简介：人脸识别技术在企业考勤、安防验证等场景应用广泛，但云端API调用往往面临隐私泄露与网络依赖问题。基于OpenCV与Python的本地化方案，利用LBPH局部二值模式直方图算法，通过采集人脸图像、提取纹理特征并计算特征距离，实现轻量级身份匹配。该方案完全离线运行，无需GPU与外部API，具备低成本、高可控性，适合办公室考勤、实验室门禁及毕业设计等场景。文章从环境配置、数据集构建、模型训练、置信度阈值调整，到SQLite考勤逻辑与防重复打卡机制，完整拆解一套可复现的人脸识别考勤系统，并分享Haar级联与DNN检测器的实战对比及多个踩坑记录，帮助开发者快速落地。 人脸识别考勤系统，第一反应是不是觉得得用商汤、旷视那种云端API才能搞定？其实完全不是。我之前在一家小公司做内部工具，预算基本为零，又不想把员工人脸数据传到外部平台，最后用OpenCV加Python从零搭了一套本地的人脸识别打卡系统，训练、识别、考勤记录全都在内网跑，效果够用，成本就是几台普通电脑和摄像头。这套项目后来被我整理成了源码加文档的形式，很多做毕设、搞课程设计或者想给团队做个轻量打卡工具的朋友都拿去参考过。

这篇文章就把这套系统的完整实现思路拆开来讲——从选型、环境搭建、数据采集、模型训练，到考勤逻辑和数据库落地，再到我实际跑项目时踩过的几个坑。不追求炫技，重点是可复现、可扩展。内容偏实战，适合有一定Python基础、想快速搭一套可演示人脸识别考勤系统的开发者，也适合拿来做毕业设计的准备素材。

1. 为什么用OpenCV自己训练，而不是调云平台接口或者买现成门禁机

先聊选型。很多人一听到人脸识别考勤，第一反应是买一台人脸识别门禁机，几百到几千不等，配好就能用。但如果只是给一个几十人的团队做内部考勤，或者想彻底搞懂原理、做一次完整的技术实践，门禁机基本就是个黑盒，你看不到里面的数据流和算法细节，也没法按自己的需求改逻辑。云端API方案又涉及网络依赖和隐私合规，不适合所有场景。

OpenCV这条路的优势在于三件事：完全本地化、零API费用、代码可控。考勤是敏感场景，人脸特征数据如果能完全留在本地，至少少了一层顾虑。OpenCV内置的face模块提供了三种经典的人脸识别算法——EigenFaces、FisherFaces和LBPH（Local Binary Patterns Histograms），各有特点：

算法 原理 训练速度 识别速度 光照敏感度 适用场景
EigenFaces 主成分分析降维人脸 快 快 较高 受控光照、正脸
FisherFaces 线性判别分析，类间距离最大 中 快 中等 样本均衡、光照变化不大
LBPH 局部二值模式直方图 快 快 较低 光照变化、轻量级本地应用

我最终选了LBPH。原因很简单：考勤场景的光照不是完全可控的，早晨和傍晚、晴天和阴天，办公室的光线差异很大。EigenFaces和FisherFaces需要把图像拉成一维向量做全局特征提取，对光照很敏感；LBPH做的是像素局部纹理特征，对光照变化有更好的鲁棒性，而且训练时不需要GPU，一台普通笔记本几十秒就能训完。

另外，OpenCV的人脸检测可以用Haar级联分类器，也可以加载DNN模型做深度学习检测。初版为了减少外部依赖，我用的是OpenCV自带的Haar级联模型，因为随手就能加载，不需要额外下载权重文件。后面优化版本再换成DNN，识别精度和侧脸适应能力都提升了一个档次，这部分后面会单独讲。

1.1 系统整体模块划分

整套系统拆成五个独立模块，各管一摊，后面要扩展功能也不用推倒重来：

  • 人脸采集模块：调用摄像头捕获人脸，预处理后存成训练集。
  • 人脸检测模块：从画面中定位人脸位置，我用的Haar级联，OpenCV自带的模型文件。
  • 模型训练模块：基于LBPH算法，把人脸图像转成特征模型文件。
  • 识别与考勤模块：实时识别画面中的人脸，匹配到员工后写入考勤记录。
  • 数据管理模块：SQLite本地库，存储员工信息和打卡记录。

