补天云视觉实践产品
A 系列应用实践 · B 系列传统算法 · C 系列网络算法 — 共 200 个实践项目
补天云视觉实践产品面向大中专院校计算机视觉教学场景，按"应用实践 → 传统算法 → 网络算法"的递进结构划分为 A、B、C 三个系列。 所有产品均为独立可执行程序，纯 CPU 离线运行、零代码可视化操作、无需 Python软件依赖、无需算法库、无需 GPU 与专用硬件，院校普通机房计算机即可部署。
计算机视觉前沿技术原理（100篇）
计算机视觉前沿技术原理，100篇长博客解读经典前沿技术。包括：目标检测、图像分割、多模态；YOLOv1到v10、DETR、DINO、SAM、ViT、CLIP。
- YOLOv10 如何甩掉 NMS 实现实时端到端目标检测？—— 一致双标签分配与全局效率 - 精度 补天云计算机视觉技术原理解析
- YOLOv9：深度网络真的能 “想学什么就学什么” 吗？用可编程梯度信息（PGI）让模型只学它真正想学的东西 | 补天云计算机视觉技术原理解析
- YOLOv7 训练时多花功夫、推理时不加开销，凭什么再创实时检测新纪录？可训练的低成本优化技术原理解析・补天云计算机视觉技术原理解析
- YOLOv6 凭什么在工业落地场景中做到又快又准？—— 单阶段目标检测框架的工业应用之道 | 补天云计算机视觉技术原理解析
- YOLOv4｜为什么能把速度与精度做到极致？目标检测速度与精度的最优平衡 补天云计算机视觉技术原理解析
- YOLOv3｜毫秒级的一次前向推理，凭什么抓稳多尺度与小目标？——"增量式改进" 为何成就一代经典｜补天云计算机视觉技术原理解析
- YOLOv2：一次前向传播凭什么能识别九千多类物体？更好更快更强：实时目标检测系统的技术演进 YOLO9000 补天云计算机视觉技术原理解析
- YOLOv1：目标检测如何做到 "一次看全、端到端实施"？You Only Look Once 你只需看一眼：实时的目标检测 ｜ 补天云计算机视觉技术原理解析
- 通用图像分割，能不能既全面又高效？UISE：面向效率的通用图像分割，一次动态卷积通吃四大任务｜补天云计算机视觉技术原理解析
- Mask2Former：如何搞定全场景图像分割任务？ 掩码注意力掩码 Transformer 通用图像分割方案 补天云计算机视觉技术原理解析
- 当实例分割遇上轻量化并行范式？Mask R‑CNN 技术原理解析 补天云计算机视觉技术原理解析
- SAM3：如何让分割模型理解"概念"？从"分割一切"到"概念分割一切"Segment Anything with Concepts原理解析｜补天云计算机视觉技术原理解析
- ConDSeg：仅凭对比增强就能解决医学图像分割痛点？ 面向通用医学图像分割的ConDSeg框架原理深度解析 补天云计算机视觉技术原理解析
- SAM2：视频图像一体分割能否重塑视觉基础模型？Segment Anything in Images and Videos 补天云计算机视觉技术原理解析
- SAM1：Segment Anything如何做到"分割万物"？——可提示分割，计算机视觉的"GPT时刻" | 补天云计算机视觉技术原理解析
- 实例分割也能像YOLO一样一次前向就完成吗？ YOLACT：用原型掩码与系数并行解码实现实时实例分割 补天云计算机视觉技术原理解析
- 查询式检测框架如何自然生长出实例分割能力？QueryInst并行监督动态掩码查询 补天云计算机视觉技术原理解析
- 语义分割如何兼得大感受野与精细边界？DeepLabv1：深度卷积网络与全连接条件随机场的图像分割技术 补天云计算机视觉技术原理解析
- 如何解决语义分割的分辨率、多尺度与边界精度三大难题？DeepLab v2：空洞卷积与全连接CRF 补天云计算机视觉技术原理解析
- 全景分割，能否真正摆脱检测框与手工组件？——端到端全景分割MaX‑DeepLab 补天云计算机视觉技术原理解析
