1. 课程导学与环境搭建：OpenCV简介、YOLO发展史、Anaconda与PyCharm环境配置、GPU(CUDA)环境验证
各位同学，欢迎来到《OpenCV与YOLO实时目标检测实战》的第一章。
说实话，我见过太多人一上来就啃、调模型，结果连摄像头都打不开。这很可惜。所以我一直坚持：先把工具磨利，再谈算法。这一章，我们就来把「地基」打牢。
1.1 OpenCV：计算机视觉的瑞士军刀
OpenCV是什么？说白了，它就是一个开源的计算机视觉库。从图像读取、颜色转换，到特征提取、深度学习推理，它几乎什么都能干。
我个人习惯把它比作「乐高积木」。你不需要从零造轮子，只需要把现成的模块拼起来，就能搭出复杂的视觉系统。
- 图像处理：滤波、边缘检测、形态学操作
- 视频分析：帧读取、运动检测、目标跟踪
- 深度学习：加载ONNX/TensorFlow模型，进行推理
- GUI交互：显示图像、绘制框线、鼠标回调
我在项目中遇到过最典型的场景：客户要求实时检测流水线上的瑕疵。OpenCV负责抓取摄像头画面、做预处理，YOLO负责定位瑕疵位置。两者配合，缺一不可。
1.2 YOLO发展史：从V1到V8的进化之路
YOLO（You Only Look Once）的出现，彻底改变了目标检测的格局。它把检测问题变成了一个回归问题——只看一眼，就能知道「有什么」和「在哪里」。
| 版本 | 发布时间 | 核心亮点 | 我的评价 |
|---|---|---|---|
| YOLOv1 | 2016 | 开创性端到端检测 | 想法惊艳，但精度一般 |
| YOLOv2 | 2017 | Anchor Box + 多尺度训练 | 速度与精度的平衡点 |
| YOLOv3 | 2018 | 多尺度预测 + Darknet53 | 经典之作，至今仍有人用 |
| YOLOv4 | 2020 | CSPDarknet + Mosaic增强 | 工程优化集大成者 |
| YOLOv5 | 2020 | PyTorch实现，易用性极佳 | 我目前最常用的版本 |
| YOLOv8 | 2023 | Anchor-Free + 多任务统一 | 新项目首选，生态完善 |
你想想看，从V1到V8，不过七八年时间。YOLO的进化速度，恰恰反映了深度学习在视觉领域的爆发式增长。我们这门课会以YOLOv5和YOLOv8为主，因为它们最成熟、社区最活跃。
1.3 环境配置：Anaconda与PyCharm
环境配置是新手最容易卡住的地方。我曾经帮一个学生远程调试了三个小时，最后发现他装了两个不同版本的Python。嗯，这里要注意：虚拟环境隔离是必须养成的习惯。
1.3.1 Anaconda安装与虚拟环境创建
Anaconda的好处是自带Python和包管理器，省去很多麻烦。我个人习惯用Miniconda，更轻量。
# 创建虚拟环境（Python 3.9）
conda create -n yolo_env python=3.9
# 激活环境
conda activate yolo_env
# 安装核心库
pip install opencv-python
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install ultralytics # YOLOv8官方库
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple。下载速度能快十倍。
1.3.2 PyCharm配置
PyCharm是我最常用的IDE。配置虚拟环境很简单：
- 打开 Settings → Project → Python Interpreter
- 点击齿轮图标 → Add → Conda Environment
- 选择 Existing environment，找到刚才创建的
yolo_env - 确认后，终端会自动激活该环境
为什么推荐PyCharm？因为它对代码补全、调试、版本控制的支持非常到位。尤其是调试YOLO推理时，能一步步看中间变量，排查问题快很多。
1.4 GPU环境验证：CUDA与cuDNN
做深度学习，GPU几乎是必需品。CPU跑YOLO，一张图可能要几百毫秒；GPU跑，十几毫秒就搞定。差距就是这么大。
1.4.1 检查CUDA是否可用
安装完PyTorch后，第一件事就是验证GPU能不能用。
import torch
print(torch.cuda.is_available()) # 应该输出 True
print(torch.cuda.get_device_name(0)) # 显示你的显卡型号
如果输出 False，别慌。先检查驱动：
- Windows下打开命令行，输入
nvidia-smi，看CUDA版本 - 确保PyTorch的CUDA版本与驱动匹配
- 我遇到过最坑的情况：装了CUDA 12的驱动，但PyTorch只支持CUDA 11.8。重装PyTorch才解决。
pip install torch 默认安装CPU版本。一定要指定CUDA版本，比如 pip install torch==2.0.1+cu118。我曾经因为这个浪费了一整天。
1.4.2 cuDNN验证
cuDNN是NVIDIA的深度学习加速库。PyTorch通常自带，但如果你自己编译模型，可能需要手动安装。
# 验证cuDNN版本
from torch.backends import cudnn
print(cudnn.is_available()) # True
print(cudnn.version()) # 如 8900
1.5 本章知识体系总览
为了让你对本章内容有个整体印象，我画了一张结构图。它把OpenCV、YOLO、环境配置和GPU验证串在了一起。
1.6 本章小结
这一章我们做了三件事：
- 认识了OpenCV——它是我们处理图像和视频的基石
- 梳理了YOLO的发展脉络——从V1到V8，理解为什么选择当前版本
- 搭建了开发环境——Anaconda + PyCharm + GPU验证，确保能跑起来
环境搭建这一步，看起来琐碎，但值得你花时间认真走一遍。我见过太多人因为环境问题卡在后面的实战环节，最后不得不回头重来。磨刀不误砍柴工，这句话在深度学习领域尤其适用。