这套划分思路其实就是把“识别”和“业务”解耦。模型负责“这是谁”，考勤逻辑负责“该不该记、该怎么记”，两个环节各自独立，即使以后换了深度学习模型，考勤模块一行不用改。

1.2 这个项目适合谁来参考

如果你是学生，想拿它做毕设或课设，这套实现足够完整，从采集到训练到识别再到数据库，五脏俱全，而且能讲清楚原理。如果你是公司IT或运维，想给团队搞一个内部轻量打卡工具，这套代码可以用，但要注意我给的是单机版，多台机器同时打卡需要把SQLite换成MySQL或者加一层服务端接口。如果你只是想学OpenCV的实战用法，这套项目也把图像采集、灰度转换、直方图均衡化、级联分类器检测、模型训练与预测这些核心API全覆盖了，一个项目把OpenCV的常用路径走通了一遍。

2. 环境搭建时最容易翻车的三个细节

先说基础环境。系统是Windows 10，Python用的是3.9，OpenCV装的是4.5.5版本。理论上OpenCV 4.x都行，Python 3.7到3.10兼容性都很好。

2.1 opencv-python和opencv-contrib-python的区别

这是第一个坑。很多人直接pip install opencv-python，跑起来没毛病，图像打开、边缘检测都没问题，但一调用cv2.face就报错——No module named 'cv2.face'。原因很简单，LBPH识别的face模块属于OpenCV的contrib扩展，默认的opencv-python包不带。

我装的是opencv-contrib-python： 

pip install opencv-contrib-python

装完不要装重复，先卸载掉已有的opencv-python再装，不然两个包会互相覆盖文件，出各种诡异问题。

另外如果你部署在没有显示器的服务器上，可以装opencv-contrib-python-headless，省掉GUI相关依赖，但注意本机测试时摄像头没办法用，因为它不含highgui模块。

2.2 摄像头打不开的排查顺序

很多人写的第一版代码是cap = cv2.VideoCapture(0)，然后一运行cap.read()返回False，摄像头灯不亮，就开始怀疑人生。排查顺序是这样：先换索引，笔记本自带摄像头通常是0，外接USB摄像头可能是1，也可能是-1。有些笔记本的摄像头被厂商驱动特殊处理，OpenCV直接调需要先初始化Media Foundation，那就在代码里加上： 

cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)

Windows上这个参数能解决绝大多数摄像头初始化失败的问题。

2.3 中文路径和中文文件名

这个坑藏在后面。人脸采集阶段要求员工姓名作为文件夹名，训练阶段再遍历文件夹。如果你直接用中文文件夹名，在部分Windows版本上会因编码问题读取失败——OpenCV的imread不支持非ASCII路径，这是传统遗留问题。

我的处理方案是：文件夹名和数据库里的name字段都用UTF-8编码的英文标识符，比如employee_1001，显示名单独存数据库，识别时再根据ID查出中文名。这样既避免了文件系统编码问题，也让数据管理更干净。

注意：实际部署时如果非要用中文当文件夹名，可以用cv2.imdecode替代cv2.imread，但没必要绕这个弯，内部ID加外部显示名的方式更合理。

3. 人脸采集与数据集构建：识别率的第一个分水岭

我做这套系统的时候最有感触的一点——LBPH模型的识别率，很大程度上在采集阶段就决定了，而不是训练阶段。你采集的人脸数据要是模糊、角度单一、光照单一，后面调参数调出花来也没用。

3.1 采集程序怎么写才有效

采集程序的核心逻辑：循环读取摄像头帧，检测人脸，截取人脸区域，转灰度，统一尺寸，保存到员工对应的文件夹。 

import cv2
import os

def collect_faces(employee_id, save_dir="dataset", max_count=100):
    person_dir = os.path.join(save_dir, employee_id)
    os.makedirs(person_dir, exist_ok=True)

