根据权威信息源，当前主流的人工智能框架可分为深度学习框架和计算机视觉框架两大类，具体如下：

一、深度学习框架

1. TensorFlow

   • 由Google开发，支持静态/动态计算图，适合大规模分布式训练和工业部署。

   • 应用场景：推荐系统、图像识别、语音识别等。

2. PyTorch

   • 由Meta（原Facebook）开发，动态计算图便于调试，适合快速原型开发。

   • 应用场景：学术研究、计算机视觉、自然语言处理等。

3. Keras

   • 高层神经网络API，可集成到TensorFlow或Theano中，简化模型构建。

   • 适用场景：快速实验、小规模项目。

4. JAX

   • 基于编译的框架，支持高性能数值计算和自动微分，适合科学计算。

   • 优势：无缝集成NumPy，加速AI开发。

5. MXNet

   • 支持多平台部署，提供Keras、Gluon接口及分布式训练功能。

   • 适用场景：大规模数据集训练、跨平台推理。

二、计算机视觉框架

1. OpenCV

   • 开源计算机视觉库，支持图像处理、目标检测等。

   • 应用场景：实时视觉系统、机器人、AR/VR。

2. Darknet

   • 轻量级框架，专为YOLO系列目标检测设计，推理速度快。 - 适用场景：嵌入式设备、实时目标检测。

三、其他常用框架

• TensorFlow.js ：将TensorFlow模型部署到浏览器，支持Web端AI应用。

• MindSpore 、 PaddlePaddle ：国内主流框架，分别由百度和腾讯开发，支持分布式训练。

总结 ：选择框架时需根据任务类型（深度学习/计算机视觉）、硬件平台（CPU/GPU/移动端）及开发需求（易用性/性能）进行权衡。