- 实例分割，自顶向下与自底向上能否合二为一？——BlendMask：Top‑Down Meets Bottom‑Up 的实例分割 补天云计算机视觉技术原理解析
- 如何用空洞卷积破解特征分辨率损失与多尺度上下文两大难题？DeepLabv3：重思语义图像分割中的空洞卷积 补天云计算机视觉技术原理解析
- 一个网络能否同时搞定实例分割与语义分割？——全景特征金字塔网络（Panoptic FPN）技术原理解读 ｜ 补天云计算机视觉技术原理解析
- 语义分割如何同时"看得远"又"看得细"？ 编码器—解码器与空洞可分离卷积的语义分割 补天云计算机视觉技术原理解析
- 卷积网络，真的能做到一个像素一个像素地理解图像吗？全卷积网络用于语义分割：从整图分类到逐像素 | 补天云计算机视觉技术原理解析
- CLIP 真的离不开提示工程吗？——CLIP‑Adapter：用轻量特征适配器把视觉‑语言模型调得更好 ｜ 补天云计算机视觉技术原理解析
- 为什么CLIP模型越大，需要的训练token反而越少？——CLIP训练的逆缩放定律 补天云计算机视觉技术原理解析
- 提示词竟然可以"学"出来？——《学习为视觉‑语言模型提示》CoOp技术原理解析 | 补天云计算机视觉技术原理解析
- 大模型如何不微调就能"看"懂图片？——Flamingo：面向少样本学习的视觉语言模型｜补天云计算机视觉技术原理解析
- 视觉和语言，为什么必须一起变大？PaLI：联合缩放的多语言图文大模型技术全解｜补天云计算机视觉技术原理解析
- 能否让语言引导视觉模型逐像素理解场景？DenseCLIP：语言引导的稠密预测与上下文感知提示 —— 补天云计算机视觉技术原理解析
- 更大模型，反而能用更少的训练Token？——如何在1万美元预算内训练出81.1%零样本ImageNet准确率 补天云计算机视觉技术原理解析
- 大模型性能可被预测吗？——对比语言‑图像学习的可复现缩放律 补天云计算机视觉技术原理解析
- 如何让AI凭一句描述，零样本识别任意图像？从自然语言监督中学习可迁移的视觉模型（CLIP）技术原理解析 补天云计算机视觉技术原理解析
- Vision Transformer 越深越好吗？——CaiT：让图像 Transformer 走得更深的类注意力架构｜补天云计算机视觉技术原理解析
- 一套权重，能通吃所有 Patch 尺寸吗？FlexiViT：一个模型适配所有补丁尺寸 ｜ 补天云计算机视觉技术原理解析
- 视觉模型能像语言模型一样无限放大吗？Swin Transformer V2：迈向更大容量与更高分辨率｜补天云计算机视觉技术原理解析
- Swin Transformer如何做到全局建模与线性复杂度兼得？——基于移位窗口的分层视觉Transformer技术原理 | 补天云计算机视觉技术原理解析
- 卷积神经网络会被取代吗？视觉Transformer（ViT）及其衍生模型家族技术原理全解析｜补天云计算机视觉技术原理解析
- ViT 难以胜任密集预测？金字塔视觉 Transformer (PVT) 补天云计算机视觉技术原理解析
- 把图像当作一门外语？BEiT‑3 多模态通用基础模型技术解析 | ViT｜补天云计算机视觉技术原理解析
- 如何把掩码图像建模升级到语义级？BEiT v2：基于向量量化视觉分词器的掩码图像建模ViT原理分析｜补天云计算机视觉技术原理解析
- 把 BERT搬入 CV 效果如何？BEiT 图像 Transformer 预训练技术原理解析｜补天云计算机视觉技术原理解析
- 仅看 25% 图像就能学懂视觉？掩码自编码器 MAE 技术原理解析 ViT 补天云计算机视觉技术原理解析
- 简化训练也能逆袭 ViT？DeiT III：ViT原理分析 补天云计算机视觉技术原理解析
- 如何让 ViT 摆脱大量预训练数据？高效图像 Transformer 与注意力蒸馏技术｜补天云计算机视觉技术原理解析
