import cv2 as cvnet = cv.dnn.readNetFromONNX("lama.onnx")blob = cv.dnn.blobFromImages([img, mask], scalefactor=1/255.)net.setInput(blob)out = net.forward() # inpainted imag
这类能力说明OpenCV 5的DNN模块已经覆盖到更广的现代视觉任务，不再只是传统意义上的分类、检测和分割。
特征匹配也进入深度学习时代
特征检测和匹配是OpenCV最经典的任务之一。图像拼接、图像对齐、三维重建，很多系统都从SIFT、ORB、FAST这些传统特征开始。OpenCV 5保留了这些经典方法，同时把现代学习式特征匹配作为一等公民引入。
新的Features模块替代原来的Features2D，加入了完整的神经网络式检测、描述和匹配流程。
cv::ALIKED是基于CNN的关键点检测与描述方法，可以像SIFT或ORB一样嵌入已有调用位置；
cv::DISK是通过强化学习训练出来的学习式特征，在宽基线和低纹理场景中更有优势；
cv::LightGlueMatcher则是基于Attention的匹配器，可以输出带置信度的匹配结果，并能接入图像拼接模块。
这不是“新方法替代旧方法”，而是让开发者有了更灵活的选择：简单场景继续用稳定、轻量的传统特征；困难场景则可以直接尝试学习式特征和LightGlue匹配。
核心库更快，也更现代
OpenCV 5并不只是在DNN上做文章。底层core模块也做了很多会影响日常开发体验的改动。
首先是数据类型。OpenCV 5加入了原生FP16，也就是cv::hfloat和CV_16F，还加入了BF16，也就是cv::bfloat和CV_16BF，同时补齐了bool、64位整数等类型。现代AI工作负载大量使用这些数据类型，原生支持意味着少做很多来回转换。
其次是更完整的N维数组和标量支持。过去cv::Mat至少需要二维，这在处理标量、1D数组以及很多模型中间结果时并不自然。OpenCV 5的cv::Mat可以表示0D标量和1D数组，并加入broadcasting，以及transposeND、flipND等N维操作。很多过去需要手工reshape、扩维、挤维的代码，可以变得更直接。
语言层面也更清爽：历史包袱很重的C API正式进入弃用状态；C++17成为最低推荐标准，后续5.x还计划引入C++20 modules；Python侧支持NumPy 2.x，并且让C++算法在Python里更好地支持命名参数。也就是说，过去必须记住一串位置参数的调用，现在可以写成cv.someAlgorithm(threshold=0.5)这种更直观的形式。
硬件加速：让同一套代码跑在更多芯片上
OpenCV 5里还有一个不那么显眼、但非常关键的变化：重新设计了Hardware Acceleration Layer，也就是HAL。
过去支持不同硬件，常常意味着大量条件编译、重复实现和分散在各处的优化代码。OpenCV 5希望把这件事收敛到一套干净的HAL契约里：硬件厂商可以为自己的芯片接入优化kernel，OpenCV在可用时自动调用，开发者的上层代码不用改。
目前已经接入或推进的路径包括：Intel IPP/IPPICV，这是OpenCV早期就很重要的x86/x64加速路径；Arm KleidiCV，面向AArch64，使用NEON、SVE和SME加速核心图像处理与DNN kernel；Qualcomm FastCV，面向Snapdragon等移动平台，可通过Hexagon DSP和NPU加速；RISC-V Vector，也就是RVV，相关工作主要由OpenCV China推动。
底层还有Universal Intrinsics 2.0，用一套向量化代码映射到SSE、AVX2/512、NEON、SVE、RVV等不同指令集。对开发者来说，理想状态很简单：写一次OpenCV代码，落到不同硬件上时尽量自动走最优路径。
3D视觉模块重新整理
OpenCV的3D能力这些年一直在增长，但旧的calib3d模块已经越来越像一个“大抽屉”。OpenCV 5把相关能力拆成三个更清晰的模块：3d、calib和stereo。
3d模块负责基础3D几何与视觉能力，包括I/O、几何基本元素、ICP等算法，以及部分SLAM相关能力；calib模块负责相机标定，包括单相机标定和重构后的多相机标定流程；stereo模块负责双目深度。
