编程导航学习网站：学编程、做项目、拿 Offer！

企业高频面试题库：开始刷题，面试遇原题！

精选简历模板大全：1 分钟搞定简历！

AI 资源导航网站：获取最新 AI 黑科技！

1 对 1 模拟面试：随时随地提升面试能力

计算机视觉求职高频面试题：开始刷题

⭐️ 推荐先观看 鱼皮的保姆级 AI 指南视频，快速掌握程序员必知必会的 AI 概念、AI 工具、AI 开发技术、AI 编程技巧。

开篇介绍

计算机视觉（Computer Vision，CV）是人工智能的重要分支，让计算机能够 "看懂" 图像和视频，从而实现图像识别、目标检测、图像分割、人脸识别等任务。计算机视觉的目标是让机器具备人类的视觉能力，理解和分析视觉世界。

计算机视觉的发展历程可以追溯到 20 世纪 60 年代，但真正的突破是在深度学习时代。2012 年，AlexNet 在 ImageNet 竞赛中取得压倒性胜利，标志着深度学习在计算机视觉领域的崛起。随后，VGG、ResNet、YOLO、Mask R-CNN 等经典模型不断涌现，计算机视觉技术突飞猛进。

为什么要学计算机视觉？

计算机视觉是 AI 应用最广泛的领域之一，从人脸识别到自动驾驶，从医疗影像分析到安防监控，从美颜相机到 AR 滤镜，计算机视觉无处不在。而且计算机视觉工程师的薪资非常高，一线城市的 CV 算法工程师平均薪资在 30-60K，资深专家可以达到 60-150K+。

计算机视觉主要包括几大任务：图像分类（识别图像中的物体类别）、目标检测（定位和识别图像中的多个物体）、图像分割（对图像进行像素级分类）、人脸识别、姿态估计、图像生成等。经典的 CV 模型包括 VGG、ResNet、YOLO、Faster R-CNN、U-Net、GAN 等。

在 AI 大模型时代，计算机视觉也在快速发展。视觉大模型（如 CLIP、SAM）的出现，让计算机视觉和自然语言处理相结合，实现了零样本学习、开放词表检测等新能力。掌握计算机视觉，不仅能让你开发传统的 CV 应用，还能参加视觉大模型的研究和应用。

学习前提

学习计算机视觉建议先掌握：

1. 机器学习基础：理解监督学习、模型评估等基本概念。关于机器学习的详细学习，可以查看 机器学习学习路线
2. 深度学习基础：理解神经网络、CNN 等。关于深度学习的详细学习，可以查看 深度学习学习路线
3. Python 编程：熟练使用 NumPy、OpenCV 等库。关于 Python 的详细学习，可以查看 Python 学习路线

学习路线图

就业方向

学完计算机视觉后，可以从事以下岗位：

1. 计算机视觉算法工程师：开发和优化 CV 算法
2. 图像处理工程师：处理和分析图像数据
3. 自动驾驶算法工程师：开发自动驾驶的视觉系统
4. 人脸识别算法工程师：开发人脸识别系统
5. AI 应用开发工程师：将 CV 技术集成到产品中

