简介这份《计算机视觉技术CV简要介绍》PDF面向希望系统了解计算机视觉基础框架的学习者与从业者围绕图像获取、前期处理、特征提取、图像分析和图像解释五个环节展开并梳理图像分类、物体检测、图像分割、人脸识别、姿态估计、光流估计与立体视觉等基本任务帮助读者建立从概念到应用场景的整体认知。资源包仅含1个PDF文件大小约483KB内容以理论概述、任务分类和典型应用说明为主适合作为课程预习、知识梳理或技术选型前的快速参考。目前已有175人学习下载。文中对传统方法与深度学习方法的差异、CNN在特征提取和图像分类中的作用以及医学影像、自动驾驶、安防监控、农业图像分析等落地场景均有涉及便于读者按任务类型查阅并延伸学习。1. 先搞懂一件事计算机视觉到底在教计算机做什么很多人第一次听到「计算机视觉」这四个字脑子里浮现的是机器人睁眼、摄像头闪烁觉得离自己很远。其实换个说法就好理解了你教一个从没见过世界的孩子认东西你不会给他讲像素、讲矩阵你只会指着一张照片说「这是猫」。计算机视觉干的活就是把这句「这是猫」翻译成计算机能执行的一串数字操作。它要解决的核心问题很朴素——让机器从一堆数字里看出「这里有什么、在哪里、在干什么」。你手机相册能按人脸自动分组、停车场能自动识车牌、医院里能从片子上圈出可疑区域背后都是同一套思路。这篇入门指南就从这个最朴素的认知出发带你弄明白 CV 是什么、八大任务怎么分、第一步该怎么迈。2. 一条主线走通全流程从一张图到一句结论计算机视觉看着任务五花八门但真正跑起来的主线只有一条就是从像素到语义。新手最容易犯的错是一头扎进某个算法名词里结果连数据在每一步长什么样都不知道。这一章先把这条主线铺开再让你亲手跑通第一个小例子跑完你会对「图像处理」这件事祛魅。2.1 五个步骤图像获取、前期处理、特征提取、图像分析、图像解释任何一次「让机器看懂图」的过程都能拆成五步顺序基本不会变。第一步是图像获取用摄像头或者传感器把现实世界采成数据。这里有个细节新手常忽略采到的不是「图」是一个数字矩阵每个格子叫像素彩色图通常有红绿蓝三个通道每个通道取值 0 到 255。现在硬件还能采到红外、深度等更多通道信息更丰富但也意味着后面的处理要区分对待。第二步是前期处理包括校正、去噪、增强。为什么要做因为现实里的图几乎不干净——光线忽明忽暗、镜头有畸变、传感器自带噪点。这一步不改内容只改质量目的是让后面的步骤别被噪声带偏。第三步是特征提取把图里能代表物体的信息拎出来。边缘、纹理、颜色是最基础的三类。传统方法靠人手工设计算子去抓这些特征深度学习则把这件事交给网络自己学。第四步是图像分析拿特征去完成具体任务这张图属于哪一类、图里有没有目标、目标在哪个位置、前后帧之间物体往哪动了。分类、检测、跟踪、分割都在这一步发生。第五步是图像解释做更高层的推理比如判断图里的人在做什么、物体之间是什么关系、整个场景是什么语义。这一步最接近人类看图的体验也是难度最高的一层。把这五步记住后面看到任何新算法你都能问一句它替换的是这五步里的哪一步答案通常很明确。2.2 第一个能跑的例子读图、转灰度、看清形状理论说完动手。第一个例子不用模型、不用训练只做三件事把图读进来、看看它的数据结构、做一次最简单的转换。这一步的意义在于让你亲眼看到「图像就是数组」。先装环境两个包就够pip install opencv-python numpyopencv-python负责读写图像和常用处理numpy负责数组运算。装完直接跑下面这段import cv2 # OpenCV 的 Python 接口图像读写的常用工具 import numpy as np # 图像本质是数组后面所有操作都靠它 # 读图默认按 BGR 三通道读入不是 RGB这点后面会专门说 img cv2.imread(cat.jpg) if img is None: # 路径写错时不会报错只会返回 None必须主动检查 raise FileNotFoundError(图片没读到检查路径和文件名) print(形状:, img.shape) # 输出类似 (480, 640, 3)依次是高、宽、通道数 print(数据类型:, img.dtype) # 一般是 uint8取值 0 到 255 # 转灰度把三通道压成一个通道很多任务的预处理第一步 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(灰度形状:, gray.shape) # 变成 (480, 640)通道那一维没了 # 落盘确认处理结果真的是你想的那样 cv2.imwrite(cat_gray.jpg, gray)代码里的几个点值得单独说清楚。img.shape返回的是「高、宽、通道数」不是「宽、高」新手按坐标去取像素时经常在这里翻车。dtype是uint8意味着像素值范围是 0 到 255一旦你在中间计算时让它溢出或者变成负数画面就会出现莫名其妙的色块。cv2.imread读不到文件时不会抛异常只静默返回None所以那句手动检查很有必要能帮你省掉大量「为什么后面全报错」的排查时间。至于 BGR 这个事是 OpenCV 早年留下的习惯。你用别的库比如画图库读进来是 RGB送进 OpenCV 处理前要是不转换红色和蓝色就对调了。这类问题在入门阶段特别常见画面看着「怪怪的但说不上哪怪」八成就是通道顺序错了。跑完这段你手上应该有两张图原图和灰度图。打开对比一下你会发现灰度图丢掉了颜色但形状、轮廓、明暗关系都还在。这就是为什么很多任务先转灰度——颜色信息对「这里有没有一个圆形物体」这种判断帮助不大反而增加计算量。2.3 为什么新手要按这个顺序学而不是先背算法市面上讲 CV 的内容很多一上来就是卷积、池化、反向传播公式一屏接一屏。我带过的新人里被这种方式劝退的比例不低。原因很简单你不知道这些运算在解决五步里的哪一步学起来就是纯记忆记完就忘。按「获取 → 预处理 → 特征 → 分析 → 解释」的顺序学好处是每一步都有可验证的产出。你处理完一张图能立刻看到它变清晰了还是变糊了你提取完边缘能立刻看到轮廓出来没出来。这种即时反馈是坚持下去的关键。所以我的建议是先把读图、转灰度、缩放、模糊、二值化这几个基本功练熟再去碰模型。这几个操作加起来不到十行代码但它们构成了后面所有复杂流程的地基。地基不牢模型跑不通时你根本判断不出是数据的问题还是网络的问题只能干瞪眼。3. 八大任务先认清你要做的到底是分类、检测还是分割新手第二个高频困惑是任务分不清。老板说「做个识别」你以为是把图分个类结果人家要的是框出位置你以为框出位置就完了人家还要精确到每个像素。这一章把八类任务摆开讲清楚每类给你一句人话定义加一个典型用途最后动手做一个分割小实验。