- 没有 CNN 也能做图像识别？一张图等价 16×16 个词｜ViT原理分析 | 补天云计算机视觉技术原理解析
- 如何解决长训练稠密特征退化？DINOv3 新一代自监督视觉基座 补天云计算机视觉技术原理解析
- 没有标签也能学好视觉特征？DINOv2 通用视觉特征学习技术原理解析｜补天云计算机视觉技术原理解析
- 没有标签也能学出分割能力？自监督 ViT 的涌现特性 ——DINO 技术原理解析｜补天云计算机视觉技术原理解析
- 没有提示也能检测万物？DINO‑X 统一视觉模型：开放世界目标检测 补天云计算机视觉技术原理解析
- 如何实现文本任意描述目标检测？Grounding DINO DINO 与接地预训练的开放世界目标检测 补天云计算机视觉技术原理解析
- 如何兼顾高精度与端侧实时推理？Grounding DINO 1.5 开放世界目标检测 补天云计算机视觉技术原理解析
- 如何做到实时开放词汇检测？YOLO‑World：实时开放词汇目标检测 补天云计算机视觉技术原理解析
- 仅靠极简 ViT 就能做好开放词汇检测？OWL‑ViT 开放世界目标检测 补天云计算机视觉技术原理解析
- 如何用一套模型同时搞定定位与多模态理解？GLIPv2：统一定位与视觉‑语言理解｜开放世界目标检测 补天云计算机视觉技术原理解析
- 如何用概念词典赋能开放世界检测？DetCLIP v1：词典增强视觉概念并行预训练 开放世界目标检测 补天云计算机视觉技术原理解析
- GLIP如何实现开放世界零样本目标检测？GLIP 原理解析 开放世界目标检测 补天云计算机视觉技术原理解析
- 没有预定义类别也能做检测？DetCLIPv3 生成式开放词汇目标检测｜开放世界目标检测 补天云计算机视觉技术原理解析
- 如何实现可扩展开放词汇检测预训练？DetCLIPv2 基于词‑区域对齐 开放世界目标检测 补天云计算机视觉技术原理解析
- 训练参数一定要固定吗？Dynamic R‑CNN 面向高质量目标检测的动态训练 补天云计算机视觉技术原理解析
- 如何让 VGG 卷积网络重获竞争力？RepVGG：让 VGG 风格卷积网络再次强大 补天云计算机视觉技术原理解析
- 如何解决弱监督检测只学到物体局部？Proposal 簇学习 PCL 技术原理解析｜补天云计算机视觉技术原理解析
- 域适应能否解决无约束人耳识别痛点？基于深度卷积神经网络的人耳识别域适应技术原理解析 补天云计算机视觉技术原理解析
- 分类回归任务需求冲突如何解决？多朝向目标检测旋转特征网络原理解析 —— 补天云计算机视觉技术原理解析
- 如何解决任意角度场景文本检测？基于旋转候选框的 RRPN 算法 补天云计算机视觉技术原理解析
- 如何兼顾 CNN 精度与推理速度？跨阶段局部网络 CSPNet 全新主干网络 补天云计算机视觉技术原理解析
- 如何低成本实现多尺度目标检测训练？SNIPER 高效多尺度训练 补天云计算机视觉技术原理解析
- 如何解决目标检测尺度剧烈变化问题？目标检测中的尺度不变性分析‑SNIP 补天云计算机视觉技术原理解析
- 如何解决可变形卷积采样越界问题？可变形卷积网络 v2：更强的变形，更优的结果 补天云计算机视觉技术原理解析
- 如何让卷积自适应物体形变？可变形卷积网络（Deformable Convolutional Networks）补天云计算机视觉技术原理解析
- 如何解决一阶段检测类别失衡问题？密集目标检测的焦点损失 Focal Loss 补天云计算机视觉技术原理解析
- 如何兼顾速度与精度？单阶段多框检测器 SSD：Single Shot MultiBox Detector 补天云计算机视觉技术原理解析
- RepPoints：点集表示目标检测｜不用 Anchor 也能做好检测？补天云计算机视觉技术原理解析
- CenterNet：用于目标检测的关键点三元组 如何利用关键点三元组提升目标检测精度？补天云计算机视觉技术原理解析
- Libra R‑CNN：面向平衡学习的目标检测原理解析 补天云计算机视觉技术原理系列