整体学习建议

1）先学深度学习：计算机视觉主要基于深度学习，特别是 CNN。建议先学好深度学习基础，再学习计算机视觉。

2）理论结合实践：计算机视觉既要理解算法原理，也要会动手实现。建议先用现成的库（如 OpenCV、PyTorch）快速实现，再深入理解原理。

3）关注经典论文：计算机视觉发展很快，经典论文是学习的重要资源。建议读一些经典论文（如 ResNet、YOLO、Mask R-CNN），理解算法的创新点。

4）多做实战项目：计算机视觉的学习一定要结合实际项目。可以从图像分类开始，逐步学习目标检测、图像分割等任务。

5）善用 AI 工具：学习计算机视觉时可以用 AI 工具辅助理解概念、调试代码。可以多看看 AI 资源大全 中的工具。

阶段 1：图像处理基础（15-20 天，仅供参考）

学习目标

掌握图像处理的基础知识，能够使用 OpenCV 进行基本的图像操作。

知识点

图像基础【必学】：

• 图像的表示（像素、RGB、灰度图）
• 图像的读取和显示
• 图像的基本操作（裁剪、缩放、旋转）
• 色彩空间转换（RGB、HSV、灰度）

图像处理【必学】：

• 图像滤波（高斯滤波、中值滤波）
• 边缘检测（Canny、Sobel）
• 形态学操作（腐蚀、膨胀）
• 图像增强

特征提取【建议学】：

• SIFT、SURF 特征【可不学】
• HOG 特征【可不学】

OpenCV 库【必学】：

• OpenCV 的安装和使用
• 常用函数

学习建议

1）OpenCV 是计算机视觉的基础库，提供了大量图像处理函数。虽然深度学习时代很多任务不需要手动特征提取，但理解传统图像处理方法仍然重要。

2）图像增强技术（如亮度调整、对比度调整、翻转、旋转等）在数据增强中非常常用，可以提高模型的泛化能力。

3）这个阶段主要是打基础，不要花太多时间在传统图像处理方法上。重点是熟悉 OpenCV 的使用，理解图像的基本操作。

学习资源

• ⭐ OpenCV 官方文档：最权威的学习资料

阶段 2：卷积神经网络（CNN）（20-25 天，仅供参考）

卷积神经网络（CNN）是计算机视觉的基础算法，通过卷积层提取图像特征，是图像处理的核心技术。

学习目标

深入理解卷积神经网络，掌握 CNN 的各种组件和架构。

知识点

CNN 基础【必学】：

• 卷积层的原理
• 池化层的作用
• 卷积的参数（卷积核大小、步长、填充）
• 感受野

经典 CNN 架构【必学】：

• LeNet
• AlexNet
• VGG
• ResNet【重点】
• Inception / GoogLeNet【建议学】
• MobileNet、EfficientNet【建议学】

CNN 的技巧【建议学】：

• 残差连接（Residual Connection）
• 批归一化（Batch Normalization）
• 1x1 卷积
• 全局平均池化（Global Average Pooling）

学习建议

1）ResNet 是 CNN 发展的里程碑，引入了残差连接解决了深层网络的退化问题。一定要深入理解残差连接的原理和作用。

2）不同的 CNN 架构有不同的设计理念。VGG 追求简单，ResNet 追求深度，Inception 追求宽度，MobileNet 追求轻量化。理解这些设计理念对设计自己的网络很有帮助。

3）这个阶段的内容在深度学习学习路线中也有涉及，可以结合深度学习路线一起学习。

学习资源

• ⭐ 吴恩达计算机视觉教程：2025 版，49 集
• 深度学习学习路线：完整的深度学习路线

阶段 3：图像分类（15-20 天，仅供参考）

图像分类是计算机视觉的经典任务，通过训练模型识别图像中的对象类别。

学习目标

掌握图像分类任务，能够训练和部署图像分类模型。

知识点

图像分类任务【必学】：

• 数据集（ImageNet、CIFAR-10、MNIST）
• 数据预处理和增强
• 模型训练流程
• 模型评估（准确率、混淆矩阵）

迁移学习【必学】：

• 预训练模型
• 微调（Fine-tuning）
• 特征提取

模型优化【建议学】：

• 学习率调整
• 早停（Early Stopping）
• 模型集成

学习建议

1）图像分类是计算机视觉最基础的任务，也是学习其他任务的基础。要熟练掌握图像分类的完整流程。

2）迁移学习是实际项目中最常用的方法。使用预训练模型可以大大减少训练时间和数据需求，而且效果往往更好。

3）数据增强非常重要，可以提高模型的泛化能力。常见的数据增强方法包括翻转、旋转、裁剪、颜色抖动等。

4）这个阶段可以在 Kaggle 上参加图像分类竞赛，如 Dogs vs. Cats、Plant Pathology 等，积累实战经验。

学习资源

• ⭐ PyTorch 图像分类教程：官方教程
• Kaggle - Dogs vs. Cats：经典竞赛

阶段 4：目标检测（25-30 天，仅供参考）

目标检测是计算机视觉最重要的任务之一，应用非常广泛。目标检测不仅要识别物体，还要定位物体的位置。

学习目标

掌握目标检测任务，能够使用 YOLO、Faster R-CNN 等模型进行目标检测。

知识点

目标检测基础【必学】：

• 目标检测的定义（分类 + 定位）
• 边界框（Bounding Box）
• IoU（Intersection over Union）
• NMS（Non-Maximum Suppression）

