快速入门
在概述中，我们已经介绍了 SSCMA 提供的功能和特性。考虑到 SSCMA 分为多个不同的模块，每个模块完成其相应的任务，我们建议按照以下步骤快速入门。
tip
入门指南
模型部署
如果您想在设备上部署模型，请参考部署部分，了解如何部署模型。
模型训练
如果您想训练模型，我们强烈建议您首先尝试在 Colab 平台上训练模型。您可以参考以下教程：
目标检测
图像分类
高级
-
然后，熟悉SSCMA的基本使用方法：
-
模型部署。如果您想在边缘计算设备上部署导出的训练模型，请参考部署
-
自定义数据集。如果您想在自定义数据集上进行训练，请参考数据集。
-
自定义模型。如果您想修改现有的神经网络或设计自己的神经网络，请参考模型配置。
必要知识
📸 计算机视觉：
计算机视觉的基础建立在数字图像处理之上。因此，您需要首先学习数字图像处理的基础知识。然后您可以继续阅读计算机视觉主题，如模式识别和3D几何。您需要了解线性代数，以便能够完全理解计算机视觉的一些概念，如降维。在理解计算机视觉的基础知识后，您还应该建立深度学习方面的知识，特别是卷积神经网络（CNN）。
💻 编程：
Python对于设计和原型制作来说已经足够，但如果您想做一些嵌入式工作，您还应该熟悉C++。
🧰 工具：
OpenCV是计算机视觉的主要工具，Numpy是数据处理和分析的重要工具。您必须了解它们。您永远不知道，但您应该知道有哪些工具可用以及如何使用它们。如何使用它们。您需要熟悉的另一个工具是深度学习框架。框架。您可以从最容易学习的Keras开始，然后学习Tensorflow或PyTorch。