- Cascade R‑CNN 高质量目标检测原理解析 补天云计算机视觉技术原理系列
- Feature Pyramid Networks（FPN）原理解析｜目标检测原理解析 补天云计算机视觉技术原理系列
- Mask R‑CNN 实例分割技术详解｜目标检测原理解析 补天云计算机视觉技术原理系列
- Faster R‑CNN：RPN 候选区域网络原理解析 目标检测原理解析 补天云计算机视觉技术原理系列
- Fast R‑CNN 目标检测原理解析 补天云计算机视觉技术原理系列
- SPP‑Net 空间金字塔池化网络详解｜目标检测原理解析 补天云计算机视觉技术原理系列
- R‑CNN两阶段目标检测 目标检测原理解析 补天云计算机视觉技术原理系列
- DAB‑DETR：动态锚框作为 DETR 的查询 DETR原理解析 补天云计算机视觉技术原理系列
- DN‑DETR：引入查询去噪加速 DETR 训练 DETR原理解析 补天云计算机视觉技术原理系列
- Mask DINO：检测分割大一统 Transformer 框架 DETR原理解析 补天云计算机视觉技术原理系列
- DINO：改进去噪锚框的端到端目标检测 DETR原理解析 补天云计算机视觉技术原理系列
- 技术解读：SMCA‑DETR—— 用高斯空间先验解决 DETR 收敛慢难题 DETR原理解析 补天云计算机视觉技术原理系列
- Deformable DETR 技术详解：让 DETR 收敛速度提升 10 倍的可变形 Transformer DETR原理解析 补天云计算机视觉技术原理系列
- Conditional DETR 原理详解：解决 DETR 训练收敛慢问题 DETR原理解析 补天云计算机视觉技术原理系列
- DETR：基于 Transformer 的端到端目标检测原理详解 DETR原理解析 补天云计算机视觉技术原理系列
- Group DETR：分组式一对多分配，加速 DETR 训练收敛 DETR原理解析 补天云计算机视觉技术原理系列
- YOLOv10：实时端到端目标检测新标杆 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv9 技术原理：可编程梯度信息 PGI 与 GELAN 深度解析 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv7 技术原理详解：可训练免费包打造实时检测新标杆 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv6 技术原理详解：面向工业实践的单阶段目标检测框架 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv4 深度解析：速度与精度的最优平衡 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv3：渐进式改进的实时目标检测 YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv2 原理解读：Better，Faster，Stronger YOLO原理分析 补天云计算机视觉技术原理系列
- YOLOv1 经典作：把目标检测变成回归问题 YOLO原理分析 补天云计算机视觉技术原理系列
微信公众号：计算机视觉技术
补天云网站（补天云 · 补天云视觉实践 / 补天云QT视频课程 / 补天云软件产品）
计算机视觉三维点云技术原理：100篇长博客解析经典前沿技术原理。包括：3D目标检测、SLAM、3DGS、相机标定、点云技术。
计算机视觉前沿技术原理，100篇长博客解读经典前沿技术。包括：目标检测、图像分割、多模态；YOLOv1到v10、DETR、DINO、SAM、ViT、CLIP。
计算机视觉实践软件：A系列（70实践）、B系列（100实践）、C系列（30实践）。