回答

要通过摄像头实时区分机动车与非机动车，你可以使用Python结合深度学习模型来实现。这通常涉及到以下几个步骤：

收集数据：首先，你需要收集大量的机动车和非机动车的图片作为训练数据。这些数据应该包括不同的角度、光照条件和背景。

预处理数据：对收集到的数据进行预处理，如调整图片大小、归一化等，以适配深度学习模型的输入需求。

选择模型：选择一个合适的深度学习模型。对于图像识别任务，常用的模型有CNN（卷积神经网络）、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。

训练模型：使用你的数据集来训练深度学习模型。这个过程可能需要较强的计算资源，通常使用GPU来加速。

模型评估：在独立的测试集上评估模型的性能，确保模型具有良好的泛化能力。

实时识别：将训练好的模型部署到一个程序中，这个程序可以实时从摄像头读取视频流，并使用模型进行识别。

下面是一个简化的示例代码，展示如何使用OpenCV和预训练的深度学习模型来从摄像头读取视频流并进行实时识别。这里以使用YOLO模型为例：

import cv2
import numpy as np

# 加载YOLO模型
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 加载类别标签
with open("coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]

# 初始化摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取帧
    _, frame = cap.read()

    # 将帧转换为YOLO模型的输入格式
    blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
    net.setInput(blob)
    outs = net.forward(output_layers)

    # 分析检测结果
    for out in outs:
        for detection in out:
            scores = detection[5:]
            class_id = np.argmax(scores)
            confidence = scores[class_id]
            if confidence > 0.5:
                # 获取类别名称
                label = classes[class_id]
                if label == "car" or label == "motorbike" or label == "bicycle":
                    print(f"Detected: {label}")

    # 显示帧
    cv2.imshow("Frame", frame)
    key = cv2.waitKey(1)
    if key == 27:  # 按Esc键退出
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

这是一个非常基础的例子，实际应用中你可能需要进行更多的优化和调整，比如调整模型的阈值、使用更适合你数据的模型等。此外，YOLO模型的权重文件 (yolov3.weights) 和配置文件 (yolov3.cfg) 以及类别标签文件 (coco.names) 需要从YOLO的官方网站或GitHub仓库下载。

请注意，深度学习模型的训练和部署可能需要较深的技术背景和计算资源。如果你是这方面的新手，建议先从基础学起，并逐步深入。