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 被划分为多个不同的模块，每个模块完成其对应的任务，我们建议按照以下步骤快速入门。
TIP
我们建议 SSCMA 的所有初学者都从入门指南开始学习，如果您对 SSCMA 或 OpenMMLab 已经熟悉，并且希望尝试在边缘计算设备上部署、修改现有的神经网络或使用自定义数据集进行训练，您可以直接参考高级用法。
入门指南
模型部署
如果您想在设备上部署模型，请参考部署章节，了解如何部署模型。
模型训练
如果您想训练一个模型，我们强烈建议您首先在Colab平台上尝试训练一个模型。您可以参考以下教程：
目标检测
图像分类
高级用法
然后，熟悉 SSCMA 的基本用法：
模型部署。如果您想将导出的训练模型部署在边缘计算设备上，请参考 ESP32 部署示例或 Grove Vision AI 部署示例。
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。
必备知识
📸 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，您需要先学习数字图像处理的基础知识。然后可以继续学习计算机视觉主题，如模式识别和三维几何。您需要了解线性代数，以便能够充分理解计算机视觉中的某些概念，如降维。在理解计算机视觉基础知识之后，您还应该在深度学习方面建立知识，特别是卷积神经网络（CNN）方面的知识。
💻 编程：
对于设计和原型制作来说，Python 就足够了，但如果您想进行嵌入式开发工作，您还应该熟悉 C/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。您必须熟悉它们。您应该了解可用的工具以及如何使用它们。您还需要熟悉深度学习框架，可以从最容易学习的 Keras 开始，然后学习 TensorFlow 或 PyTorch。