2. 开发环境搭建：Python环境配置、OpenCV安装、dlib库安装、face_recognition库安装、GPU环境配置（CUDA/cuDNN）
说实话，环境搭建这事儿，看着简单，但坑是真不少。我见过太多同学代码写好了，结果卡在环境上，一卡就是半天。所以这一章，咱们把每个步骤都捋清楚。
先看整体流程，心里有个谱：
2.1 Python 环境配置
我个人习惯用 Anaconda 来管理 Python 环境。为什么？因为项目多了你就知道，依赖冲突有多烦人。Anaconda 能帮你隔离环境，一个项目一个环境，互不干扰。
安装步骤很简单：
- 去 Anaconda 官网下载对应系统的安装包
- 一路默认安装，记得勾选「Add Anaconda to my PATH」
- 打开终端（Windows 用 Anaconda Prompt），验证安装：
conda --version
python --version然后创建一个专用环境：
conda create -n face_recognition python=3.8
conda activate face_recognition嗯，这里要注意：环境名别用中文，有些库对路径里的中文支持不好。我之前有个学生用了中文名，结果 dlib 编译死活过不去，折腾了两小时才发现是这个问题。
2.2 OpenCV 安装
OpenCV 是人脸识别的眼睛。没有它，你连图片都读不进来。
安装方式有两种：
| 方式 | 命令 | 说明 |
|---|---|---|
| pip 安装（推荐） | pip install opencv-python |
包含核心模块，够用 |
| 完整版 | pip install opencv-contrib-python |
包含扩展模块，功能更全 |
我个人建议先装核心版，等后面需要 SIFT、SURF 这些特征提取时再换完整版。别一开始就装个大包，没必要。
验证安装：
python -c "import cv2; print(cv2.__version__)"如果输出了版本号，比如 4.8.0，那就成了。
2.3 dlib 库安装
dlib 这个库，怎么说呢，又爱又恨。爱的是它的人脸关键点检测确实准，恨的是它编译起来真能折腾人。
先试试最简单的安装方式：
pip install dlib如果顺利，几秒钟就装好了。但如果你用的是 Windows，或者 Python 版本比较新，很可能会报错——因为 pip 上没有预编译的 wheel 包。
这时候怎么办？我教你两招：
- 方法一：用 conda 装
conda install -c conda-forge dlib，conda 会帮你处理依赖 - 方法二：从源码编译，但需要先装 CMake 和 Visual Studio Build Tools
我曾经在 Windows 上从源码编译 dlib，等了整整 20 分钟。那会儿我还以为是电脑死机了……后来发现它就是在老老实实地编译。
验证安装：
python -c "import dlib; print(dlib.__version__)"pip install face_recognition 时让它自动装。face_recognition 依赖 dlib，安装过程会帮你处理。
2.4 face_recognition 库安装
这个库是 dlib 的上层封装，把很多复杂操作简化成了几行代码。说白了，它就是让你不用关心底层算法细节，直接调 API 就能做人脸识别。
安装命令：
pip install face_recognition它会自动安装 dlib 和 numpy 等依赖。如果 dlib 已经装好了，这一步会很快。
验证安装：
python -c "import face_recognition; print('安装成功')"我们来写个最简单的测试代码，看看能不能检测到人脸：
import face_recognition
# 加载一张图片
image = face_recognition.load_image_file("test.jpg")
# 检测人脸位置
face_locations = face_recognition.face_locations(image)
print(f"检测到 {len(face_locations)} 张人脸")如果输出 检测到 1 张人脸 或者更多，那就说明环境完全 OK 了。
2.5 GPU 环境配置（CUDA / cuDNN）
如果你有 NVIDIA 显卡，那一定要配 GPU 环境。为什么？我举个例子：用 CPU 处理一张 1080p 图片的人脸检测，大概需要 0.3 秒；用 GPU 的话，0.05 秒就搞定了。你想想看，要是做实时视频流，这差距就是能不能用的区别。
配置步骤：
- 检查显卡驱动：打开终端，输入
nvidia-smi，看有没有输出 - 安装 CUDA Toolkit：去 NVIDIA 官网下载对应版本，我推荐 CUDA 11.8 或 12.1
- 安装 cuDNN：需要注册 NVIDIA 开发者账号，下载后把文件复制到 CUDA 安装目录
- 配置环境变量：把 CUDA 的 bin 和 lib 路径加到 PATH 里
验证 CUDA 是否装好：
nvcc --version验证 cuDNN 是否装好：
python -c "import torch; print(torch.cuda.is_available())"如果输出 True，那就说明 GPU 环境配好了。
最后，把 GPU 版本的 dlib 也装一下：
pip install dlib-gpu或者从源码编译时加上 -DUSE_AVX_INSTRUCTIONS=ON -DDLIB_USE_CUDA=ON 选项。