    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    face_cascade = cv2.CascadeClassifier(
        cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
    )

    count = 0
    while count < max_count:
        ret, frame = cap.read()
        if not ret:
            print("读取摄像头失败")
            break

        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(
            gray, scaleFactor=1.1, minNeighbors=5, minSize=(100, 100)
        )

        for (x, y, w, h) in faces:
            face = gray[y:y + h, x:x + w]
            face = cv2.resize(face, (200, 200))
            cv2.imwrite(os.path.join(person_dir, f"{count:04d}.jpg"), face)
            count += 1

            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        cv2.putText(frame, f"collected: {count}/{max_count}", (10, 30),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)
        cv2.imshow("collect", frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()
    print(f"采集完成，共保存 {count} 张图片到 {person_dir}")

3.2 采集时的关键经验

采集数量：我按每个员工100张采集。你可以少一点，60张也能训，但100张在光照和角度变化上覆盖更充分。注意采集时让面部稍微转动，左右转头、抬头低头都拍一点，不然模型只认正脸，侧一点就报Unknown。

采集环境：尽量在考勤实际使用的场景采集。如果考勤机放在门口，那采集也尽量在门口那个位置采，光照条件一致会让识别率明显提升。我第一版在工位采集，放到门口去识别，一到傍晚就经常认不出，后来重新在门口采了一次，问题缓解很多。

直方图均衡化：我在保存前不做，在训练和识别前做。主要理由很简单——保存原始灰度图，均衡化放到每次训练和识别时统一做，保持一致性。如果采集时做了均衡化但识别时忘记做，特征就会出现偏差。

3.3 为什么采集后要检查数据质量

我建议训练前写一段小脚本，把每个人每张图片都拼成一张大图看一眼，删除模糊的、没对准的、包含两个人的样本。这一步人工只要5分钟，但能显著提升模型训练质量。LBPH对光照鲁棒，但对图像清晰度仍然敏感，模糊样本会拉高整个类的特征方差。

4. 模型训练与识别逻辑：理解LBPH置信度的真正含义

数据准备好了，接下来就是训练。LBPH的原理不复杂，它把图像划分成多个小区域，在每个区域内计算局部二值模式直方图，再把这些局部直方图拼成一个特征向量来代表一张人脸。不认识的人脸和已注册人脸比较时，计算这个特征向量的距离，距离越小说明越像。

4.1 训练代码 

import cv2
import os
import numpy as np

def load_training_data(data_dir="dataset"):
    images = []
    labels = []
    label_names = {}

    for label, person_id in enumerate(os.listdir(data_dir)):
        person_dir = os.path.join(data_dir, person_id)
        if not os.path.isdir(person_dir):
            continue
        label_names[label] = person_id

        for img_name in os.listdir(person_dir):
            img_path = os.path.join(person_dir, img_name)
            img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
            if img is None:
                continue
            img = cv2.equalizeHist(img)
            images.append(img)
            labels.append(label)

    return images, np.array(labels), label_names

images, labels, label_names = load_training_data()
print(f"加载了 {len(images)} 张图片，共 {len(label_names)} 个员工")

recognizer = cv2.face.LBPHFaceRecognizer_create(
    radius=1, neighbors=8, grid_x=8, grid_y=8
)
recognizer.train(images, labels)
recognizer.save("trainer.yml")

with open("label_names.txt", "w", encoding="utf-8") as f:
    for label, name in label_names.items():
        f.write(f"{label},{name}\n")

print("模型训练完成，已保存到 trainer.yml")

参数的设置我有话说。radius=1代表计算LBP时用的邻域半径，neighbors=8是邻域采样点个数，这两个保持默认就好。真正影响识别率的是grid_x和grid_y——图像被切分的格子数。格子数越大，特征越精细，但也越容易过拟合。我用8x8的网格，对200x200的输入图像差不多把每张脸切成64个区域，效果比较均衡。如果你的人脸数据集量很大，可以试12x12，识别更细，但训练时间也涨。

