第二章：开发环境与工具链——工欲善其事，必先利其器
说实话，我见过太多同学在算法上花了大把时间，最后却卡在环境配置上。有个学员曾经对着黑屏的终端折腾了整整两天，就为了装对CUDA版本。嗯，这章我们就来把这套东西捋清楚。
2.1 Python与Anaconda：你的算法实验室
Python现在几乎是视觉算法的默认语言了。为什么？说白了，生态太强了。你想想看，从数据读取到模型训练，再到部署上线，Python一条龙全包了。
我个人习惯用Anaconda来管理Python环境。为什么不用系统自带的Python？因为项目多了你就知道了——这个项目要Python 3.8，那个项目要3.10，还有的项目依赖包版本互相打架。Anaconda的虚拟环境就是干这个的。
安装步骤：
- 去Anaconda官网下载对应系统的安装包（建议选Python 3.9+版本）
- 安装时记得勾选"Add Anaconda to my PATH environment variable"
- 打开终端或Anaconda Prompt，输入
conda --version验证
创建虚拟环境的命令很简单：
# 创建一个叫 cv_env 的环境，指定Python版本
conda create -n cv_env python=3.9
# 激活环境
conda activate cv_env
# 退出环境
conda deactivate我在项目中遇到过最坑的事：有次在服务器上直接装了OpenCV到base环境，结果另一个项目需要旧版OpenCV，一升级把整个环境搞崩了。从那以后，每个项目我都单独建一个虚拟环境，互不干扰。
小技巧：用 conda list 查看当前环境装了哪些包，用 conda env export > environment.yaml 导出环境配置，方便复现。
2.2 OpenCV与Pillow：图像处理的双剑客
做视觉算法，图像读取和处理是基本功。OpenCV和Pillow是两大主流库，我两个都用，但场景不同。
OpenCV 功能强大，支持视频流、摄像头、各种图像变换。安装命令：
pip install opencv-python
pip install opencv-contrib-python # 包含额外模块Pillow 轻量简洁，适合做图像格式转换、缩略图生成。安装命令：
pip install Pillow| 对比项 | OpenCV | Pillow |
|---|---|---|
| 读取速度 | 快（C++底层） | 中等 |
| 功能范围 | 图像处理、视频分析、机器学习 | 基础图像操作、格式转换 |
| 颜色通道 | BGR（注意！） | RGB |
| 适用场景 | 实时处理、复杂算法 | Web应用、简单处理 |
注意：OpenCV默认用BGR顺序，而Pillow用RGB。我曾经在项目里直接用OpenCV读图然后传给Pillow处理，结果颜色全乱了。记得用 cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 转换一下。
2.3 Jupyter Notebook与IDE：写代码的战场
我个人习惯分场景用不同的工具。探索阶段用Jupyter，开发阶段用IDE。
Jupyter Notebook 适合快速验证想法。安装：
pip install jupyter
jupyter notebook # 启动为什么我喜欢Jupyter？因为你可以一段一段地跑代码，中间插个Markdown写注释，还能直接看到图像输出。调试视觉算法时特别方便——读一张图，显示出来，看看效果，再继续下一步。
IDE推荐：
- VS Code：轻量、插件丰富，我目前的主力工具
- PyCharm：功能全面，适合大型项目
- Spyder：Anaconda自带，界面类似MATLAB
嗯，这里要注意：Jupyter适合做实验记录，但正式项目还是用IDE。我见过有人把整个项目代码都写在Jupyter里，最后部署时到处报错——因为Jupyter的变量是全局的，很容易出现"在Notebook里能跑，换个环境就崩"的情况。
2.4 GPU环境搭建：让算法飞起来
做深度学习视觉算法，没有GPU基本等于骑自行车上高速。CUDA和cuDNN就是让GPU跑神经网络的驱动和加速库。
第一步：确认你的显卡
打开终端输入：
nvidia-smi如果显示显卡信息，说明驱动已装。如果没有，先去NVIDIA官网下载对应驱动。
第二步：安装CUDA
CUDA版本要和你的显卡驱动匹配。我建议去NVIDIA官网查一下兼容性表。安装步骤：
- 下载CUDA Toolkit（推荐11.x或12.x，看你的框架要求）
- 运行安装程序，选择自定义安装
- 安装完成后，配置环境变量
# Linux下添加环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH第三步：安装cuDNN
cuDNN是NVIDIA的深度学习加速库。需要注册NVIDIA开发者账号才能下载。下载后解压，把文件复制到CUDA目录下：
# Linux示例
sudo cp cudnn-linux-x86_64-8.x.x.x_cuda11-archive/include/cudnn*.h /usr/local/cuda/include/
sudo cp cudnn-linux-x86_64-8.x.x.x_cuda11-archive/lib/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*验证安装：
# 检查CUDA版本
nvcc --version
# 检查cuDNN版本
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2我曾经在配置GPU环境时踩过一个坑：CUDA版本和PyTorch版本不匹配。比如PyTorch 1.10需要CUDA 11.3，但我装了CUDA 12.0，结果训练时一直报错。后来我学乖了，先看框架的官方文档，再选CUDA版本。
避坑指南：如果你用conda，可以直接用 conda install pytorch torchvision cudatoolkit=11.3 -c pytorch 一键安装，conda会自动帮你配好CUDA。但要注意，这种方式装的CUDA是conda自带的，和系统CUDA不冲突。
嗯，环境配置这块确实琐碎，但这是每个视觉算法工程师的必修课。我建议你按照这个顺序一步步来：先装Anaconda，再装OpenCV和Pillow，然后配好Jupyter，最后搞定GPU。每一步都验证通过再往下走，别一口气全装完再调试——那样出了问题你都不知道是哪一步错了。
好了，环境搭好了，下一章我们就开始真正动手写代码了。