手把手带你做一个计算机视觉实战项目

Docker搬运工

2026-07-16 17:55

阅读 443

写在前面：我写了5年后端代码，见过太多人想学AI但被复杂的数学公式劝退。今天这篇教程，我不讲公式，不推导理论，就带你用代码跑通一个计算机视觉项目。我当初学的时候，最需要的就是这种"别废话，直接告诉我怎么跑起来"的教程。

一、计算机视觉到底是啥？

用大白话说：计算机视觉就是让机器"看懂"图片和视频。

你拍一张猫的照片，人眼一看就知道"这是猫"。但计算机看到的只是一堆数字（像素值）。计算机视觉的任务，就是教计算机从这些数字里提取出有意义的信息。

常见的应用场景：

人脸识别：手机解锁、门禁系统
目标检测：自动驾驶识别行人和车辆
图像分类：医学影像判断是否有病变
OCR文字识别：拍照翻译、票据识别

今天我们不碰这些复杂场景，从一个最基础但最实用的项目入手——用AI识别图片中的物体。

二、环境准备

我当初学的时候，环境配置卡了我整整两天。所以这部分我写得特别详细，你跟着做就行。

2.1 安装Python

计算机视觉领域，Python是绝对的主流语言。

操作系统	安装方式	推荐版本
Windows	官网下载安装包	Python 3.9 - 3.11
macOS	`brew install python`	Python 3.9 - 3.11
Linux	`sudo apt install python3`	Python 3.9 - 3.11

安装完后，打开终端验证：

python --version
# 输出类似：Python 3.10.8

2.2 创建虚拟环境

这一步很多新手会跳过，但我强烈建议你养成习惯。虚拟环境可以避免不同项目之间的依赖冲突。

# 创建项目文件夹
mkdir cv-project
cd cv-project

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

激活后，你会看到终端前面多了 (venv) 字样。

2.3 安装核心依赖

pip install opencv-python numpy matplotlib

这里简单说一下每个库的作用：

库名	作用	类比
OpenCV	图像读取和处理	相当于你的"眼睛"
NumPy	数值计算	图像的底层就是数字矩阵
Matplotlib	图片展示	把结果"画"出来给你看

2.4 关于AI编程工具的说明

现在AI编程工具很多，我推荐新手使用 扣子（Coze） 平台来辅助学习。扣子是字节跳动推出的AI应用开发平台，它的好处是：

不需要自己搭GPU环境，在线就能跑
内置了很多视觉相关的插件和工作流
可以把AI能力快速组装成应用

另外还有一个工具叫 OpenClaw，它是一个开源的计算机视觉工具集，封装了很多常用的视觉算法，对新手非常友好。后面实战部分我们会用到。

三、核心概念（用人话解释）

在动手之前，有几个概念你必须知道，不然看代码会一头雾水。

3.1 图像在计算机里长什么样？

一张彩色图片，在计算机里其实是一个三维的数字矩阵：

图片尺寸：宽 × 高 × 通道数
例如：640 × 480 × 3

通道含义：
- 通道0：红色(R)的强度值 0-255
- 通道1：绿色(G)的强度值 0-255
- 通道2：蓝色(B)的强度值 0-255

一个像素点的值 [255, 0, 0] 就代表纯红色。就这么简单。

3.2 什么是目标检测？

目标检测要完成两件事：

分类：图里有什么？（猫、狗、汽车...）
定位：它在哪？（用矩形框标出来）

我们用文字流程图来描述这个过程：

输入图片 → AI模型推理 → 输出结果
                          ├── 物体类别：person
                          ├── 置信度：0.95
                          └── 位置坐标：[x1, y1, x2, y2]

3.3 什么是预训练模型？

训练一个AI模型需要海量数据和算力，新手根本搞不定。好消息是，很多大佬已经训练好了模型，你直接拿来用就行。这叫预训练模型。

打个比方：你不需要自己造一辆车，直接买一辆开就行。

四、实战项目：图片物体检测

好了，概念讲完了，我们开始写代码。这个项目会实现：读取一张图片，识别里面的物体，画上框，标出名称。

4.1 第一步：读取和显示图片

import cv2
import matplotlib.pyplot as plt

# 读取图片
image = cv2.imread('test.jpg')

# 检查是否读取成功
if image is None:
    print("图片读取失败，请检查路径是否正确")
else:
    print(f"图片尺寸：{image.shape}")
    # 输出类似：(480, 640, 3) 表示 高480, 宽640, 3个通道