4.2 LBPH置信度到底怎么理解

这是很多初学者最懵的地方。LBPH的predict方法返回两个值：label是预测的标签，confidence是置信度，但这个置信度和你想的可能是反的——它越小，代表距离越近，越有把握。0表示完全匹配，一般数值跑到100以上基本就是另一个人的脸了。

我初版代码写了if confidence < 80才认为是合法打卡。但跑完发现有个同事怎么都打不上卡，一看日志confidence在90到110之间波动。后来调整了阈值并且换个角度想问题：阈值不能拍脑袋定，应该看真实测试数据的分布。我的做法是先让每个员工识别十次，把confidence数据打出来，取一个不会误报同部门同事、又能覆盖本人波动的中间值。最终我的项目里阈值设在85到95之间，具体数值根据你的摄像头和光线而定。

注意：同一个模型、同一张脸，在不同光照下confidence波动非常大。如果阈值定太死——比如50，那这个系统在实际环境基本用不了，方差大得吓人。阈值宁可放宽一点，再用连续多帧投票的机制来保证准确率，也不能死磕单帧识别。

4.3 二分类思维：这是本人还是不是本人

LBPH本质是分类器，但它做的是一对一的最近邻匹配。系统里只有员工A和员工B，它会把未知人脸强行归类到其中一人。所以必须用confidence阈值做一个“陌生人拒绝”逻辑： 

label, confidence = recognizer.predict(processed_face)

if confidence < threshold:
    person = label_names.get(label, "Unknown")
else:
    person = "Unknown"

如果不加这个判断，前台小姐姐路过摄像头也会被识别成某个员工并打上卡。

5. 考勤业务逻辑与数据存储：从“认出人”到“完成打卡”

识别只是前半场，考勤系统真正的核心在业务逻辑。这个模块要解决几个问题：一天只能打一次上班卡、下班卡不能覆盖上班卡、迟到早退怎么算、没注册的人怎么处理。

5.1 数据库表设计

我用SQLite，好处是零配置文件、单文件存储、不需要装数据库服务。两张表就够：员工表和考勤记录表。 

CREATE TABLE employees (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    employee_no TEXT UNIQUE NOT NULL,
    name TEXT NOT NULL,
    registered_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE attendance (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    employee_no TEXT NOT NULL,
    work_date TEXT NOT NULL,
    check_in_time TEXT,
    check_out_time TEXT,
    status TEXT DEFAULT 'normal',
    UNIQUE(employee_no, work_date)
);

employee_no对应模型训练时用的文件夹名，这样模型识别出employee_no之后，再去查employees表拿到中文名。attendance表里加了一个UNIQUE(employee_no, work_date)，确保同一天内一个员工只生成一条记录，防止重复打卡。

5.2 签到签退和迟到早退逻辑

打卡的核心业务逻辑，我用几个判断串起来： 

import sqlite3
from datetime import datetime

LATE_THRESHOLD = "09:00"

def handle_check(employee_no):
    now = datetime.now()
    work_date = now.strftime("%Y-%m-%d")
    current_time = now.strftime("%H:%M:%S")

    conn = sqlite3.connect("attendance.db")
    cursor = conn.cursor()

    # 查询当天是否有记录
    cursor.execute(
        "SELECT id, check_in_time, check_out_time FROM attendance WHERE employee_no=? AND work_date=?",
        (employee_no, work_date)
    )
    row = cursor.fetchone()

    if row is None:
        # 不存在记录，说明是上班打卡
        status = "late" if current_time > LATE_THRESHOLD else "normal"
        cursor.execute(
            "INSERT INTO attendance (employee_no, work_date, check_in_time, status) VALUES (?, ?, ?, ?)",
            (employee_no, work_date, current_time, status)
        )
        conn.commit()
        conn.close()
        return "上班打卡成功" if status == "normal" else "上班迟到，已记录"

