一、项目导学与课程规划
大家好，我是这门课的主讲人。在正式开始之前，我想先聊聊——为什么要做这个交通标志识别系统？
几年前我在做一个自动驾驶项目，当时遇到一个很头疼的问题：摄像头拍到的限速牌，有时候因为反光、遮挡或者角度问题，识别率就是上不去。我折腾了整整两周，最后发现不是模型的问题，而是数据预处理那一步没做好。嗯，从那以后我就养成了一个习惯——先把整个流程摸透，再动手写代码。
这门课也是一样。我不会一上来就扔给你一堆代码，而是先带你看看全景图。你想想看，如果你连终点在哪都不知道，跑得再快又有什么用？
课程目标：你能学到什么？
说白了，这门课的目标就三个：
- 能独立搭建一个完整的交通标志识别系统——从数据采集到模型部署，全流程走通
- 掌握深度学习在图像分类中的实战技巧——不是调包侠，而是真正理解每一行代码在干什么
- 学会避坑——我踩过的那些坑，你就不用再踩了
我个人习惯把目标拆成硬技能和软技能两块：
| 硬技能 | 软技能 |
|---|---|
| Python + OpenCV 图像处理 | 问题拆解能力 |
| PyTorch 模型训练与调优 | 调试与排错思维 |
| 模型部署（ONNX/TensorRT） | 工程化落地意识 |
学习路径：我建议你这样走
这门课一共 10 个章节，我建议你按顺序来，不要跳。为什么？因为每一章都是下一章的基础。
举个例子：第三章讲数据增强，如果你跳过了第二章的数据采集，那你做增强的时候连原始数据长什么样都不知道，这怎么调参数？
我建议的学习节奏是：
- 每周 2-3 章，配合代码练习
- 每章结束后，自己动手复现一遍——光看是学不会的
- 遇到问题先自己查，实在不行再问我
一个小技巧：每章学完后，试着用你自己的话把核心知识点讲出来。如果能讲清楚，说明你真的懂了。
项目全景图：先看全局，再动手
整个系统长什么样？我画了一张图在脑子里，现在用文字描述给你：
- 数据采集：从公开数据集（如 GTSRB、TT100K）获取图片，或者自己拍照
- 数据预处理：裁剪、缩放、归一化、数据增强
- 模型设计：基于 CNN 的分类网络（ResNet、MobileNet 等）
- 训练与验证：划分训练集/验证集，调超参数，防止过拟合
- 模型评估：准确率、召回率、F1-score、混淆矩阵
- 模型部署：导出为 ONNX，集成到简单的 GUI 或 API 中
你看，其实就是一个标准的深度学习项目流程。但每个环节都有坑，我会在对应章节里一一告诉你。
核心思想：不要追求一次性完美，先跑通一个最小可行系统，再逐步优化。我在项目中吃过太多「想一步到位结果卡死」的亏了。
环境准备清单：先把工具备齐
在开始之前，请确保你的电脑上装好了以下东西。我建议用 Python 3.8 或 3.9，太新的版本有些库可能不兼容。
| 工具/库 | 版本建议 | 用途 |
|---|---|---|
| Python | 3.8 - 3.9 | 主语言 |
| PyTorch | 1.12+ | 深度学习框架 |
| OpenCV | 4.5+ | 图像处理 |
| Matplotlib | 3.5+ | 可视化 |
| Jupyter Notebook | 最新版 | 交互式开发 |
| ONNX | 1.12+ | 模型导出 |
安装命令很简单，一行搞定：
pip install torch torchvision opencv-python matplotlib jupyter onnx onnxruntime
注意：如果你用的是 GPU 版本 PyTorch，记得先去官网看 CUDA 版本匹配。我曾经因为 CUDA 版本不对，折腾了一下午才装好——嗯，这种时间浪费一次就够了。
写在最后
这一章的内容就到这里。你可能会觉得「怎么还没开始写代码？」——别急，磨刀不误砍柴工。下一章我们直接上手数据采集，到时候你会感谢现在把环境配好的自己。
对了，如果你在安装过程中遇到任何问题，先试试重启电脑——别笑，这招真的管用。
我们下一章见。