的今天，反思良多，想重新探讨一些入门或者继续从事CV计算机视觉的意义。实际上，今年如果有参加计算机视觉相关秋招的同学大概都感受到了不少寒意，知乎等一些平台上已经开始唱衰计算机视觉甚至计算机行业，曰为“算法岗诸神黄昏”以及“灰飞烟灭”云云；这里无需辩驳，也不用美化掩饰，每个行业的发展总是有一个发展的阶段和周期的，早期入门入行的人可能会因为行业需要和上升趋势得到不少的发展红利，但这并不意味着这个行业就不值得去入门，进而去沉淀和深耕，相反更需要有更多的人参与进来，才能得到更大的发展与突破。但同样，一个实际的问题是，入门容易入行难，换言之是不少初学者花费了时间和心血去学习某个领域的技能知识，却无法发挥自己的才干去获取一份与之匹配的工作，从而入行积累工作经验，于是就回到最开始的问题，计算机视觉应该怎么样入门，才能够将基础学习扎实，既清楚理论知识，又能够动手实践。
(1) 明确目标定位，确定方向路径
本着自己一路踩坑以及在一些技术社群的经验，学习入门CV领域的同学有着不同的知识掌握程度和动手能力，因此建议在正式入门开始学习前，弄清楚自己的水平定位以及目标，或者哪些方面有前置知识欠缺或者是不足之处，以笔者为例，在入门时犯的一个误区是，总觉得自己理论知识不够扎实，于是不断前溯到前置知识的线性代数和概率论，但后来才发现实际上真正用到线性代数概率论等知识的地方很少，更多时候是自己的理解和认识，这些往往都能在后续的实际动手中去体会到，相比于去推导公式会更直观且印象深刻。但也不是说这种从前置理论出发的路径不好，从扎实基础和理论积累的角度上看是正确的，只是需要考虑计算学习成本是否值得，如果衡量下是值得一试的，就尽管去冲，一把梭，但切记不可贪多嚼不烂，确定了方向就不能轻易去动摇或者改变；这里的方向大体上有两类，研究学术向的模型改进调优方法设计，以及工程落地向的推理部署，其中部署又根据不同需要有所不同。
干货分享：
下面给出一个笔者自己整理的GitHub仓库：https://github.com/isLinXu/awesome-road-map，里面包含了一些可供参考的学习路径和思维导图，并整理微软、meta、谷歌、Kaggle以及华为、百度、阿里、腾讯、讯飞等相关的学习资源内容，可以用来帮助学习某个方面的知识与内容。其中Kaggle、华为、百度、阿里、腾讯、讯飞等相关平台上已经给大家列出了对应的学习路径和课程资源，只要跟着去学习即可。
以kaggle为例，可参考学习路径及课程资源如下，类似地，飞桨星河社区、阿里天池、腾讯云学堂、华为云开发者社区、讯飞AI大学堂等同样有着类似地内容，这里建议大家可以结合自己的实际情况进行选择，推荐的选择方式是对自己心仪的公司或者机构的内容去学习了解，这也许会在一定程度上提高你面试那家公司的成功率和机会，也能够为后续打比赛和项目积累一定的基础。