    # 已有上班记录但没下班记录
    if row[2] is None:
        cursor.execute(
            "UPDATE attendance SET check_out_time=? WHERE id=?",
            (current_time, row[0])
        )
        conn.commit()
        conn.close()
        return "下班打卡成功"

    conn.close()
    return "今天已完成两次打卡，不需要重复操作"

这段逻辑看着简单，但处理了一个关键问题：迟到判断是在第一次打卡时写死的，如果他9点半才来打卡，status直接被标记为late，后面改不了。这个是按我的需求来的，如果你需要允许补卡，可以在attendance表再加一个is_manual字段来标识人工修正。

5.3 防重复打卡和陌生人拦截

单靠数据库的UNIQUE约束还不够。实际场景里，摄像头每帧都能识别到人脸，相当于每秒好几次打卡请求，如果不加限制，数据库里会疯狂写入记录。我加了两个机制：

一是在内存里维护一个上一次打卡时间字典。同一个员工两次打卡间隔小于10秒直接忽略，这个是给识别用的平滑机制，防止连续帧重复触发。

二是在识别线程和数据库操作之间做队列缓冲。识别结果先进队列，再由单独的线程写库，避免摄像头帧率阻塞数据库I/O。

对这个项目规模来说，这两个机制已经够用了。但要注意，我这套是单机版，SQLite不支持高并发写入，如果多人同时打卡，写锁会互斥，卡顿肉眼可见。多机部署需要换成MySQL或者PostgreSQL，代码改动主要在数据库连接层，业务逻辑不用动。

6. 踩坑实录：我在这套系统上踩过的五个坑

这里列几个我在实际开发中踩过的坑，全是血泪换来的，希望你能避开。

6.1 opencv-python和opencv-contrib-python的恩怨

最典型的报错是ModuleNotFoundError: No module named 'cv2.face'。我一开始以为是自己代码写错了，反复检查import，后来搜索才发现，cv2.face是contrib扩展模块，标准opencv-python不包含。我当时是在同一环境里先装了opencv-python，又装了opencv-contrib-python，结果两个包的文件混在一起，项目用着用着突然报AttributeError，查了半天发现是dll被覆盖了。正确做法：先卸载opencv-python再装contrib版本，两个包不要共存。

6.2 OpenCV的putText不支持中文

识别成功后要在画面上显示员工中文名，用cv2.putText直接显示中文会变成????。这是OpenCV的freetype模块没编译进去的问题，最简单的方案是用PIL把中文转成图像再贴到画面上： 

from PIL import Image, ImageDraw, ImageFont
import numpy as np

def draw_chinese_text(img, text, position, font_path="msyh.ttc", font_size=28, color=(0, 255, 0)):
    img_pil = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img_pil)
    font = ImageFont.truetype(font_path, font_size)
    draw.text(position, text, font=font, fill=color)
    return cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)

Windows上用msyh.ttc（微软雅黑）一般都能找到。Linux服务器上没有这个字体，路径换成/usr/share/fonts下的中文字体，或者用文泉驿的wqy-microhei.ttc。

6.3 Haar级联在侧脸和逆光下几乎失效

这是我在真实使用过程中遇到的最大性能瓶颈。Haar级联检测器本质是基于特征的级联分类器，它对正脸检测效果很好，但人脸稍微侧一点，检测框就直接消失了，更谈不上识别。逆光下整个人脸暗成一团，detectMultiScale直接返回空列表。

我的解决方案是两步走：第一步，把采集训练数据时的头部动作范围加大，多转角度。第二步，在识别端加入自动曝光补偿，效果有限但聊胜于无。真正有效的方案是换DNN检测器，后面会讲。如果非要用Haar，至少把minNeighbors从默认的3调成5，减少误检，再把minSize调大到100x100，让检测只锁定近距离大脸，不然远距离小脸会频繁误触打卡。

6.4 单帧识别不稳定，需要帧投票机制

摄像头取哪一帧完全随机，可能正好赶上眨眼、低头、光线变化，导致同一秒内识别结果在A和Unknown之间跳来跳去。我用了一个非常简单的窗口投票机制：连续10帧中如果某个标签出现超过6次，才认为识别成功并触发打卡。10帧在30fps的摄像头下只要0.3秒，体验上没有延迟感，但稳定性提升非常明显。