两阶段检测器【必学】：

• R-CNN
• Fast R-CNN
• Faster R-CNN

单阶段检测器【必学】：

• YOLO 系列（YOLOv3、YOLOv5、YOLOv8）【重点】
• SSD
• RetinaNet

目标检测数据集【必学】：

• COCO
• Pascal VOC

学习建议

1）YOLO 是目前最流行的目标检测算法，速度快、效果好。YOLOv5 和 YOLOv8 是目前最常用的版本，一定要熟练掌握。

2）Faster R-CNN 是两阶段检测器的代表，精度高但速度慢。YOLO 是单阶段检测器的代表，速度快但精度稍低。要理解两种方法的区别和适用场景。

3）目标检测的评估指标主要是 mAP（mean Average Precision），要理解 mAP 的计算方法。

学习资源

• 目标检测与图像分割教程：YOLO/UNET/Mask R-CNN
• 计算机视觉实战教程：2024 图像分割

阶段 5：图像分割（20-25 天，仅供参考）

图像分割是将图像划分为不同区域的技术，包括语义分割、实例分割等，应用于医疗影像、自动驾驶等领域。

学习目标

掌握图像分割任务，能够使用 U-Net、Mask R-CNN 等模型进行图像分割。

知识点

图像分割基础【必学】：

• 语义分割（Semantic Segmentation）
• 实例分割（Instance Segmentation）
• 全景分割（Panoptic Segmentation）【可不学】

经典分割模型【必学】：

• FCN（全卷积网络）
• U-Net【重点】
• Mask R-CNN
• DeepLab 系列【建议学】

分割数据集【必学】：

• COCO
• Cityscapes
• Pascal VOC

学习建议

1）图像分割是像素级的分类任务，比目标检测更精细。语义分割对每个像素分类，实例分割还要区分不同实例。

2）U-Net 是图像分割最经典的模型，在医学图像分割中应用广泛。U-Net 的编码器-解码器结构和跳跃连接是其核心特点。

3）Mask R-CNN 是在 Faster R-CNN 基础上增加了分割分支，可以同时进行目标检测和实例分割。

4）图像分割的评估指标主要是 IoU 和 Dice 系数，要理解这些指标的含义。

阶段 6：项目实战（20-60 天，仅供参考）

学习目标

通过实际项目巩固所学知识，积累项目经验。

学习建议

1）从简单项目开始：如 MNIST 手写数字识别、CIFAR-10 图像分类等，熟悉完整的 CV 项目流程。

2）参加 Kaggle 竞赛：Kaggle 有很多 CV 竞赛，如图像分类、目标检测、图像分割等，可以学习到最前沿的技术。

3）复现经典论文：选择一些经典的 CV 论文（如 ResNet、YOLO、U-Net），尝试复现其结果。

4）关注实际应用：根据自己的兴趣，选择一个应用方向（如人脸识别、自动驾驶、医学影像）深入学习。

项目推荐

入门级项目：

• MNIST 手写数字识别
• CIFAR-10 图像分类
• 猫狗分类
• 人脸检测

进阶级项目：

• ImageNet 图像分类
• YOLO 目标检测
• U-Net 图像分割
• 人脸识别系统
• 车牌识别系统

Kaggle 竞赛：

• Dogs vs. Cats
• Plant Pathology

优质开源项目：

• ⭐ Ultralytics YOLO：32k+ stars，最新的 YOLOv8/YOLOv10 目标检测项目
• ⭐ 500 AI Computer Vision Projects：超大型 CV 项目集合
• YOLOv10：11k+ stars，清华最新 YOLO 实时目标检测模型
• Top 100 Computer Vision Projects：精选 100 个计算机视觉项目创意
• Severstal Steel Defect Detection

