📚 课程目录第1章课程导学与环境准备

1. 课程导学与环境准备：YOLO发展史、ONNX与OpenCV简介、环境搭建

各位同学，欢迎来到《YOLO模型导出与OpenCV部署全流程》的第一章。

我是这门课的主讲。在AI部署这个领域摸爬滚打了六七年，踩过的坑比写过的代码还多。今天咱们不急着敲命令，先把地基打牢。

这一章，我会带你理清YOLO的进化路线，搞懂ONNX和OpenCV到底扮演什么角色，最后手把手把开发环境搭起来。嗯，这部分做好了，后面三十章你会走得很顺。

1.1 YOLO发展史：从v3到v10，我们经历了什么？

YOLO（You Only Look Once）系列，说白了就是目标检测领域的「闪电侠」。它把检测任务当成一个回归问题，一次前向推理就能输出目标位置和类别。我最早接触YOLOv3是在2018年，那时候它刚出来，速度和精度吊打当时的Faster R-CNN。

下面这张图是我整理的YOLO核心版本演进脉络，你可以先有个整体印象：

几个关键版本，我挑重点说：

YOLOv3：里程碑式作品。引入Darknet-53骨干和FPN多尺度预测。我记得当时在工业质检项目里用它，一张1080p图片在1080Ti上能跑到30ms，精度还过得去。但它的Anchor设置比较死板，小目标容易漏。
YOLOv5：把YOLO带入了PyTorch时代。CSPNet结构让模型更轻量，Mosaic数据增强是神来之笔。我个人习惯用v5s做边缘端部署，模型才7MB，树莓派4B上能跑到15FPS。
YOLOv8：Ultralytics官方出品，Anchor-Free设计，解耦头，Task-Aligned分配策略。我在2023年把一个安防项目从v5迁移到v8，mAP涨了3个点，但导出ONNX时遇到C2f算子的兼容问题——这个坑后面我会专门讲。
YOLOv10：2024年新秀。最大的亮点是NMS-Free，靠双重标签分配和一致匹配损失去掉了NMS后处理。部署时少写几十行C++代码，推理速度还能再提10%。

我的建议： 初学者从YOLOv8入手最稳妥。生态成熟、文档齐全、导出ONNX踩坑少。v10虽然新，但部分边缘设备算子支持还不完善。

1.2 ONNX与OpenCV：部署的两把瑞士军刀

模型训练好只是第一步。怎么把它搬到生产环境里跑起来？这就轮到ONNX和OpenCV登场了。

ONNX：模型界的通用语言

ONNX（Open Neural Network Exchange）说白了就是一个模型中间表示格式。你拿PyTorch训练出来的.pt文件，除了PyTorch自己，别的框架读不懂。但转成ONNX之后，TensorRT、OpenVINO、ONNX Runtime都能认。

我举个例子：之前有个项目需要在NVIDIA Jetson上跑，训练用的PyTorch，推理用TensorRT。中间桥梁就是ONNX。没有它，你得手写网络结构再加载权重——想想就头疼。

特性	PyTorch模型 (.pt)	ONNX模型 (.onnx)
依赖环境	必须安装PyTorch + CUDA	仅需ONNX Runtime或推理后端
跨平台	差，Python独占	好，C++/Python/Java/C#均可
推理优化	依赖PyTorch JIT	可做图优化、量化、算子融合
部署场景	研究、快速验证	生产环境、边缘设备、移动端

OpenCV：计算机视觉的「万能工具箱」

OpenCV在部署里的角色，我总结为三点：

图像预处理：读图、resize、归一化、颜色空间转换。这些操作在OpenCV里一行代码搞定，比用PyTorch的transforms快得多。
后处理辅助：画框、计算IOU、NMS（如果你不用v10的话）。OpenCV的dnn::NMSBoxes函数我用了无数次。
推理引擎：OpenCV 4.x以上集成了DNN模块，可以直接加载ONNX模型做推理。虽然性能不如专用引擎，但胜在零依赖——一个opencv_world.dll全搞定。

注意： OpenCV的DNN模块对ONNX算子的支持不是100%覆盖。我曾经遇到一个模型里用了torch.chunk，导出ONNX后OpenCV死活不认。解决办法是修改模型结构，用Slice算子替代。这个坑在第五章我会详细演示。

1.3 Python虚拟环境搭建：别让依赖变成噩梦

做AI部署，最怕什么？最怕「在我电脑上能跑」。不同项目依赖的PyTorch版本、CUDA版本、OpenCV版本可能互相冲突。虚拟环境就是解决这个问题的。

我个人习惯用conda，因为它连CUDA Toolkit都能一起管理。当然venv也行，看个人喜好。

步骤一：安装Miniconda

去官网下载Miniconda（Python 3.10+版本）。安装时记得勾选「Add to PATH」。

步骤二：创建虚拟环境

# 创建环境，指定Python版本
conda create -n yolo_deploy python=3.10 -y

# 激活环境
conda activate yolo_deploy

# 验证Python版本
python --version

步骤三：安装核心依赖

# PyTorch（根据你的CUDA版本选择命令）
# CUDA 11.8
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118

# CUDA 12.1
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu121

# CPU版本（没有NVIDIA显卡用这个）
pip install torch==2.1.0 torchvision==0.16.0

# Ultralytics（YOLOv8/v10官方库）
pip install ultralytics

# ONNX相关
pip install onnx onnxruntime-gpu  # GPU版本
# pip install onnx onnxruntime     # CPU版本

# OpenCV
pip install opencv-python opencv-contrib-python

避坑指南： 我曾经在Windows上装onnxruntime-gpu，结果它自动装了CUDA 11.8版本，而我系统里是CUDA 12.1，导致运行时崩溃。解决方案：先查onnxruntime-gpu支持的CUDA版本，再匹配安装。

1.4 CUDA与cuDNN安装验证：让GPU真正跑起来

很多同学装完CUDA，跑nvidia-smi能看到显卡，就以为万事大吉了。其实不然。nvidia-smi显示的是驱动版本，不代表CUDA Toolkit已经装好。PyTorch用的是Toolkit里的东西。

验证方法一：检查驱动与CUDA版本

nvidia-smi

看右上角的「CUDA Version」，比如显示12.1，说明驱动支持CUDA 12.1及以下版本。

验证方法二：检查CUDA Toolkit是否安装

nvcc --version

如果提示nvcc not found，说明没装CUDA Toolkit。去NVIDIA官网下载对应版本安装。

验证方法三：PyTorch能否调用GPU

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

输出True和你的显卡型号（比如NVIDIA GeForce RTX 3090），才算真正配好了。

验证方法四：cuDNN是否生效

python -c "import torch; print(torch.backends.cudnn.version())"

输出类似8700的数字，表示cuDNN 8.7.0在工作。

我曾经踩过的坑： 有一次在服务器上配环境，torch.cuda.is_available()返回True，但跑YOLOv8训练时速度奇慢。排查半天发现cuDNN没装，PyTorch回退到纯CUDA实现，卷积运算慢了5倍。所以cuDNN一定要装，别偷懒。

本章小结

这一章我们走完了YOLO的进化路线，搞懂了ONNX和OpenCV在部署中的角色，也把开发环境搭好了。你想想看，现在你手上有一个干净的虚拟环境，PyTorch、ONNX、OpenCV都装好了，GPU也能正常调用——这就是后面所有实战的基础。