第二章：开发环境搭建

说实话，环境搭建这事儿，看着简单，但坑是真不少。我见过太多同学，代码写得挺溜，结果卡在装包上，一卡就是半天。这一章，我就把这些年踩过的坑、总结的经验，一次性说清楚。

2.1 Anaconda 环境配置

我个人习惯，不管做什么项目，第一件事就是装 Anaconda。为什么？因为它自带 Python 和一大堆常用库，省心。

下载与安装

• 去官网下载对应系统的安装包（Windows/Linux/macOS）
• 安装时记得勾选「Add Anaconda to my PATH environment variable」
• 装完后打开终端，输入 conda --version 验证

2.2 Python 虚拟环境创建

为什么要搞虚拟环境？说白了，就是怕不同项目打架。比如项目 A 要 TensorFlow 1.x，项目 B 要 2.x，没有虚拟环境，你就等着哭吧。

创建环境

conda create -n face_recognition python=3.8
conda activate face_recognition

我一般用 Python 3.8，兼容性好。3.9 以上有些老库可能不支持，你想想看，到时候报错还得降级，多麻烦。

常用命令

命令	说明
conda list	查看已安装的包
conda deactivate	退出当前环境
conda env remove -n 环境名	删除环境

2.3 核心库安装

接下来就是重头戏了。OpenCV、Dlib、FaceNet、Flask，一个一个来。

OpenCV

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

嗯，这里要注意，如果你只是做基础的人脸检测，装第一个就够了。但如果你要用到人脸关键点检测之类的，建议装第二个。

Dlib

这个库，说实话，安装起来有点烦。尤其是 Windows 用户，经常报错。

pip install dlib

如果报错，试试这个：

conda install -c conda-forge dlib

FaceNet

FaceNet 本身不是 pip 包，它是一个模型。你需要下载预训练权重，然后用 TensorFlow 或 PyTorch 加载。

pip install tensorflow==2.4.0  # 或者 pytorch
# 下载 facenet_model.h5 放到项目目录

Flask

这个简单，一行搞定：

pip install flask

2.4 GPU 环境配置（CUDA/cuDNN）

如果你有 NVIDIA 显卡，那 GPU 加速必须安排上。没有？嗯，那 CPU 也能跑，就是慢点。

检查显卡

nvidia-smi

这个命令会显示你的显卡型号和驱动版本。记下驱动版本，后面选 CUDA 版本要用。

安装 CUDA

1. 去 NVIDIA 官网下载对应版本的 CUDA Toolkit
2. 安装时选自定义安装，只勾选 CUDA 组件
3. 装完后设置环境变量

安装 cuDNN

1. 去 NVIDIA 官网下载 cuDNN（需要注册账号）
2. 解压后把 bin、include、lib 文件夹复制到 CUDA 安装目录

2.5 常见安装报错解决方案

这部分，我直接列个表，你遇到问题直接查。

报错信息	原因	解决方案
pip: command not found	Python 没装好	重新安装 Python 或 Anaconda
Microsoft Visual C++ 14.0 is required	缺少 C++ 编译工具	安装 Visual Studio Build Tools
Could not find a version that satisfies the requirement	包名写错了或版本不存在	检查拼写，或换 conda 源
ImportError: No module named 'cv2'	OpenCV 没装成功	用 pip install opencv-python 重装
CUDA error: no kernel image is available	CUDA 版本不匹配	检查 nvidia-smi 和 CUDA 版本

好了，环境搭建这部分就到这里。你按这个流程走，基本不会出大问题。下一章，我们开始写第一个人脸检测程序。