2、环境搭建与工具链准备：Python环境配置、OpenCV、PyTorch/TensorFlow安装、IDE推荐（VS Code/PyCharm）与调试技巧

安装步骤很简单：

1. 去官网下载Anaconda（或者轻量的Miniconda）
2. 安装时勾选「Add to PATH」（Windows用户注意）
3. 打开终端，验证：conda --version

然后创建我们的项目环境：

conda create -n obstacle_detection python=3.9
conda activate obstacle_detection

嗯，这里要注意：Python版本别选太新。3.9到3.11是比较稳妥的范围。我去年用3.12踩过坑，有些库还没适配。

2.2 OpenCV安装：图像处理的基础

OpenCV是我们做视觉避不开的库。读取视频帧、图像预处理、画检测框，全靠它。

安装命令：

pip install opencv-python
pip install opencv-contrib-python  # 包含额外模块

为什么装两个？opencv-python是核心库，opencv-contrib-python包含了SIFT、SURF等专利算法。如果你要做特征匹配，第二个必须装。

2.3 深度学习框架：PyTorch vs TensorFlow

这个问题我经常被问到。我的建议很直接：做研究、快速原型，选PyTorch；做工业部署、移动端，选TensorFlow。但咱们这门课，我推荐PyTorch——生态好，调试方便，社区活跃。

安装PyTorch（以CUDA 11.8为例）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

如果你没有NVIDIA显卡，或者只想用CPU跑：

pip install torch torchvision torchaudio

验证安装：

import torch
print(torch.__version__)
print(torch.cuda.is_available())  # 有显卡会返回True

2.4 IDE推荐与配置

工欲善其事，必先利其器。我主要用两个：

我个人习惯用VS Code，因为插件生态太香了。必装插件：

• Python（微软官方）——代码补全、调试
• Pylance——类型检查
• Jupyter——在VS Code里跑Notebook
• GitLens——看代码历史

2.5 调试技巧：别只会print

说实话，我早期做项目也是print大法。但后来发现，调试器才是真香。尤其是做目标检测，中间变量多，print看不过来。

VS Code调试三步走：

1. 在代码行号左侧点击，设置断点（红点）
2. 按 F5 启动调试
3. 在左侧「变量」窗口查看当前值，按 F10 单步执行

还有一个我常用的：条件断点。比如循环1000次，我只想看第500次的情况。右键断点，设置条件 i == 500，调试器会自动停在那里。

2.6 本章知识体系

下面这张图，把整个环境搭建的流程串起来了：

2.7 快速验证脚本

环境装完，跑个脚本验证一下，心里踏实：

import cv2
import torch
import numpy as np

print(f"OpenCV 版本: {cv2.__version__}")
print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")

# 创建一个随机图像测试
img = np.random.randint(0, 255, (480, 640, 3), dtype=np.uint8)
cv2.imshow("Test", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

如果能看到一个随机噪点图弹出来，恭喜你，环境搭好了。接下来就可以正式开始障碍物检测的实战了。