3.1 分类、检测、分割三种最容易混的任务图像分类是最基础的一类给一整张图判断它属于哪个预定义类别。输入是一张图输出是一个标签或者每个类别的概率。比如判断这张图里有没有猫。它回答的问题是「是什么」不回答「在哪里」。物体检测往前走一步不光要知道图里有猫还要用边界框把每只猫的位置框出来。输出是一串「类别 框坐标」。它回答的是「有什么、在哪」。检测的典型流程包括候选区域生成、区域分类、位置回归最后还要做一次后处理把重叠的框去掉这一步叫非极大值抑制简称 NMS。NMS 的逻辑很直白同一只猫被框了好几次留置信度最高的那个把和它重叠太多的其他框删掉。图像分割再往前走一步把图划分成若干区域每个区域内的像素属于同一类。它回答的是「每个像素属于什么」。分割又分几种语义分割只区分类别不管个体所有猫都是「猫」这一类实例分割还要区分「第一只猫」和「第二只猫」。三者难度是递进的标注成本也是递进的。分类一张图一个标签检测一张图几个框分割要标到像素级人力开销差着数量级。新手选任务时最常见的错误是明明只需要分类却按检测的标准去标数据白白多花几倍时间。反过来如果需要知道位置却只做了分类交付时就要返工。判断方法很简单问自己一句「我最终要的输出长什么样」。是一个标签就做分类是一组框就做检测是一张和原图同样大小的掩码图就做分割。3.2 人脸识别、姿态估计、光流、立体视觉各自解决什么剩下几类任务各有各的专精方向理解它们的关键是看「输入多了什么维度」。人脸识别处理的是身份问题。流程一般是先检测出人脸区域再对齐把眼睛、嘴角这些关键点摆正然后提取特征向量最后和库里的模板比对算相似度超过阈值就认为是同一个人。它和通用图像分类的差别在于分类分的是「猫狗车」人脸识别比的是「这张脸和库里哪张脸最像」属于细粒度比对。常见做法从早期的降维方法到后来的分类器方法再到现在的深度网络提取特征路线一直在往「特征更有区分度」的方向走。姿态估计处理的是人体结构。先检测关节点肩、肘、腕这些再根据关节位置回归出整体姿态。输出可能是关节坐标也可能是旋转角度这类表示。它回答的是「这个人在摆什么姿势」动作捕捉、健身动作纠正都靠它。光流估计处理的是运动。输入是连续两帧或多帧输出是每个像素的运动矢量也就是「往哪个方向移动了多快」。它有个前提假设叫亮度恒定即同一个物理点在相邻帧里亮度基本不变。经典算法有 Lucas-Kanade适合稀疏点和 Horn-Schunck适合稠密场现在也有直接用网络学光流的做法。视频压缩、运动分析、视觉里程计都会用到它。立体视觉处理的是深度。用两个或多个视角同时拍同一场景通过同一个物体在左右图里的位置差视差反推距离。要做准前提是相机标定也就是把相机的内参焦距、畸变和外参位置、朝向求出来。标定不准后面算出的深度全是歪的。它回答的是「这个东西离我多远」三维重建、增强现实都建立在它之上。把这四类和前三类放一起看你会发现 CV 的任务地图其实很规整分类回答「是什么」检测回答「在哪」分割回答「哪些像素」人脸识别回答「是谁」姿态估计回答「什么姿势」光流回答「怎么动」立体视觉回答「多远」场景理解则是把上面这些串起来回答「发生了什么」。3.3 动手用阈值分割把前景抠出来概念清楚了来做第一个带「分割」味道的小实验。用最简单的一种分割方法——阈值分割把亮度明显高于背景的目标抠出来。这个方法在目标和背景灰度差异明显时非常好用代码短效果直观。import cv2 # 直接以灰度模式读入省掉一次转换 img cv2.imread(coin.jpg, cv2.IMREAD_GRAYSCALE) # 先做一次高斯模糊5x5 的核目的是压掉噪点避免噪点被当成目标 blur cv2.GaussianBlur(img, (5, 5), 0) # 固定阈值二值化大于 127 的像素置为 255白其余置为 0黑 _, binary cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY) # 找外轮廓RETR_EXTERNAL 只取最外层CHAIN_APPROX_SIMPLE 压缩直线上的冗余点 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(找到的轮廓数量:, len(contours)) # 把面积太小的轮廓过滤掉这类多半是噪声 areas [cv2.contourArea(c) for c in contours] print(各轮廓面积:, sorted(areas, reverseTrue)[:5])几个参数值得解释。(5, 5)是模糊核大小必须是奇数数值越大越模糊去噪越强但也越容易把细节抹掉。127是阈值这个数字是猜的真实场景里几乎不会刚好合适。cv2.THRESH_BINARY表示「高于阈值取最大值低于阈值取 0」还有反向的THRESH_BINARY_INV前景背景颠倒时换一下就行。如果 127 不合适怎么办两种办法。一是手动试写个循环把阈值从 0 到 255 都跑一遍看哪个顺眼这方法土但有效。二是用 Otsu 自动阈值把127换成0把类型加上cv2.THRESH_OTSU算法会根据灰度直方图自己算一个让前景背景分得最开的阈值。Otsu 在双峰直方图上表现很好如果你的图光照不均它的效果就会打折。跑完这段你会得到一张黑白图和一堆轮廓。这就是最原始的分割把像素按灰度分成两类。深度学习分割做的事情本质上也是给每个像素分类只不过它用的依据比「灰度超没超过 127」复杂得多能处理光照变化、颜色混杂这些硬骨头。4. 传统方法还是深度学习新手的第一套工具怎么配环境配好、任务认清之后问题来了学哪个网上一边说「传统方法已经过时」一边说「不懂传统方法就是黑匣子调包」。这两种说法都有偏。这一章把两条路线摆开告诉你各自适合什么场景各给一个能跑的最小例子最后让你读懂一个卷积网络的结构。4.1 传统路线手工特征加分类器先建立直觉传统路线的公式很固定先用手工设计的算子从图里提特征再把特征向量喂给一个分类器。特征这边常见的有颜色直方图、纹理特征比如 LBP、边缘特征Sobel、Canny还有在行人检测里用得很多的 HOG。分类器这边支持向量机、随机森林、K 近邻都是常客。这条路线的价值不在于精度多高而在于每一步都可解释。你能清清楚楚地看到我提取了哪些数字分类器是根据哪些数字做的判断改一个参数特征怎么变。这种透明度在入门阶段极其宝贵。深度模型很多时候是个黑匣子输入进去、结果出来中间发生了什么你只能靠可视化去猜。先走一遍传统路线你至少知道「特征」这个词具体指什么。下面这个例子用 HOG 特征加支持向量机做一次二分类数据用你自己准备的两个文件夹的图就行。