6.5 Windows控制台编码导致的SQLite中文写入报错

数据库写入中文字段时，在部分Windows终端下会报sqlite3.OperationalError: near "??": syntax error。这其实是Python连接SQLite时默认编码和终端编码不一致导致的。在代码开头加上： 

import sys
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')

能让标准输出编码稳定。数据库层面，SQLite本身支持UTF-8，问题出在Python和终端的交互层，加这段就解决了。

7. 用DNN检测器替换Haar后的性能提升

Haar的局限性在前面已经说了，换DNN是性价比最高的升级。OpenCV的DNN模块可以直接加载Caffe训练好的SSD人脸检测模型，不需要额外装TensorFlow或PyTorch，一个caffemodel加一个prototxt就够了。 

net = cv2.dnn.readNetFromCaffe(
    "deploy.prototxt",
    "res10_300x300_ssd_iter_140000_fp16.caffemodel"
)

def detect_faces_dnn(frame):
    h, w = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(
        cv2.resize(frame, (300, 300)),
        1.0,
        (300, 300),
        (104.0, 177.0, 123.0)
    )
    net.setInput(blob)
    detections = net.forward()
    faces = []
    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > 0.7:
            box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
            x1, y1, x2, y2 = box.astype("int")
            x1, y1 = max(0, x1), max(0, y1)
            x2, y2 = min(w, x2), min(h, y2)
            faces.append((x1, y1, x2 - x1, y2 - y1))
    return faces

对比感受：Haar在逆光下基本失灵，DNN模型对光照和角度的适应能力强得多。换了之后，之前经常识别失败的那几个同事都能正常打上卡了。代价是多了一个30MB左右的caffemodel文件，运行时会消耗一些CPU，但对现在的电脑来说完全可以接受。使用DNN时，采集数据阶段需要同步升级——采集和识别端使用同一套检测器，保持人脸裁剪位置的一致性，否则训练和识别人脸区域分布不一致，识别效果下降。

8. 关于代码组织与后续扩展

最后聊一下这套项目怎么组织目录结构，以及后续能做到什么程度。我实际整理源码时用的是这个结构： 

├── collect.py          # 人脸采集
├── train.py            # 模型训练
├── recognize.py        # 实时识别与考勤
├── attendance_db.py    # 数据库操作
├── config.py           # 全局配置（阈值、路径、迟到时间）
├── dataset/            # 训练数据
└── trainer.yml         # 训练结果模型

config.py的建议： 

# config.py
FACE_SIZE = (200, 200)
CONFIDENCE_THRESHOLD = 90
LATE_TIME = "09:00"
CAMERA_INDEX = 0
MIN_FRAMES_VOTE = 6
WINDOW_FRAMES = 10
DATASET_DIR = "dataset"
MODEL_PATH = "trainer.yml"
LABEL_FILE = "label_names.txt"
DB_PATH = "attendance.db"

把阈值、路径、摄像头索引这类变化频繁的配置独立出来，比改源码方便得多。我后续在这个项目基础上加过几个小功能，都很简单：导出一段时间内的考勤报表为Excel、在识别界面显示当前员工上次打卡时间、通过配置文件切换多种识别模型。

这套系统的定位始终是一个轻量、本地化的考勤解决方案。如果你想在生产环境真正落地，还需要考虑多人同时识别的并发写库、日志审计、前端管理界面、设备端的模型部署这些问题。但作为学习OpenCV项目、毕设演示、小团队内部工具，这套架构已经完全够用了。

如果让我再总结一句个人体会：做这种项目，数据采集阶段花的时间至少要和训练调参一样多，因为识别系统的上限，往往在你按下快门的那一刻就已经定死了。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

# 人脸识别
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

docker网络

avatar DAMO开发者矩阵
cover

抽水蓄能电站智能巡检配置对照

avatar DAMO开发者矩阵
cover

2.3万台工业机器人订单投向哪里

avatar DAMO开发者矩阵