OpenCV.js 如何进行机器学习任务？

OpenCV.js 的机器学习能力有限，主要提供传统算法（KNN、SVM、决策树、RTrees、Boost、MLP），不支持训练深度学习模型。实际开发中更常用的方式是通过 DNN 模块加载预训练模型做推理，支持 Caffe、TensorFlow、ONNX 等格式的模型。训练流程通过 cv.ml.KNearest / cv.ml.SVM.create() 等创建模型，调用 train() 方法用 Mat 格式的特征和标签训练，再用 predict() 推理。但 OpenCV.js 不适合做复杂 ML 任务，浏览器端做 ML 推理更推荐 TensorFlow.js 或 ONNX Runtime Web，OpenCV.js 的 ML 模块更适合小规模分类等轻量场景。

追问

OpenCV.js 能训练深度学习模型吗？ 不能。OpenCV.js 的 DNN 模块只支持前向推理，不包含反向传播。要在浏览器训练深度学习模型需用 TensorFlow.js 等框架。OpenCV.js 的 MLP 也只是传统浅层网络。

DNN 模块支持哪些模型格式？ 支持 Caffe（.caffemodel + .prototxt）、TensorFlow（.pb）、ONNX（.onnx）、Darknet（.weights + .cfg）。加载用 cv.readNetFromONNX() 等方法，模型文件需通过 fetch 下载到浏览器。

KNN 和 SVM 在 OpenCV.js 中哪个更实用？ 小数据集简单分类用 KNN 更方便（无需调参），SVM 在特征空间复杂时效果更好但需调核函数和超参。两者都不适合大规模数据，浏览器内存有限。

如何在浏览器端提取图像特征用于 ML？ 常用方法：cv.calcHist() 计算直方图特征、HOG 描述子（cv.HOGDescriptor）、或用 ORB 提取局部特征再聚合。更高级的特征提取建议用 DNN 模块加载预训练 CNN 做特征提取。

OpenCV.js ML 模块最大的局限是什么？ 三点：一是不支持 GPU 加速，纯 CPU/WASM 运行速度慢；二是训练数据必须全部加载到内存，浏览器内存限制制约了数据规模；三是模型无法持久化保存，每次刷新页面需重新训练。

写段代码

javascript
let svm = cv.ml.SVM.create();
svm.setType(cv.ml.SVM_C_SVC);
svm.setKernel(cv.ml.SVM_LINEAR);
svm.train(trainData, cv.ml.ROW_SAMPLE, labels);
let result = svm.predict(testSample);
console.log('class:', result);
svm.clear();