import cv2 import numpy as np from sklearn.svm import SVC from skimage.feature import hog # 提取 HOG 特征 def load_features(paths, size(64, 64)): feats [] for p in paths: img cv2.imread(p, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, size) # 统一尺寸分类器要求输入维度一致 # orientations 是梯度方向的分箱数pixels_per_cell 是每个单元格的像素数 f hog(img, orientations9, pixels_per_cell(8, 8), cells_per_block(2, 2), visualizeFalse) feats.append(f) return np.array(feats) # 假设 cat_paths / dog_paths 是你自己整理好的图片路径列表 X load_features(cat_paths dog_paths) y np.array([1] * len(cat_paths) [0] * len(dog_paths)) # 1 表示猫0 表示狗 clf SVC(kernelrbf) # rbf 核适合特征维度较高、线性不可分的情况 clf.fit(X, y) print(训练样本数:, X.shape[0], 特征维度:, X.shape[1])参数部分解释一下。size(64, 64)是因为 HOG 输出维度跟图像尺寸直接挂钩尺寸不统一特征长度就不一致分类器直接报错——这是新手第一天最容易撞的墙。orientations9表示把梯度方向分成 9 个区间统计数值越大描述越细但特征也越长。pixels_per_cell(8, 8)决定统计的粒度块越小越能捕捉细节但抗噪能力会下降。这套流程跑通之后你会对「什么叫特征」有实感。HOG 提取出来的其实就是一张张局部梯度方向的统计表它不理解什么是猫但它知道猫的轮廓方向分布和狗不太一样。这种「用统计量描述形状」的思路是理解后面所有深度方法的基础。传统路线的短板也很明显特征是人设计的人想不到的特征它就抓不到。光照一变、角度一转、物体被挡了一半手工特征的稳定性就崩了。这就是深度学习上位的根本原因——它不依赖人猜特征而是从大量数据里自己学。4.2 深度学习路线五个里程碑模型各解决了什么深度学习做图像主力是卷积神经网络。它在结构上有两个关键动作卷积和池化。卷积就是拿一个小窗口在图上滑动每滑一处算一次加权求和用来抓局部模式边缘、角点、纹理池化是把一小块区域压成一个值用来降尺寸、扩感受野、增加一点平移不变性。多层堆叠之后浅层学到的是边缘这类低级特征深层学到的是「猫耳朵」这种高级语义。最后接全连接层和 softmax把特征映射成各类别的概率。入门阶段不用把每个模型都复现一遍但要知道它们各自解决了什么问题这张表可以当索引存着。模型关键特点解决了什么LeNet-5较早的卷积网络结构层数浅把手写数字识别跑通证明了卷积可行AlexNet更深的卷积堆叠配合数据增强和 Dropout让深度网络在图像分类上大幅领先传统方法VGGNet统一用小尺寸卷积核结构规整证明了「堆深度」有效网络设计变简单GoogLeNet引入 Inception 模块多尺度并行在参数量明显减少的情况下提升性能ResNet引入残差连接缓解深层网络难训练的问题让上百层成为可能看这张表重点抓两条线。一条是深度从几层到十几层再到上百层网络越来越深。另一条是训练稳定性网络越深越难训ResNet 的残差连接就是专门解决这个的——它让信息能跨层直接传过去梯度不至于在深网络里消失。理解了这两条线你再看到新模型就能大致判断它在解决哪类问题。4.3 读懂一个 CNN 的结构骨架下面这段是 PyTorch 风格的结构定义目的不是让你立刻训练而是让你看懂「一张图进网络后形状怎么变」。读代码时重点盯每层的输入输出维度。import torch import torch.nn as nn class SmallCNN(nn.Module): def __init__(self, num_classes10): super().__init__() self.features nn.Sequential( # 输入 3 通道彩色图输出 16 通道卷积核 3x3边缘补 1 圈保持尺寸 nn.Conv2d(3, 16, kernel_size3, padding1), nn.ReLU(), # 激活函数给网络引入非线性 nn.MaxPool2d(2), # 2x2 池化高宽各减半 nn.Conv2d(16, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), # 再减半 ) self.classifier nn.Sequential( nn.Flatten(), # 把多维特征拉平成一维向量 nn.Linear(32 * 8 * 8, num_classes) # 输入维度要和上一层特征图大小对得上 ) def forward(self, x): x self.features(x) return self.classifier(x) model SmallCNN(num_classes10) dummy torch.zeros(1, 3, 32, 32) # 造一个 1 张 3 通道 32x32 的假输入 print(model(dummy).shape) # 输出应为 (1, 10)即 10 个类别的得分这段最关键的一行是32 * 8 * 8。32 是通道数8 是经过两次池化后特征图的高和宽32 除以 2 再除以 2。这个数字算错Linear层就会报维度不匹配是新手跑 CNN 时最常见的报错。以后你看到别人改网络结构第一反应就该是「改完之后特征图尺寸变成多少了」。另一行值得注意的是padding1。3x3 的卷积核如果不补边每卷一次特征图就缩 2 个像素层数一多图就没了。补 1 圈正好抵消这个收缩是让网络能堆深的前提之一。跑通这段之后你会得到 10 个数字代表 10 个类别的得分。这时候模型还没训练输出基本是乱的这很正常。训练要做的事情就是不断调整这些卷积核和全连接层的参数让正确类别的得分慢慢变高。5. 新手避坑清单五个最容易翻车的地方和排查顺序入门阶段卡住人的很少是算法本身更多是一些琐碎但致命的小问题。