更值得注意的功能包括：通过calibrateMultiview进行多相机标定，也就是N相机bundle adjustment；通过registerCameras做相机间外参注册，并支持手眼标定、机器人世界标定等机器人场景；通过loadPointCloud、savePointCloud、loadMesh、saveMesh读写点云和网格，支持OBJ、PLY；通过TSDF、HashTSDF和ColorTSDF完成稠密RGB-D融合，并加入视觉里程计；此外还有包含MAGSAC的现代USAC框架，以及RANSAC平面和球体拟合。
如果你的工作涉及SfM、机器人、三维重建或RGB-D融合，这次调整不是简单改名，而是一次实用的能力升级。
文档终于更好用了
OpenCV 5的文档也重做了。新的文档系统从纯Doxygen转向Sphinx + Doxygen，带来了更现代的阅读体验：左侧导航常驻，手写教程和自动生成的API参考放在一起，Python签名可以和C++一起展示，提交前还有链接检查，整体样式也更清爽。
这类变化听起来不如DNN引擎重写那么“硬核”，但对日常开发非常重要。很多人学习OpenCV、查函数签名、找样例代码，首先接触的就是文档。文档少一点阻力，库本身就更容易被用起来。
OpenCV 5.0到底带来了什么
要点：ONNX算子覆盖率从4.x时期的大约22%提升到80%以上；DNN引擎重写为图引擎，支持融合、动态shape和统一buffer pool；可以通过ENGINE_ORT接入ONNX Runtime；LLM/VLM支持进入DNN模块，内置tokenizer和KV-cache；动态shape ONNX由新的形状推理引擎原生支持；cv::Mat支持0D标量和1D数组；数据类型补齐FP16、BF16、bool、64位整数等。
这些变化合在一起，说明OpenCV 5不是简单增加几个函数，而是在补现代视觉应用所需要的底层能力。
下一步：GPU版DNN引擎，以及非CPU HAL
OpenCV 5.0是一次大更新，但更像是一个新架构的起点。接下来最值得关注的，是两条路线。
第一条是新DNN引擎的原生GPU支持。当前官方展示的DNN benchmark主要在CPU上运行，新图引擎也是CPU优先。如果现在要GPU推理，可以使用ONNX Runtime后端以及CUDA、TensorRT等execution provider。OpenCV后续希望把GPU加速带入自己的原生图引擎，让开发者仍然通过同一个Net API拿到GPU速度，而不是必须额外引入独立运行时。
第二条是非CPU HAL，用于加速前处理和后处理。真实视觉流水线里，模型推理往往只是其中一部分。每一次forward前后都有resize、颜色转换、归一化、letterbox、NMS、mask resize、结果绘制等步骤。今天很多系统是CPU做前后处理，加速器做推理，数据在CPU和GPU/NPU之间来回搬。很多时候，真正的瓶颈不是模型，而是这些搬运。
非CPU HAL的目标，是让常见imgproc函数也能跑在GPU、NPU或其他加速器上。理想流程是：帧保留在加速器上，resize和normalize在上面做，推理在上面做，后处理也在上面
结语
OpenCV 5的意义，不在于多了几个新函数，而在于它把OpenCV带回了现代计算机视觉开发的主战场。全新的DNN引擎解决了最常见的模型部署痛点，核心库和Python接口减少了日常摩擦，HAL为异构硬件打开了更干净的加速路径，3D视觉和特征匹配也补上了近年来的发展。
更重要的是，OpenCV 5没有抛弃庞大的既有用户。经典引擎还在，传统特征还在，已有API尽量保持不变。它一边激进现代化，一边保留兼容性。对这样一个被广泛嵌入科研、教学和工程系统的基础库来说，这种克制很重要。
如果说OpenCV过去二十多年是计算机视觉应用的“基础水电”，那么OpenCV 5就是一次面向AI时代的管线改造。它不会让所有问题一夜之间消失，但它让很多过去绕不开的麻烦，终于有了更干净的解决路径。
使用OpenCV 5
想尽快尝试，可以关注以下入口：
GitHub：https://github.com/opencv/opencv/tree/5.x
Wiki：https://github.com/opencv/opencv/wiki/OpenCV-5
文档：https://docs.opencv.org
官网与下载：https://opencv.org
在「OpenCV与AI深度学习」公众号后台回复：Pytorch函数手册，即可下载学习全网第一份Pytorch函数常用手册，包括Tensors介绍、基础函数介绍、数据处理函数、优化函数、CUDA编程、多处理等十四章内容。
在「OpenCV与AI深度学习」公众号后台回复：OpenCV145，即可下载学习145个OpenCV实例应用代码（Python和C++双语言实现）。
</opencv2>
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
下一主题