    # OpenCV默认是BGR格式，matplotlib需要RGB，需要转换
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

    # 显示图片
    plt.imshow(image_rgb)
    plt.axis('off')  # 不显示坐标轴
    plt.title('原始图片')
    plt.show()

新手常见问题：图片显示颜色不对？十有八九是BGR和RGB没转换。OpenCV用BGR，matplotlib用RGB，记住这个坑。

4.2 第二步：加载预训练模型

这里我们使用YOLOv8（目前最流行的目标检测模型之一），通过 ultralytics 库来调用：

pip install ultralytics

from ultralytics import YOLO

# 加载预训练模型（首次运行会自动下载）
# 'yolov8n.pt' 是nano版本，体积最小，速度最快
model = YOLO('yolov8n.pt')

print("模型加载成功！")
print(f"模型类型：{model.model_name}")

模型文件大约6MB，首次运行会自动从网上下载。

4.3 第三步：执行检测

# 对图片进行目标检测
results = model('test.jpg')

# 查看检测结果
for result in results:
    # 获取检测到的物体数量
    num_objects = len(result.boxes)
    print(f"共检测到 {num_objects} 个物体")

    # 遍历每个检测到的物体
    for i, box in enumerate(result.boxes):
        # 获取类别名称
        class_id = int(box.cls[0])
        class_name = model.names[class_id]

        # 获取置信度
        confidence = float(box.conf[0])

        # 获取边界框坐标
        x1, y1, x2, y2 = box.xyxy[0].tolist()

        print(f"物体{i+1}: {class_name}, "
              f"置信度: {confidence:.2f}, "
              f"位置: [{x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}]")

运行后输出类似：

共检测到 3 个物体
物体1: person, 置信度: 0.92, 位置: [45, 32, 210, 410]
物体2: dog, 置信度: 0.87, 位置: [220, 280, 380, 420]
物体3: couch, 置信度: 0.76, 位置: [10, 200, 600, 470]

4.4 第四步：可视化结果

import cv2
import matplotlib.pyplot as plt
from ultralytics import YOLO

def detect_and_show(image_path):
    """检测图片中的物体并展示结果"""
    # 加载模型
    model = YOLO('yolov8n.pt')

    # 执行检测
    results = model(image_path)

    # 在图片上绘制结果
    annotated_image = results[0].plot()

    # 转换颜色格式
    annotated_rgb = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB)

    # 展示
    plt.figure(figsize=(12, 8))
    plt.imshow(annotated_rgb)
    plt.axis('off')
    plt.title('目标检测结果')
    plt.show()

    return results

# 运行检测
results = detect_and_show('test.jpg')

4.5 第五步：批量处理图片

实际项目中，你往往需要处理一整个文件夹的图片：

import os
import glob
from ultralytics import YOLO

def batch_detect(input_dir, output_dir):
    """批量检测文件夹中的所有图片"""
    # 创建输出目录
    os.makedirs(output_dir, exist_ok=True)

    # 加载模型
    model = YOLO('yolov8n.pt')

    # 获取所有图片文件
    image_files = glob.glob(os.path.join(input_dir, '*.jpg'))
    image_files += glob.glob(os.path.join(input_dir, '*.png'))

    print(f"找到 {len(image_files)} 张图片")

    for img_path in image_files:
        # 执行检测
        results = model(img_path)

        # 获取文件名
        filename = os.path.basename(img_path)
        output_path = os.path.join(output_dir, f'result_{filename}')

        # 保存结果图片
        results[0].save(filename=output_path)

        # 打印检测信息
        num_objects = len(results[0].boxes)
        print(f"[{filename}] 检测到 {num_objects} 个物体 -> 已保存")

    print("批量处理完成！")

# 使用示例
batch_detect('./input_images', './output_images')

4.6 进阶：用扣子平台搭建AI视觉应用

如果你想把检测能力做成一个可以分享的应用，可以用**扣子（Coze）**平台。大致流程如下：

步骤1：注册扣子账号，进入控制台
    ↓
步骤2：创建一个Bot，选择"图像理解"能力
    ↓
步骤3：配置工作流
    ├── 输入节点：接收用户上传的图片
    ├── 处理节点：调用视觉AI模型
    └── 输出节点：返回检测结果
    ↓
步骤4：测试并发布

扣子的优势在于你可以用自然语言来编排AI工作流，不需要写太多代码，非常适合快速验证想法。

4.7 补充：OpenClaw工具简介

OpenClaw 是一个面向开发者的开源视觉AI工具集。它的特点是：

特性	说明
模块化	每个算法独立封装，按需引入
文档友好	提供大量示例代码
社区活跃	持续更新新算法
易于部署	支持Docker一键部署

安装方式：

pip install openclaw

基础使用示例：

import openclaw as oc

# 初始化视觉引擎
engine = oc.VisionEngine()

# 加载模型
engine.load_model('yolov8')

# 执行推理
result = engine.detect('test.jpg')

# 获取结果
print(result.summary())

OpenClaw帮你封装了很多底层细节，让你可以更专注于业务逻辑。我当初学的时候，如果能有这样的工具，至少能省一周的踩坑时间。

五、常见问题解答

Q1：运行时报错 `ModuleNotFoundError`

# 确认虚拟环境已激活
# 重新安装依赖
pip install -r requirements.txt

# 或者单独安装缺失的模块
pip install 缺失的模块名

Q2：模型下载太慢或失败

# 方法1：手动下载模型文件放到项目目录
# 从 https://github.com/ultralytics/assets/releases 下载

# 方法2：设置代理
import os
os.environ['HTTP_PROXY'] = 'http://127.0.0.1:7890'
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:7890'