这一章列五个高频坑每个都按「现象、原因、解决」写清楚遇到问题时按顺序排查能省下大量瞎试的时间。5.1 数据与环境层面的三个坑坑一图片读进来是 None后面全崩。现象是程序跑到img.shape就报AttributeError: NoneType object has no attribute shape。原因有两个路径写错了或者路径里有中文和空格导致读不到。OpenCV 在 Windows 上对中文路径支持一向有坑。解决办法是先print(img is None)确认读没读到路径尽量用英文如果必须用中文路径改用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)这种方式绕过。我建议你养成习惯读图之后永远加一行判空这一行能挡掉后面八成莫名其妙的报错。坑二颜色怪怪的红的变蓝。现象是处理完的图和原图对比颜色整体不对或者送进别的库之后色彩错乱。原因就是前面提过的通道顺序问题OpenCV 用 BGR其他很多库用 RGB。解决方法是转换一次cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。这个坑的隐蔽之处在于如果你的图以灰白为主颜色错了也不明显等你换到彩色数据集才发现前面调好的参数又得重来。坑三训练集和测试集图片尺寸不一致模型直接报维度错。现象是训练时好好的换个数据集就报尺寸不匹配。原因是绝大多数网络要求固定输入尺寸而你的图是从各处收集来的大小参差不齐。解决办法是在数据加载阶段统一做一次缩放比如都缩到 224x224 或者 64x64并且训练、验证、测试要用同一个尺寸。这里有个血泪经验缩放方式也要统一别训练时用裁剪、测试时用拉伸模型在两种分布上表现会差一截而且这种差异很难从日志里看出来。5.2 训练与评估层面的两个坑坑四准确率特别高实际用起来一塌糊涂。现象是验证集准确率到 95% 以上拿去跑真实图片却经常错。原因通常是数据分布不一致比如训练集里某一类占了绝大多数模型学会了「全猜这一类」也能拿高分或者训练集和验证集来自同一批拍摄条件没有覆盖真实场景的光照、角度、遮挡。解决办法是先看一眼类别分布print(np.bincount(y))就能看出来严重不均衡的话要么补数据要么用加权损失再就是把验证集单独用不同来源的图构造别和训练集同源。坑五改了参数重跑结果每次都不一样没法复现。现象是同一份代码跑两遍指标差好几个点压根不知道是参数起了作用还是玄学。原因是随机初始化、数据打乱、数据增强都带随机性种子没固定。解决办法是在程序开头统一固定随机种子PyTorch 下大概是这几行import random, numpy as np, torch def set_seed(seed42): random.seed(seed) # Python 内置随机 np.random.seed(seed) # numpy 随机 torch.manual_seed(seed) # torch CPU 随机 torch.cuda.manual_seed_all(seed) # torch GPU 随机 torch.backends.cudnn.deterministic True # 让卷积结果可复现 set_seed(42)固定种子之后至少同一份配置跑出来的结果是稳定的你才能判断改动的到底是哪一项起了作用。不固定种子做对比实验基本等于白做这是我踩过最多次的坑。排查顺序上我建议从数据查起先确认能不能正常读、尺寸对不对、类别分布怎么样、标签有没有和图片错位。数据没问题再看预处理最后才怀疑模型。新手常常反过来一上来就调网络结构、换学习率折腾半天发现是文件名和标签表对不上。6. 下一步学什么一条能走完的入门路线入门最怕的是「学了很多名词但没有一件事做完」。给你一条按周推进的路线三个月能走完一轮每段时间都有明确产出不用纠结学哪个方向。阶段时间要做的事产出打基础第 1 到 2 周读图、缩放、灰度、模糊、二值化、边缘检测全部用自己拍的图跑一遍一个能批量处理文件夹里所有图片的小脚本分类入门第 3 到 5 周自己收集两类图片跑通一次传统特征加分类器的完整流程一个能对新图给出类别的程序知道它的准确率大概多少深度入门第 6 到 9 周用现成的卷积网络结构做迁移学习只训练最后几层一个比上一阶段明显更准的模型附一份对比记录任务扩展第 10 到 12 周换到检测或分割任务先用现成模型跑通推理理解输出格式一份能在图上画出框或掩码的脚本这条路线里我特别想强调第七到九周的做法别自己从头设计网络、从头训练。新手在数据量小、算力有限的情况下从头训练大概率得到一个比传统方法还差的结果然后开始怀疑自己不适合这行。用已经在大数据集上训好的模型把它当特征提取器或者只微调最后几层几十分钟就能出结果成就感来得快也更容易理解每个环节在干什么。第 10 周之后换任务重点从「训练」转到「读懂输出」。检测模型的输出是一串框加类别加置信度分割模型的输出是一张和原图同尺寸的掩码先把这些输出格式弄明白再谈调优。这里有个小技巧把模型输出的框和掩码直接画回原图上看比看数字直观一百倍import cv2 def draw_boxes(img_path, boxes, labels, out_pathvis.jpg): img cv2.imread(img_path) for box, label in zip(boxes, labels): x1, y1, x2, y2 [int(v) for v in box] # 坐标转整数画图函数只认整数 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绿色框线宽 2 cv2.putText(img, str(label), (x1, max(y1 - 5, 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite(out_path, img) # 落盘方便逐张翻看 # boxes 是形如 [[x1, y1, x2, y2], ...] 的列表labels 是对应的类别名这段代码看着简单但它是我排查问题最常用的一件工具。模型指标再好把框画出来一看偏了、漏了、重复框了问题立刻暴露。最后说句真心话。我刚入门那会儿最喜欢干的事是收藏各种教程、下各种预训练模型硬盘塞满了手上却没跑完过一条完整流程。后来逼自己定了个规矩每学一个新概念必须用它处理一张自己拍的照片处理不出来就算没学会。这个习惯听起来笨但它让我从「看过」变成了「会做」。从那以后我每次接触新任务都强制先跑通一条最小可用的链路再谈优化。希望帮到你。本文还有配套的精品资源点击获取
