一、开源库与开发框架
1.通用框架
（1）OpenCV
特点：最常用的跨平台计算机视觉库，支持图像处理、特征提取、目标检测等。
适用场景：快速原型开发、工业检测、AR应用。
语言：C++/Python/Java。
（2）TensorFlow/Keras
特点：谷歌开发的深度学习框架，集成CV模型（如EfficientNet、Mask R-CNN）。
适用场景：训练自定义视觉模型。
工具扩展：TensorFlow Lite（移动端部署）、TFX（生产级流水线）。
（3）PyTorch
特点：研究首选框架，动态计算图，社区活跃（如Detectron2目标检测库）。
适用场景：学术研究、复杂模型实验（如3D视觉）。
2.专用工具包
（1）MMCV（OpenMMLab）
特点：模块化设计，支持检测、分割、动作识别等任务。
子项目：MMDetection（检测）、MMSegmentation（分割）。
（2）Hugging Face Transformers
特点：集成视觉-语言多模态模型（如ViT、CLIP）。
适用场景：图像分类、图文匹配。
二、数据标注工具
1. LabelImg
功能：矩形框标注（支持PASCAL VOC/YOLO格式）。
适用场景：目标检测数据标注。
2. LabelMe
功能：多边形/语义分割标注（JSON格式输出）。
适用场景：分割任务（如医学图像）。
3. CVAT（Computer Vision Annotation Tool）
功能：企业级标注工具，支持视频标注、团队协作。
部署：支持Docker本地化部署。
三、预训练模型与平台
1. TorchVision/PyTorch Hub
资源：提供ResNet、YOLOv5等预训练模型一键调用。
2. TensorFlow Hub
资源：包含EfficientNet、MobileNet等模型，支持迁移学习。
3. Roboflow
特点：一站式数据管理平台，支持数据增强、模型训练与部署。
适用场景：中小团队快速迭代视觉项目。
四、部署与优化工具
1. ONNX Runtime
功能：跨框架模型转换与加速（如PyTorch→ONNX→TensorRT）。
2. TensorRT（NVIDIA）
功能：高性能推理优化，支持INT8量化。
适用硬件：NVIDIA GPU。
3. OpenVINO（Intel）
功能：优化模型在Intel CPU/GPU上的推理速度。
适用场景：边缘设备（如工业摄像头）。
五、选择建议
初学者/快速验证：OpenCV + Roboflow + YOLOv8（PyTorch）。
工业场景：Halcon（高精度）或 OpenVINO（边缘部署）。
学术研究：PyTorch + Detectron2 + W&B。