在当今的数据驱动时代，企业面临着从简单的表格到PB级别的数据湖等多种数据源。这些数据大多是机器或用户生成的文本，无论是作为输入还是动作。数据无疑使公司能够构建更好的产品，吸引更多客户，降低成本等。然而，计算机视觉技术的进步为洞察力创造了一个新的维度。
计算机视觉开启新的分析洞察
都听说过“一张图片胜过千言万语”的说法。计算机视觉（CV）使这成为数字现实。通过分析照片或视频等视觉媒体来获得对世界的新的洞察。以下是可以在数据工作流程中使用的三种类型的CV数据：
也许是最常见的用例，CV模型可以检测和识别图像和视频中看到的对象。这可以是识别一个标志在广告中出现的次数，或者是在西雅图最流行的雨衣颜色是什么。
这允许分析师研究对象在特定区域停留的时间。区域停留时间指标可以帮助确定客户在特定商店区域花费的时间。
跟踪对象的移动提供了额外的数据，以支持交通流量分析和制造监控等用例。
计算机视觉提升分析和数据科学
将来自CV模型的数据集成到分析和数据科学工作负载中，显著增强了分析的深度，并推动了机器学习模型的改进。视觉数据提供了传统手段无法获得的细节和上下文水平。它使分析师能够探索以前无法访问的数据的细微方面。此外，现在可以提出更多特定于上下文的问题。
为了使机器学习模型改进，必须不断进行学习和迭代。通过整合来自现实世界的洞察，组织可以以不可能通过文本实现的方式提高其模型的准确性和性能。这种视觉数据流确保了一个完整的反馈循环，并推进了机器学习算法。
将计算机视觉集成到数据栈中的方法
分析现有媒体以提取历史数据，揭示错过的趋势和模式，为机器学习模型训练提供数据。历史数据分析的一个应用是在评估停车场利用率。拥挤的停车场对于急于离开的人来说并不有趣。了解停车需求趋势可以帮助为未来做计划。
是否应该为店面购买更多预留停车位？如何优化广告信息以减少拥堵？查看Roboflow Universe上的PKLot数据集，构建自己的停车场模型！
为现有的二维数据工作负载添加一层上下文。在许多行业中，视觉被用来补充现有的工作负载，收集可以用来提高生产力、销售、可靠性等方面的洞察。
视觉补充工作负载的一个例子是在零售业。零售商经常面临产品放置位置、库存量和人员配置的挑战。每日销售报告只是讲述部分故事的一个数据点。
<table>
<tr>
<th>产品</th>
<th>单位销售量</th>
<th>单价（$）</th>
<th>总销售额（$）</th>
<th>位置</th>
<th>平均停留时间（秒）</th>
<th>独立访客数</th>
</tr>
<tr>
<td>高级咖啡混合</td>
<td>150</td>
<td>20</td>
<td>3000</td>
<td>区域1 - 杂货</td>
<td>23</td>
<td>3074</td>
</tr>
<tr>
<td>无线蓝牙耳机</td>
<td>100</td>
<td>30</td>
<td>3000</td>
<td>区域5 - 电子产品</td>
<td>240</td>
<td>956</td>
</tr>
<tr>
<td>有机洗手液</td>
<td>75</td>
<td>15</td>
<td>1125</td>
<td>区域7 - 美容</td>
<td>15</td>
<td>4032</td>
</tr>
<tr>
<td>多功能工具套装</td>
<td>50</td>
<td>25</td>
<td>1250</td>
<td>区域9 - 五金</td>
<td>153</td>
<td>1029</td>
</tr>
<tr>
<td>可重复使用水瓶</td>
<td>200</td>
<td>10</td>
<td>2000</td>
<td>区域1 - 杂货</td>
<td>23</td>
<td>3074</td>
</tr>
</table>
如果能够结合媒体来了解客户在哪些区域花费了大部分时间，这将为提供商店性能的完整画面以及如何提高每平方英尺的收入。在这个例子中，客户在电子产品区域的平均停留时间更长，因此可能有机会增加这个区域的人员配置以捕获更多销售。还看到有机洗手液的取货率非常低。这是否应该放在有机产品部分以优化空间并针对正确的买家？
查看“使用计算机视觉监控零售商店中的移动”以了解更多关于这个用例的信息！
从实时视频流中立即获得洞察，以实现实时决策。实时分析在各个行业中都是无价的，从制造业到物流业。例如，考虑库存管理。管理库存是一个挑战，因为它通常需要手动输入和计数。跟踪库存容易出错，而不是帮助客户，员工专注于可以自动化的平凡任务。如果可以快速拍摄货架的照片来确定哪些产品需要补货呢？
查看“如何使用计算机视觉监控库存”了解如何使用Roboflow的推理服务器实现库存跟踪。
通过利用计算机视觉的丰富、上下文信息，分析师和数据科学家可以发现更深入的洞察力，并做出更明智的决策以推动创新。随着技术的进步，分析中的计算机视觉准备变得更加重要，为数据驱动的决策开辟新的领域。