📚 课程目录第4章 Python环境搭建

Python 环境搭建：Anaconda、OpenCV、dlib 与 GPU 加速

说实话，搞安防人脸识别，环境搭不好，后面全是坑。

我见过太多人，代码写得挺溜，一跑起来卡成幻灯片。或者装个 dlib 装了一整天，最后报错崩溃。

这一章，咱们就把地基打牢。我把自己踩过的坑、试出来的最佳路径，全摊开来讲。

4.1 为什么选 Anaconda？

Python 的包管理，说白了就是「依赖地狱」。这个库要 3.8，那个库要 3.10，你装一个，崩一片。

Anaconda 解决的就是这个问题。它给你一个隔离的虚拟环境，每个项目各玩各的，互不干扰。

核心原则： 一个项目，一个环境。别偷懒。

我个人习惯，每个安防项目都新建一个独立环境。比如这个课程，我就建一个叫 face_recog 的环境。

安装步骤

去 Anaconda 官网 下载对应系统的安装包（Windows / Linux / macOS）。
安装时，勾选 "Add Anaconda to my PATH environment variable"（省得后面配环境变量）。
打开终端（Windows 用 Anaconda Prompt），验证安装：

conda --version
# 输出类似：conda 23.7.4

创建虚拟环境

conda create -n face_recog python=3.9 -y
conda activate face_recog

这里我选 Python 3.9，为什么？因为 dlib 和 OpenCV 对 3.9 的支持最稳。3.10 以上有些坑，我后面会讲。

小技巧： 环境名别太长，也别用中文。我吃过这个亏，路径解析报错，查了半天。

4.2 OpenCV 安装：从 CPU 到 GPU

OpenCV 是安防人脸识别的眼睛。读摄像头、处理帧、画框，全靠它。

CPU 版本（快速上手）

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

这个版本装起来最快，5 分钟搞定。但说实话，如果你要做实时分析，CPU 版本跑 1080p 视频，帧率很难看。

GPU 版本（生产环境必备）

OpenCV 的 GPU 加速，靠的是 CUDA。你需要自己编译。别怕，我给了你一条龙脚本。

# 1. 下载 OpenCV 源码
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git

# 2. 用 CMake 配置（关键参数）
cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D WITH_CUDA=ON \
      -D WITH_CUDNN=ON \
      -D OPENCV_DNN_CUDA=ON \
      -D ENABLE_FAST_MATH=1 \
      -D CUDA_FAST_MATH=1 \
      -D WITH_CUBLAS=1 \
      -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules \
      ..

# 3. 编译（-j 后面跟你的 CPU 核心数）
make -j8
sudo make install

注意： 编译 OpenCV 需要 30 分钟到 2 小时，取决于你的机器。别急，去喝杯咖啡。

编译完成后，验证一下：

import cv2
print(cv2.getBuildInformation())
# 看 CUDA 和 cuDNN 字段是否为 YES

4.3 dlib 安装：人脸检测的硬骨头

dlib 的人脸检测器，精度高，但安装是出了名的麻烦。它依赖 C++ 编译器和 Boost 库。

Windows 用户

我建议直接用 预编译的 wheel 包。去 https://github.com/z-mahmud22/Dlib_Windows_Python3.x 下载对应 Python 版本的 .whl 文件。

pip install dlib-19.24.0-cp39-cp39-win_amd64.whl

Linux / macOS 用户

从源码编译：

# 安装依赖
sudo apt-get install build-essential cmake pkg-config
sudo apt-get install libx11-dev libatlas-base-dev
sudo apt-get install libgtk-3-dev libboost-python-dev

# 编译安装 dlib
pip install dlib

这个过程可能会报错。我曾经在 Ubuntu 20.04 上编译了 3 次才成功。核心问题是 CMake 版本太低，升级到 3.18 以上就好了。

  避坑指南： 如果你用 Python 3.10 或 3.11，dlib 的预编译包很少。老老实实用 Python 3.9，省心。

4.4 GPU 加速配置：CUDA + cuDNN

安防场景下，你要同时处理 4 路、8 路甚至 16 路摄像头。没有 GPU，CPU 直接拉满 100%，画面卡成 PPT。

CUDA 和 cuDNN 就是 NVIDIA 给 GPU 开的「外挂」。让显卡帮你算矩阵、做卷积，速度翻 10 倍以上。

检查你的硬件

组件	最低要求	推荐配置
GPU	NVIDIA GTX 1050 Ti	NVIDIA RTX 3060 或更高
显存	4 GB	8 GB 以上
CUDA 核心	768	3584 以上

安装 CUDA Toolkit

去 NVIDIA 官网下载 CUDA 11.8（这个版本最稳，兼容性最好）。
安装时，选择「自定义安装」，只勾选 CUDA 和 Driver 组件。
验证安装：

nvcc --version
# 输出：Cuda compilation tools, release 11.8

安装 cuDNN

cuDNN 是深度神经网络的加速库。你需要注册 NVIDIA 开发者账号才能下载。

下载 cuDNN for CUDA 11.x 的压缩包。
解压后，把 bin、include、lib 文件夹复制到 CUDA 安装目录（默认 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）。
添加环境变量：

# Windows
set PATH=%PATH%;C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin

# Linux
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

验证 cuDNN： 运行 python -c "import torch; print(torch.cuda.is_available())"，返回 True 就说明 GPU 加速生效了。

4.5 知识结构总览

下面这张图，把整个环境搭建的脉络串起来了。你跟着这个流程走，不会乱。

4.6 验证环境：跑一个简单的测试

环境搭好了，怎么知道能不能用？写个脚本跑一下。

import cv2
import dlib
import numpy as np

# 检查 OpenCV 版本和 CUDA 支持
print(f"OpenCV 版本: {cv2.__version__}")
print(f"CUDA 可用: {cv2.cuda.getCudaEnabledDeviceCount() > 0}")

# 检查 dlib 是否正常
detector = dlib.get_frontal_face_detector()
print(f"dlib 人脸检测器加载成功")

# 创建一个测试图像
img = np.zeros((480, 640, 3), dtype=np.uint8)
faces = detector(img, 0)
print(f"检测到人脸数: {len(faces)}")

如果输出没有报错，恭喜你，环境搭建成功。

常见报错：

DLL load failed → cuDNN 没装对，检查环境变量。
No module named 'dlib' → 虚拟环境没激活，或者 Python 版本不匹配。
CUDA error: no kernel image → GPU 架构太老，换 CUDA 11.8 试试。