第一章 课程导学与环境搭建

各位同学，欢迎来到《OpenCV YOLO 检测与实时流处理》的第一课。

我是这门课的主讲。说实话，每次带新班，我都很看重这第一节。为什么？因为环境搭不好，后面全是坑。我自己早年学计算机视觉时，光装OpenCV就折腾了两天，最后发现是Python版本不对。嗯，这种弯路，我希望你们一次都不要走。

1.1 OpenCV 是什么？

OpenCV，全称Open Source Computer Vision Library。说白了，就是一套开源的计算机视觉工具包。

它诞生于1999年，最初是Intel的研究项目。我2015年第一次接触它时，版本还是2.4.x。那时候文档少，遇到问题全靠翻源码。现在好多了，社区活跃，资料也全。

你想想看，一个库能同时搞定图像处理和深度学习推理，这就是我们选它的理由。

1.2 YOLO 发展史

YOLO，You Only Look Once。这个名字很直白——只看一次。

传统目标检测算法，比如R-CNN系列，需要先生成候选区域，再逐个分类。YOLO不一样，它把检测当成回归问题，一次前向传播就输出所有边界框和类别。

版本	发布时间	核心特点
YOLOv1	2016	开创性工作，速度极快但精度一般
YOLOv2	2017	引入Anchor Box，多尺度训练
YOLOv3	2018	Darknet-53骨干，多尺度预测
YOLOv4	2020	Bag of Freebies，速度和精度平衡
YOLOv5	2020	PyTorch实现，工程化极好
YOLOv8	2023	Ultralytics出品，支持分类/检测/分割

我个人习惯用YOLOv5和YOLOv8。v5稳定，v8功能全。你在项目中选哪个？看场景。如果追求极致速度，v5 nano模型在边缘设备上跑得很欢。如果需要实例分割，v8是更好的选择。

1.3 课程目标

这门课不是纯理论课。我们不讲那些花哨的数学推导。我们要做的是：

• 用OpenCV读取摄像头或视频文件
• 加载YOLO模型进行实时检测
• 在画面上绘制检测结果
• 处理多路视频流
• 优化推理性能

说白了，学完这门课，你能自己搭一套实时目标检测系统。从摄像头采集到画面显示，一条龙搞定。

1.4 Anaconda 与 Python 环境配置

环境配置这块，我吃过不少亏。曾经有一次，我在项目里同时用了两个不同版本的TensorFlow，结果Python解释器直接崩溃。从那以后，我坚持用虚拟环境。

Anaconda是目前最省心的Python发行版。它自带conda包管理器，创建虚拟环境就像切菜一样简单。

安装步骤

1. 访问Anaconda官网，下载对应系统的安装包
2. 安装时勾选"Add Anaconda to my PATH environment variable"
3. 打开终端或命令提示符，验证安装：conda --version

创建虚拟环境

conda create -n opencv-yolo python=3.9
conda activate opencv-yolo

为什么用Python 3.9？因为OpenCV和YOLO的依赖库对3.9支持最好。3.10以上有些包还没完全适配。这是我踩坑换来的经验。

1.5 OpenCV 与 YOLO 依赖安装

环境激活后，我们来装依赖。

安装 OpenCV

pip install opencv-python
pip install opencv-contrib-python

opencv-python是核心库，opencv-contrib-python包含扩展模块。我建议两个都装。contrib里有一些好用的算法，比如SIFT、SURF，虽然现在有专利问题，但学习阶段用用无妨。

安装 YOLO 依赖

我们主要用Ultralytics的YOLOv8实现：

pip install ultralytics
pip install torch torchvision

Ultralytics会自动下载模型权重。第一次运行时会慢一些，别急。

验证安装

写个简单脚本测试一下：

import cv2
import torch
from ultralytics import YOLO

print("OpenCV version:", cv2.__version__)
print("PyTorch version:", torch.__version__)

# 加载YOLOv8模型
model = YOLO('yolov8n.pt')
print("YOLO model loaded successfully")

如果没报错，恭喜你，环境搭好了。

1.6 本章知识体系

下面这张图，帮你理清第一章的核心脉络：

1.7 常见问题与避坑

最后，分享几个我遇到过的问题：

• OpenCV安装失败：试试用conda安装：conda install -c conda-forge opencv
• PyTorch GPU版本：如果你有NVIDIA显卡，装CUDA版PyTorch，推理速度快10倍不止
• 模型下载慢：设置代理，或者用迅雷下载后手动放置

好了，第一章就到这里。环境搭好，后面的事就顺了。