简介这份《计算机视觉技术CV简要介绍》PDF面向希望系统了解计算机视觉基础框架的学习者与从业者围绕图像获取、前期处理、特征提取、图像分析和图像解释五个环节展开并梳理图像分类、物体检测、图像分割、人脸识别、姿态估计、光流估计与立体视觉等基本任务帮助读者建立从概念到应用场景的整体认知。资源包仅含1个PDF文件大小约483KB内容以理论概述、任务分类和典型应用说明为主适合作为课程预习、知识梳理或技术选型前的快速参考。目前已有175人学习下载。文中对传统方法与深度学习方法的差异、CNN在特征提取和图像分类中的作用以及医学影像、自动驾驶、安防监控、农业图像分析等落地场景均有涉及便于读者按任务类型查阅并延伸学习。1. 先搞懂一件事计算机视觉到底在教计算机做什么很多人第一次听到「计算机视觉」这四个字脑子里浮现的是机器人睁眼、摄像头闪烁觉得离自己很远。其实换个说法就好理解了你教一个从没见过世界的孩子认东西你不会给他讲像素、讲矩阵你只会指着一张照片说「这是猫」。计算机视觉干的活就是把这句「这是猫」翻译成计算机能执行的一串数字操作。它要解决的核心问题很朴素——让机器从一堆数字里看出「这里有什么、在哪里、在干什么」。你手机相册能按人脸自动分组、停车场能自动识车牌、医院里能从片子上圈出可疑区域背后都是同一套思路。这篇入门指南就从这个最朴素的认知出发带你弄明白 CV 是什么、八大任务怎么分、第一步该怎么迈。2. 一条主线走通全流程从一张图到一句结论计算机视觉看着任务五花八门但真正跑起来的主线只有一条就是从像素到语义。新手最容易犯的错是一头扎进某个算法名词里结果连数据在每一步长什么样都不知道。这一章先把这条主线铺开再让你亲手跑通第一个小例子跑完你会对「图像处理」这件事祛魅。2.1 五个步骤图像获取、前期处理、特征提取、图像分析、图像解释任何一次「让机器看懂图」的过程都能拆成五步顺序基本不会变。第一步是图像获取用摄像头或者传感器把现实世界采成数据。这里有个细节新手常忽略采到的不是「图」是一个数字矩阵每个格子叫像素彩色图通常有红绿蓝三个通道每个通道取值 0 到 255。现在硬件还能采到红外、深度等更多通道信息更丰富但也意味着后面的处理要区分对待。第二步是前期处理包括校正、去噪、增强。为什么要做因为现实里的图几乎不干净——光线忽明忽暗、镜头有畸变、传感器自带噪点。这一步不改内容只改质量目的是让后面的步骤别被噪声带偏。第三步是特征提取把图里能代表物体的信息拎出来。边缘、纹理、颜色是最基础的三类。传统方法靠人手工设计算子去抓这些特征深度学习则把这件事交给网络自己学。第四步是图像分析拿特征去完成具体任务这张图属于哪一类、图里有没有目标、目标在哪个位置、前后帧之间物体往哪动了。分类、检测、跟踪、分割都在这一步发生。第五步是图像解释做更高层的推理比如判断图里的人在做什么、物体之间是什么关系、整个场景是什么语义。这一步最接近人类看图的体验也是难度最高的一层。把这五步记住后面看到任何新算法你都能问一句它替换的是这五步里的哪一步答案通常很明确。2.2 第一个能跑的例子读图、转灰度、看清形状理论说完动手。第一个例子不用模型、不用训练只做三件事把图读进来、看看它的数据结构、做一次最简单的转换。这一步的意义在于让你亲眼看到「图像就是数组」。先装环境两个包就够pip install opencv-python numpyopencv-python负责读写图像和常用处理numpy负责数组运算。装完直接跑下面这段import cv2 # OpenCV 的 Python 接口图像读写的常用工具 import numpy as np # 图像本质是数组后面所有操作都靠它 # 读图默认按 BGR 三通道读入不是 RGB这点后面会专门说 img cv2.imread(cat.jpg) if img is None: # 路径写错时不会报错只会返回 None必须主动检查 raise FileNotFoundError(图片没读到检查路径和文件名) print(形状:, img.shape) # 输出类似 (480, 640, 3)依次是高、宽、通道数 print(数据类型:, img.dtype) # 一般是 uint8取值 0 到 255 # 转灰度把三通道压成一个通道很多任务的预处理第一步 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) print(灰度形状:, gray.shape) # 变成 (480, 640)通道那一维没了 # 落盘确认处理结果真的是你想的那样 cv2.imwrite(cat_gray.jpg, gray)代码里的几个点值得单独说清楚。img.shape返回的是「高、宽、通道数」不是「宽、高」新手按坐标去取像素时经常在这里翻车。dtype是uint8意味着像素值范围是 0 到 255一旦你在中间计算时让它溢出或者变成负数画面就会出现莫名其妙的色块。cv2.imread读不到文件时不会抛异常只静默返回None所以那句手动检查很有必要能帮你省掉大量「为什么后面全报错」的排查时间。至于 BGR 这个事是 OpenCV 早年留下的习惯。你用别的库比如画图库读进来是 RGB送进 OpenCV 处理前要是不转换红色和蓝色就对调了。这类问题在入门阶段特别常见画面看着「怪怪的但说不上哪怪」八成就是通道顺序错了。跑完这段你手上应该有两张图原图和灰度图。打开对比一下你会发现灰度图丢掉了颜色但形状、轮廓、明暗关系都还在。这就是为什么很多任务先转灰度——颜色信息对「这里有没有一个圆形物体」这种判断帮助不大反而增加计算量。2.3 为什么新手要按这个顺序学而不是先背算法市面上讲 CV 的内容很多一上来就是卷积、池化、反向传播公式一屏接一屏。我带过的新人里被这种方式劝退的比例不低。原因很简单你不知道这些运算在解决五步里的哪一步学起来就是纯记忆记完就忘。按「获取 → 预处理 → 特征 → 分析 → 解释」的顺序学好处是每一步都有可验证的产出。你处理完一张图能立刻看到它变清晰了还是变糊了你提取完边缘能立刻看到轮廓出来没出来。这种即时反馈是坚持下去的关键。所以我的建议是先把读图、转灰度、缩放、模糊、二值化这几个基本功练熟再去碰模型。这几个操作加起来不到十行代码但它们构成了后面所有复杂流程的地基。地基不牢模型跑不通时你根本判断不出是数据的问题还是网络的问题只能干瞪眼。3. 八大任务先认清你要做的到底是分类、检测还是分割新手第二个高频困惑是任务分不清。老板说「做个识别」你以为是把图分个类结果人家要的是框出位置你以为框出位置就完了人家还要精确到每个像素。这一章把八类任务摆开讲清楚每类给你一句人话定义加一个典型用途最后动手做一个分割小实验。