2、开发环境搭建：工欲善其事，必先利其器

说实话，我见过太多初学者卡在环境搭建这一步。明明代码逻辑没问题，就是跑不起来。最后发现，要么是Python版本不对，要么是OpenCV和PyTorch打架了。嗯，这一章我们就来解决这些破事。

2.1 Anaconda：你的Python管家

我个人习惯用Anaconda来管理Python环境。为什么？因为它自带conda命令，装包、建环境、切版本，一条龙搞定。你想想看，要是手动装Python、再手动配pip、再手动处理依赖冲突……那画面太美我不敢看。

安装步骤：

  1. 去官网下载Anaconda（选Python 3.9+版本，别选太老的）
  2. 安装时勾选「Add Anaconda to my PATH environment variable」
  3. 打开终端（Windows用Anaconda Prompt），输入 conda --version 验证
⚠️ 注意： 我曾经遇到过安装后conda命令找不到的情况。后来发现是没勾选PATH选项。如果你也遇到，手动把 C:\Users\你的用户名\anaconda3\Scripts 加到系统环境变量里就行。

2.2 Python虚拟环境管理：别让项目打架

做计算机视觉，你可能会同时维护好几个项目。项目A用OpenCV 4.5，项目B用OpenCV 4.8。要是装在一个环境里，迟早出问题。虚拟环境就是干这个的——每个项目有自己的小天地。

常用命令：

# 创建虚拟环境（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

# 查看所有环境
conda env list

# 删除环境
conda remove -n cv_env --all
💡 我的习惯： 每个项目建一个独立环境，命名规则是 项目名_py版本。比如 face_recognition_py39。这样一看就知道是干嘛的。

2.3 OpenCV库安装：计算机视觉的瑞士军刀

OpenCV是计算机视觉最基础的库。读图、显示、处理、特征提取……几乎每个项目都离不开它。安装很简单，一行命令搞定：

# 基础版（推荐）
pip install opencv-python

# 扩展版（包含更多算法模块）
pip install opencv-contrib-python

装完后，用下面代码验证一下：

import cv2
print(cv2.__version__)  # 应该输出 4.x.x

如果报错，八成是网络问题。换国内镜像源试试：

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
🔧 避坑指南： 我曾经在Ubuntu上装OpenCV，直接 sudo apt-get install python-opencv，结果版本是3.2，很多新函数用不了。后来老老实实用pip装，再也没出过问题。记住：用pip，别用系统包管理器。

2.4 PyTorch vs TensorFlow：框架怎么选？

这个问题我几乎每次上课都会被问到。我的回答是：新手选PyTorch，工业界看需求。

对比项 PyTorch TensorFlow
上手难度 低（像写Python一样自然） 中（API变化多，版本兼容坑多）
调试体验 好（支持pdb直接调试） 一般（需要tf.debugging）
部署生态 TorchServe / ONNX TF Serving / TFLite（更成熟）
学术论文 80%以上用PyTorch 较少

说白了，如果你刚入门，选PyTorch准没错。我带的实习生里，用PyTorch的通常三天就能跑通第一个模型，用TF的可能还在跟版本兼容作斗争。

2.5 框架安装实战

PyTorch安装：

# CPU版本（先练手）
pip install torch torchvision torchaudio

# GPU版本（需要NVIDIA显卡+CUDA）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

TensorFlow安装：

# CPU版本
pip install tensorflow

# GPU版本
pip install tensorflow-gpu  # 注意：TF 2.10+已合并，直接用tensorflow即可
⚠️ 重要： 装GPU版本前，先确认你的CUDA版本。在终端输入 nvidia-smi，看右上角的CUDA Version。比如显示12.0，就装对应版本的PyTorch。我见过有人CUDA 11.8却装了CUDA 12的包，结果GPU死活调用不了。

验证安装是否成功：

# PyTorch
import torch
print(torch.__version__)
print(torch.cuda.is_available())  # True表示GPU可用

# TensorFlow
import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))  # 显示GPU设备列表

2.6 IDE推荐：写代码的战场

我个人用VS Code比较多，轻量、插件丰富、启动快。PyCharm也不错，功能更全但有点重。给你个选择建议：

  • VS Code：适合写脚本、做实验、调模型。装个Python插件和Jupyter插件，体验拉满。
  • PyCharm：适合大型项目，有代码重构、数据库工具、远程开发等功能。专业版还支持科学计算模式。

我的建议是：两个都装，看场景切换。写小demo用VS Code，做完整项目用PyCharm。嗯，就是这么朴实无华。

💡 小技巧： 在VS Code里按 Ctrl+Shift+P，输入 Python: Select Interpreter，选择你刚创建的conda环境。这样代码就能直接调用你装好的OpenCV和PyTorch了。

2.7 本章小结

环境搭建说难不难，说简单也不简单。核心就三点：用Anaconda管理环境、用pip装包、用VS Code写代码。按这个流程走，基本不会出大问题。下一章我们开始真正接触计算机视觉——读一张图片，看看它到底是什么。

← 上一章 📖 返回目录 下一章 →