学习资源

• ⭐ Kaggle：数据科学竞赛平台
• 深度学习 100 例：目标检测等项目

阶段 7：求职备战（面试前 1 个月突击）

学习目标

熟练掌握计算机视觉常见面试题，准备好简历和项目经历，顺利通过面试。

学习建议

1）打磨简历和项目：简历上一定要有 CV 项目经历，如做过的图像分类、目标检测、图像分割项目等。建议使用 老鱼简历 制作简历，关于如何写好简历，推荐学习鱼皮的 保姆级写简历指南。

2）准备模型讲解：面试时可能会要求讲解某个模型的原理，如 ResNet、YOLO、U-Net 等。要能够清楚地讲解模型的结构和创新点。

3）准备项目经历：面试时一定会问项目经历，要能够清楚地介绍项目背景、使用的模型、数据处理、模型优化、最终效果等。

更多求职干货：编程导航求职干货分享

经典面试题

CNN 基础：

1. 卷积层和全连接层有什么区别？
2. 什么是感受野？如何计算感受野？
3. 1x1 卷积有什么作用？
4. 池化层有什么作用？

经典模型：

1. ResNet 的残差连接有什么作用？
2. Inception 模块的设计思想是什么？
3. MobileNet 如何实现轻量化？
4. 批归一化（BN）的作用是什么？

目标检测：

1. YOLO 和 Faster R-CNN 有什么区别？
2. 什么是 IoU？如何计算？
3. 什么是 NMS？为什么需要 NMS？
4. 什么是 Anchor？

图像分割：

1. 语义分割和实例分割有什么区别？
2. U-Net 的结构有什么特点？
3. Mask R-CNN 是如何工作的？
4. 图像分割的评估指标有哪些？

面试题库

• ⭐ AI 应用面试题 - 面试鸭
• 深度学习面试题 - 面试鸭
• 机器学习面试题 - 面试鸭

求职资源

• ⭐ 鱼皮的保姆级求职指南：从简历到面试的完整指南
• ⭐ 鱼皮的保姆级写简历指南：如何写出高质量简历
• 编程导航的求职干货分享：求职经验和技巧
• 老鱼简历：写简历工具 + 简历模板大全
• 真实面经大全：了解真实的面试流程
• 几百场真实面试视频：观看他人的面试过程
• 1 对 1 模拟面试：AI 模拟面试练习
• 面试题讲解视频：面试鸭官方题解

持续学习资源

知识总结

• ⭐ 编程导航：学习路线、项目教程、面试题、编程资源一站式平台
• ⭐ AI 资源大全：AI 学习和开发资源导航
• 机器学习学习路线：完整的机器学习路线
• 深度学习学习路线：完整的深度学习路线

技术博客

• Google DeepMind：计算机视觉前沿研究
• OpenAI Blog：视觉模型研究进展
• Meta AI：计算机视觉研究
• NVIDIA Developer Blog：GPU 加速视觉计算

论文和资源

• Papers with Code：论文和代码
• arXiv：论文预印本
• CVPR、ICCV、ECCV：计算机视觉顶会论文

写在最后

计算机视觉是人工智能应用最广泛的领域之一，从人脸识别到自动驾驶，从医疗影像到安防监控，计算机视觉正在改变各行各业。计算机视觉的学习曲线相对陡峭，既需要深度学习基础，也需要大量的实践经验，但计算机视觉的应用场景非常丰富，值得深入学习。

学习计算机视觉要理论结合实践，多做项目，多读论文。从图像分类开始，逐步学习目标检测、图像分割。关注经典论文和最新进展，了解 CV 领域的发展趋势。

在 AI 大模型时代，计算机视觉也在快速发展。视觉大模型的出现，让计算机视觉和自然语言处理相结合，实现了更强大的能力。掌握计算机视觉，不仅能让你开发传统的 CV 应用，还能参加视觉大模型的研究和应用。

希望这份学习路线能够帮助大家少走弯路，更高效地掌握计算机视觉。

加油小伙伴们 💪🏻！

程序员必备资源

1）程序员学习交流圈：极客教程、实战项目、求职宝典

2）程序员面试八股文：实习/校招/社招高频考点、企业真题解析

3）程序员写简历神器：专业模板、丰富例句、直通面试

4）AI 知识资源大全：前沿技术、最新 AI 资讯、提示词大全

5）1 对 1 模拟面试：实习/校招/社招面试拿 Offer 必备