3.1 分类、检测、分割三种最容易混的任务图像分类是最基础的一类给一整张图判断它属于哪个预定义类别。输入是一张图输出是一个标签或者每个类别的概率。比如判断这张图里有没有猫。它回答的问题是「是什么」不回答「在哪里」。物体检测往前走一步不光要知道图里有猫还要用边界框把每只猫的位置框出来。输出是一串「类别 框坐标」。它回答的是「有什么、在哪」。检测的典型流程包括候选区域生成、区域分类、位置回归最后还要做一次后处理把重叠的框去掉这一步叫非极大值抑制简称 NMS。NMS 的逻辑很直白同一只猫被框了好几次留置信度最高的那个把和它重叠太多的其他框删掉。图像分割再往前走一步把图划分成若干区域每个区域内的像素属于同一类。它回答的是「每个像素属于什么」。分割又分几种语义分割只区分类别不管个体所有猫都是「猫」这一类实例分割还要区分「第一只猫」和「第二只猫」。三者难度是递进的标注成本也是递进的。分类一张图一个标签检测一张图几个框分割要标到像素级人力开销差着数量级。新手选任务时最常见的错误是明明只需要分类却按检测的标准去标数据白白多花几倍时间。反过来如果需要知道位置却只做了分类交付时就要返工。判断方法很简单问自己一句「我最终要的输出长什么样」。是一个标签就做分类是一组框就做检测是一张和原图同样大小的掩码图就做分割。3.2 人脸识别、姿态估计、光流、立体视觉各自解决什么剩下几类任务各有各的专精方向理解它们的关键是看「输入多了什么维度」。人脸识别处理的是身份问题。流程一般是先检测出人脸区域再对齐把眼睛、嘴角这些关键点摆正然后提取特征向量最后和库里的模板比对算相似度超过阈值就认为是同一个人。它和通用图像分类的差别在于分类分的是「猫狗车」人脸识别比的是「这张脸和库里哪张脸最像」属于细粒度比对。常见做法从早期的降维方法到后来的分类器方法再到现在的深度网络提取特征路线一直在往「特征更有区分度」的方向走。姿态估计处理的是人体结构。先检测关节点肩、肘、腕这些再根据关节位置回归出整体姿态。输出可能是关节坐标也可能是旋转角度这类表示。它回答的是「这个人在摆什么姿势」动作捕捉、健身动作纠正都靠它。光流估计处理的是运动。输入是连续两帧或多帧输出是每个像素的运动矢量也就是「往哪个方向移动了多快」。它有个前提假设叫亮度恒定即同一个物理点在相邻帧里亮度基本不变。经典算法有 Lucas-Kanade适合稀疏点和 Horn-Schunck适合稠密场现在也有直接用网络学光流的做法。视频压缩、运动分析、视觉里程计都会用到它。立体视觉处理的是深度。用两个或多个视角同时拍同一场景通过同一个物体在左右图里的位置差视差反推距离。要做准前提是相机标定也就是把相机的内参焦距、畸变和外参位置、朝向求出来。标定不准后面算出的深度全是歪的。它回答的是「这个东西离我多远」三维重建、增强现实都建立在它之上。把这四类和前三类放一起看你会发现 CV 的任务地图其实很规整分类回答「是什么」检测回答「在哪」分割回答「哪些像素」人脸识别回答「是谁」姿态估计回答「什么姿势」光流回答「怎么动」立体视觉回答「多远」场景理解则是把上面这些串起来回答「发生了什么」。3.3 动手用阈值分割把前景抠出来概念清楚了来做第一个带「分割」味道的小实验。用最简单的一种分割方法——阈值分割把亮度明显高于背景的目标抠出来。这个方法在目标和背景灰度差异明显时非常好用代码短效果直观。import cv2 # 直接以灰度模式读入省掉一次转换 img cv2.imread(coin.jpg, cv2.IMREAD_GRAYSCALE) # 先做一次高斯模糊5x5 的核目的是压掉噪点避免噪点被当成目标 blur cv2.GaussianBlur(img, (5, 5), 0) # 固定阈值二值化大于 127 的像素置为 255白其余置为 0黑 _, binary cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY) # 找外轮廓RETR_EXTERNAL 只取最外层CHAIN_APPROX_SIMPLE 压缩直线上的冗余点 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(找到的轮廓数量:, len(contours)) # 把面积太小的轮廓过滤掉这类多半是噪声 areas [cv2.contourArea(c) for c in contours] print(各轮廓面积:, sorted(areas, reverseTrue)[:5])几个参数值得解释。(5, 5)是模糊核大小必须是奇数数值越大越模糊去噪越强但也越容易把细节抹掉。127是阈值这个数字是猜的真实场景里几乎不会刚好合适。cv2.THRESH_BINARY表示「高于阈值取最大值低于阈值取 0」还有反向的THRESH_BINARY_INV前景背景颠倒时换一下就行。如果 127 不合适怎么办两种办法。一是手动试写个循环把阈值从 0 到 255 都跑一遍看哪个顺眼这方法土但有效。二是用 Otsu 自动阈值把127换成0把类型加上cv2.THRESH_OTSU算法会根据灰度直方图自己算一个让前景背景分得最开的阈值。Otsu 在双峰直方图上表现很好如果你的图光照不均它的效果就会打折。跑完这段你会得到一张黑白图和一堆轮廓。这就是最原始的分割把像素按灰度分成两类。深度学习分割做的事情本质上也是给每个像素分类只不过它用的依据比「灰度超没超过 127」复杂得多能处理光照变化、颜色混杂这些硬骨头。4. 传统方法还是深度学习新手的第一套工具怎么配环境配好、任务认清之后问题来了学哪个网上一边说「传统方法已经过时」一边说「不懂传统方法就是黑匣子调包」。这两种说法都有偏。这一章把两条路线摆开告诉你各自适合什么场景各给一个能跑的最小例子最后让你读懂一个卷积网络的结构。4.1 传统路线手工特征加分类器先建立直觉传统路线的公式很固定先用手工设计的算子从图里提特征再把特征向量喂给一个分类器。特征这边常见的有颜色直方图、纹理特征比如 LBP、边缘特征Sobel、Canny还有在行人检测里用得很多的 HOG。分类器这边支持向量机、随机森林、K 近邻都是常客。这条路线的价值不在于精度多高而在于每一步都可解释。你能清清楚楚地看到我提取了哪些数字分类器是根据哪些数字做的判断改一个参数特征怎么变。这种透明度在入门阶段极其宝贵。深度模型很多时候是个黑匣子输入进去、结果出来中间发生了什么你只能靠可视化去猜。先走一遍传统路线你至少知道「特征」这个词具体指什么。下面这个例子用 HOG 特征加支持向量机做一次二分类数据用你自己准备的两个文件夹的图就行。