在过去的几年里，深度学习已经成为人工智能领域发展最快的领域之一，它已经取得了显著的成果，特别是在计算机视觉领域中。
例如，自动驾驶汽车，使计算机用接近人类的能力来识别物体。工程界对OpenCV的评价非常高，因为它包含了最先进的计算机视觉和机器学习算法。
当深度学习技术部署到机器和物联网设备中时，你将运行预先训练的深度学习模型。世界级的计算机视觉软件和运行深度学习模型的能力，都是在廉价的硬件上实现的。
OpenCV是一个开源的计算机视觉和机器学习软件库，它可能是目前最流行的计算机视觉软件，该库有超过2500个优化算法，其中包括经典和最先进的计算机视觉及机器学习算法，这些算法可以用来检测和识别人脸，识别物体，对视频中的人类行为进行分类，跟踪摄像机运动和移动物体等。
OpenCV是用C＋＋编写的，你也可以为OpenCV使用Python包装器。OpenCV还具有与Java和MATLAB的接口，并且受Windows、Linux、Android和macos的支持。
OpenCV神奇的深度学习
OpenCV的深度学习模块被称为DNN，现在DNN模型并不是一个成熟的深度学习框架。
DNN没有反向传播，所以我们无法使用它训练任何深度学习网络。我们可以获取一个输入数据，通过之前训练过的深度神经网络模型，然后进行前向计算得到输出结果。
这就是所谓的推理。在深度学习术语中，这意味着只有前向传播。
只有前向传播也有好处，这会使得代码更简单，深度学习网络的安装和组装速度更快，在CPU上也足够快。DNN模块的OpenCV支持Caffe、TensorFlow、Torch、Darknet和ONNX格式的模型。由于OpenCV的深度神经网络实现不依赖于一个框架，因此没有框架的限制。
另一个优点是，由于这是模型的内部表示，因此OpenCV开发人员可以有办法来优化和加速代码。随着OpenCV实现了自己的深度学习实现，这将外部依赖性降低到最低。一个简单的推理机将简单地通过网络传递输入数据来得到输出结果。
