文/Jeff Bier，EVA创始人

自从2011年嵌入式视觉联盟（EVA）成立以来，嵌入式视觉在广泛的市场范围内，在投资、创新和实用视觉技术的使用方面，都取得了前所未有的增长。为了帮助人们理解技术选择和趋势，EVA每年对产品开发人员进行一次年度调查。             

最新一轮的年度调查于2018年11月完成，在此次调查中，93%的受访者表示，他们预计其组织在未来一年内与视觉相关的业务会增加（61%的受访者预计会大幅增加）。而如果没有大量的新算法和开发工具来加速视觉系统的采用，这种增长预期增是不可能实现的。  

有三个基本因素正在推动着视觉系统的采用。视觉系统越来越             

•适用于各种实际应用             

•能以低成本和低功耗部署             

•可供非专业人员使用             

传统上，计算机视觉应用依赖于为每个特定应用设计高度专业化的算法,而这是一项非常耗时耗力的辛苦工作。这意味着为计算机视觉设计算法是一件困难的事，因此这一点也显著减缓了视觉系统的采用。此外，这使得新的视觉应用非常昂贵且耗时。             

然而，计算机视觉已经变得越来越普及。换句话说，开发基于计算机视觉的算法、系统和应用以及大规模部署这些解决方案，正变得越来越容易，从而使更多的开发人员和组织能够将视觉融入到他们的系统中。             

深度学习是这种趋势的驱动因素之一。由于深度学习算法的普遍性，因此对开发专用算法的需求越来越少。相反，开发人员可以将它们的主要精力转移到在可用的算法中选择适合自身应用的算法，然后获得必要数量的培训数据。             

深度神经网络（DNN）已经改变了计算机视觉，在识别物体、在一帧内定位物体以及确定哪个像素属于哪个物体等任务上，DNN能够提供优越的结果。即使之前能够用传统技术解决的问题，现在使用深度学习技术也能提供更好的解决方案。             

因此，计算机视觉开发人员正在越来越多地采用深度学习技术。在EVA最近开展的调查中，59%的视觉系统开发人员表示已经在使用DNN（比两年前的34%大幅增加）。另外28%的开发人员表示计划在不久的将来使用DNN实现视觉智能化。             

简化计算机视觉开发和部署的另一个关键因素是云计算和更好的开发工具的兴起。例如，现在的工程师再也不用花费数天或数周的时间安装和配置开发工具，他们可以即时访问云中预先配置的开发环境。同样，当需要大量的计算能力来训练或验证神经网络算法时，这种计算能力可以在云中快速、经济地获得。             

云计算为许多视觉系统的初始部署提供了一条简单的路径，即使最终开发人员将转向边缘计算以降低成本的情况下也是如此。EVA最近的调查发现，75%的受访者（在产品中使用深度神经网络进行视觉理解）在边缘部署这些神经网络，而42%的受访者使用云。这些数字总计超过100%，因为一些受访者两种方法都使用。