import cv2 import numpy as np from sklearn.svm import SVC from skimage.feature import hog # 提取 HOG 特征 def load_features(paths, size(64, 64)): feats [] for p in paths: img cv2.imread(p, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, size) # 统一尺寸分类器要求输入维度一致 # orientations 是梯度方向的分箱数pixels_per_cell 是每个单元格的像素数 f hog(img, orientations9, pixels_per_cell(8, 8), cells_per_block(2, 2), visualizeFalse) feats.append(f) return np.array(feats) # 假设 cat_paths / dog_paths 是你自己整理好的图片路径列表 X load_features(cat_paths dog_paths) y np.array([1] * len(cat_paths) [0] * len(dog_paths)) # 1 表示猫0 表示狗 clf SVC(kernelrbf) # rbf 核适合特征维度较高、线性不可分的情况 clf.fit(X, y) print(训练样本数:, X.shape[0], 特征维度:, X.shape[1])参数部分解释一下。size(64, 64)是因为 HOG 输出维度跟图像尺寸直接挂钩尺寸不统一特征长度就不一致分类器直接报错——这是新手第一天最容易撞的墙。orientations9表示把梯度方向分成 9 个区间统计数值越大描述越细但特征也越长。pixels_per_cell(8, 8)决定统计的粒度块越小越能捕捉细节但抗噪能力会下降。这套流程跑通之后你会对「什么叫特征」有实感。HOG 提取出来的其实就是一张张局部梯度方向的统计表它不理解什么是猫但它知道猫的轮廓方向分布和狗不太一样。这种「用统计量描述形状」的思路是理解后面所有深度方法的基础。传统路线的短板也很明显特征是人设计的人想不到的特征它就抓不到。光照一变、角度一转、物体被挡了一半手工特征的稳定性就崩了。这就是深度学习上位的根本原因——它不依赖人猜特征而是从大量数据里自己学。4.2 深度学习路线五个里程碑模型各解决了什么深度学习做图像主力是卷积神经网络。它在结构上有两个关键动作卷积和池化。卷积就是拿一个小窗口在图上滑动每滑一处算一次加权求和用来抓局部模式边缘、角点、纹理池化是把一小块区域压成一个值用来降尺寸、扩感受野、增加一点平移不变性。多层堆叠之后浅层学到的是边缘这类低级特征深层学到的是「猫耳朵」这种高级语义。最后接全连接层和 softmax把特征映射成各类别的概率。入门阶段不用把每个模型都复现一遍但要知道它们各自解决了什么问题这张表可以当索引存着。模型关键特点解决了什么LeNet-5较早的卷积网络结构层数浅把手写数字识别跑通证明了卷积可行AlexNet更深的卷积堆叠配合数据增强和 Dropout让深度网络在图像分类上大幅领先传统方法VGGNet统一用小尺寸卷积核结构规整证明了「堆深度」有效网络设计变简单GoogLeNet引入 Inception 模块多尺度并行在参数量明显减少的情况下提升性能ResNet引入残差连接缓解深层网络难训练的问题让上百层成为可能看这张表重点抓两条线。一条是深度从几层到十几层再到上百层网络越来越深。另一条是训练稳定性网络越深越难训ResNet 的残差连接就是专门解决这个的——它让信息能跨层直接传过去梯度不至于在深网络里消失。理解了这两条线你再看到新模型就能大致判断它在解决哪类问题。4.3 读懂一个 CNN 的结构骨架下面这段是 PyTorch 风格的结构定义目的不是让你立刻训练而是让你看懂「一张图进网络后形状怎么变」。读代码时重点盯每层的输入输出维度。import torch import torch.nn as nn class SmallCNN(nn.Module): def __init__(self, num_classes10): super().__init__() self.features nn.Sequential( # 输入 3 通道彩色图输出 16 通道卷积核 3x3边缘补 1 圈保持尺寸 nn.Conv2d(3, 16, kernel_size3, padding1), nn.ReLU(), # 激活函数给网络引入非线性 nn.MaxPool2d(2), # 2x2 池化高宽各减半 nn.Conv2d(16, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), # 再减半 ) self.classifier nn.Sequential( nn.Flatten(), # 把多维特征拉平成一维向量 nn.Linear(32 * 8 * 8, num_classes) # 输入维度要和上一层特征图大小对得上 ) def forward(self, x): x self.features(x) return self.classifier(x) model SmallCNN(num_classes10) dummy torch.zeros(1, 3, 32, 32) # 造一个 1 张 3 通道 32x32 的假输入 print(model(dummy).shape) # 输出应为 (1, 10)即 10 个类别的得分这段最关键的一行是32 * 8 * 8。32 是通道数8 是经过两次池化后特征图的高和宽32 除以 2 再除以 2。这个数字算错Linear层就会报维度不匹配是新手跑 CNN 时最常见的报错。以后你看到别人改网络结构第一反应就该是「改完之后特征图尺寸变成多少了」。另一行值得注意的是padding1。3x3 的卷积核如果不补边每卷一次特征图就缩 2 个像素层数一多图就没了。补 1 圈正好抵消这个收缩是让网络能堆深的前提之一。跑通这段之后你会得到 10 个数字代表 10 个类别的得分。这时候模型还没训练输出基本是乱的这很正常。训练要做的事情就是不断调整这些卷积核和全连接层的参数让正确类别的得分慢慢变高。5. 新手避坑清单五个最容易翻车的地方和排查顺序入门阶段卡住人的很少是算法本身更多是一些琐碎但致命的小问题。