Q3：检测精度不够怎么办？

方案	说明	适用场景
换用更大模型	yolov8s → yolov8m → yolov8l	精度优先
调整置信度阈值	`model.predict(conf=0.3)`	减少漏检
调整IOU阈值	`model.predict(iou=0.5)`	减少重复框
使用自定义训练模型	用自己的数据微调	特定场景

Q4：电脑没有GPU能跑吗？

能跑，只是慢一些。YOLOv8n（nano版本）在CPU上也能达到实时检测的速度。如果确实需要GPU加速：

# 安装GPU版本的PyTorch
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

六、学习建议和避坑指南

我踩过的坑，你不要再踩

不要一上来就啃论文。先跑通代码，建立直觉，再回头看理论。
不要忽视环境配置。80%的新手问题都出在环境上。用虚拟环境，用虚拟环境，用虚拟环境。
不要追求完美模型。先用现成的预训练模型跑通流程，再考虑优化。
善用AI编程工具。像扣子这样的平台，可以帮你快速验证想法，不要什么都自己从头写。

下一步学习路径

当前阶段（你在这里）
    ├── 能跑通基础检测项目
    ├── 理解图像在计算机中的表示
    └── 会使用预训练模型
         ↓
下一阶段
    ├── 学习图像预处理（缩放、裁剪、增强）
    ├── 了解CNN卷积神经网络基本原理
    └── 尝试用OpenClaw做更复杂的视觉任务
         ↓
进阶阶段
    ├── 学习模型微调（Fine-tuning）
    ├── 掌握模型部署（Docker + API服务）
    └── 探索视频流实时检测

总结

今天我们完成了这些内容：

理解了计算机视觉的基本概念
搭建了完整的开发环境
用YOLOv8实现了图片物体检测
学会了批量处理图片
了解了扣子和OpenClaw这两个实用工具

整个项目的核心代码其实不到50行。AI编程没有你想象的那么难，关键是先跑起来，再慢慢理解。

我当初学的时候，也是从这样的小项目开始的。跑通第一个项目的那一刻，你会突然觉得："哦，原来就这么回事。"

去试试吧，有问题随时回来翻这篇教程。祝你学习顺利！

标签:AI编程OpenClaw扣子

最热最新

暂无评论

为你推荐

暂无相关推荐

手把手带你做一个计算机视觉实战项目

一、计算机视觉到底是啥？

二、环境准备

2.1 安装Python

2.2 创建虚拟环境

2.3 安装核心依赖

2.4 关于AI编程工具的说明

三、核心概念（用人话解释）

3.1 图像在计算机里长什么样？

3.2 什么是目标检测？

3.3 什么是预训练模型？

四、实战项目：图片物体检测

4.1 第一步：读取和显示图片

4.2 第二步：加载预训练模型

4.3 第三步：执行检测

4.4 第四步：可视化结果

4.5 第五步：批量处理图片

4.6 进阶：用扣子平台搭建AI视觉应用

4.7 补充：OpenClaw工具简介

五、常见问题解答

Q1：运行时报错 `ModuleNotFoundError`

Q2：模型下载太慢或失败

Q3：检测精度不够怎么办？

Q4：电脑没有GPU能跑吗？

六、学习建议和避坑指南

我踩过的坑，你不要再踩

下一步学习路径

推荐资源

总结

评论 0

为你推荐

精选内容

手把手带你做一个计算机视觉实战项目

一、计算机视觉到底是啥？

二、环境准备

2.1 安装Python

2.2 创建虚拟环境

2.3 安装核心依赖

2.4 关于AI编程工具的说明

三、核心概念（用人话解释）

3.1 图像在计算机里长什么样？

3.2 什么是目标检测？

3.3 什么是预训练模型？

四、实战项目：图片物体检测

4.1 第一步：读取和显示图片

4.2 第二步：加载预训练模型

4.3 第三步：执行检测

4.4 第四步：可视化结果

4.5 第五步：批量处理图片

4.6 进阶：用扣子平台搭建AI视觉应用

4.7 补充：OpenClaw工具简介

五、常见问题解答

Q1：运行时报错 ModuleNotFoundError

Q2：模型下载太慢或失败

Q3：检测精度不够怎么办？

Q4：电脑没有GPU能跑吗？

六、学习建议和避坑指南

我踩过的坑，你不要再踩

下一步学习路径

推荐资源

总结

评论 0

为你推荐

相关推荐

精选内容

Q1：运行时报错 `ModuleNotFoundError`