这一章列五个高频坑每个都按「现象、原因、解决」写清楚遇到问题时按顺序排查能省下大量瞎试的时间。5.1 数据与环境层面的三个坑坑一图片读进来是 None后面全崩。现象是程序跑到img.shape就报AttributeError: NoneType object has no attribute shape。原因有两个路径写错了或者路径里有中文和空格导致读不到。OpenCV 在 Windows 上对中文路径支持一向有坑。解决办法是先print(img is None)确认读没读到路径尽量用英文如果必须用中文路径改用cv2.imdecode(np.fromfile(path, dtypenp.uint8), cv2.IMREAD_COLOR)这种方式绕过。我建议你养成习惯读图之后永远加一行判空这一行能挡掉后面八成莫名其妙的报错。坑二颜色怪怪的红的变蓝。现象是处理完的图和原图对比颜色整体不对或者送进别的库之后色彩错乱。原因就是前面提过的通道顺序问题OpenCV 用 BGR其他很多库用 RGB。解决方法是转换一次cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。这个坑的隐蔽之处在于如果你的图以灰白为主颜色错了也不明显等你换到彩色数据集才发现前面调好的参数又得重来。坑三训练集和测试集图片尺寸不一致模型直接报维度错。现象是训练时好好的换个数据集就报尺寸不匹配。原因是绝大多数网络要求固定输入尺寸而你的图是从各处收集来的大小参差不齐。解决办法是在数据加载阶段统一做一次缩放比如都缩到 224x224 或者 64x64并且训练、验证、测试要用同一个尺寸。这里有个血泪经验缩放方式也要统一别训练时用裁剪、测试时用拉伸模型在两种分布上表现会差一截而且这种差异很难从日志里看出来。5.2 训练与评估层面的两个坑坑四准确率特别高实际用起来一塌糊涂。现象是验证集准确率到 95% 以上拿去跑真实图片却经常错。原因通常是数据分布不一致比如训练集里某一类占了绝大多数模型学会了「全猜这一类」也能拿高分或者训练集和验证集来自同一批拍摄条件没有覆盖真实场景的光照、角度、遮挡。解决办法是先看一眼类别分布print(np.bincount(y))就能看出来严重不均衡的话要么补数据要么用加权损失再就是把验证集单独用不同来源的图构造别和训练集同源。坑五改了参数重跑结果每次都不一样没法复现。现象是同一份代码跑两遍指标差好几个点压根不知道是参数起了作用还是玄学。原因是随机初始化、数据打乱、数据增强都带随机性种子没固定。解决办法是在程序开头统一固定随机种子PyTorch 下大概是这几行import random, numpy as np, torch def set_seed(seed42): random.seed(seed) # Python 内置随机 np.random.seed(seed) # numpy 随机 torch.manual_seed(seed) # torch CPU 随机 torch.cuda.manual_seed_all(seed) # torch GPU 随机 torch.backends.cudnn.deterministic True # 让卷积结果可复现 set_seed(42)固定种子之后至少同一份配置跑出来的结果是稳定的你才能判断改动的到底是哪一项起了作用。不固定种子做对比实验基本等于白做这是我踩过最多次的坑。排查顺序上我建议从数据查起先确认能不能正常读、尺寸对不对、类别分布怎么样、标签有没有和图片错位。数据没问题再看预处理最后才怀疑模型。新手常常反过来一上来就调网络结构、换学习率折腾半天发现是文件名和标签表对不上。6. 下一步学什么一条能走完的入门路线入门最怕的是「学了很多名词但没有一件事做完」。给你一条按周推进的路线三个月能走完一轮每段时间都有明确产出不用纠结学哪个方向。阶段时间要做的事产出打基础第 1 到 2 周读图、缩放、灰度、模糊、二值化、边缘检测全部用自己拍的图跑一遍一个能批量处理文件夹里所有图片的小脚本分类入门第 3 到 5 周自己收集两类图片跑通一次传统特征加分类器的完整流程一个能对新图给出类别的程序知道它的准确率大概多少深度入门第 6 到 9 周用现成的卷积网络结构做迁移学习只训练最后几层一个比上一阶段明显更准的模型附一份对比记录任务扩展第 10 到 12 周换到检测或分割任务先用现成模型跑通推理理解输出格式一份能在图上画出框或掩码的脚本这条路线里我特别想强调第七到九周的做法别自己从头设计网络、从头训练。新手在数据量小、算力有限的情况下从头训练大概率得到一个比传统方法还差的结果然后开始怀疑自己不适合这行。用已经在大数据集上训好的模型把它当特征提取器或者只微调最后几层几十分钟就能出结果成就感来得快也更容易理解每个环节在干什么。第 10 周之后换任务重点从「训练」转到「读懂输出」。检测模型的输出是一串框加类别加置信度分割模型的输出是一张和原图同尺寸的掩码先把这些输出格式弄明白再谈调优。这里有个小技巧把模型输出的框和掩码直接画回原图上看比看数字直观一百倍import cv2 def draw_boxes(img_path, boxes, labels, out_pathvis.jpg): img cv2.imread(img_path) for box, label in zip(boxes, labels): x1, y1, x2, y2 [int(v) for v in box] # 坐标转整数画图函数只认整数 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绿色框线宽 2 cv2.putText(img, str(label), (x1, max(y1 - 5, 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite(out_path, img) # 落盘方便逐张翻看 # boxes 是形如 [[x1, y1, x2, y2], ...] 的列表labels 是对应的类别名这段代码看着简单但它是我排查问题最常用的一件工具。模型指标再好把框画出来一看偏了、漏了、重复框了问题立刻暴露。最后说句真心话。我刚入门那会儿最喜欢干的事是收藏各种教程、下各种预训练模型硬盘塞满了手上却没跑完过一条完整流程。后来逼自己定了个规矩每学一个新概念必须用它处理一张自己拍的照片处理不出来就算没学会。这个习惯听起来笨但它让我从「看过」变成了「会做」。从那以后我每次接触新任务都强制先跑通一条最小可用的链路再谈优化。希望帮到你。本文还有配套的精品资源点击获取
