aifei 可以布团在边缘设备上，但是对于一些比如识别的应用基础是互通的，最好先在pc 上玩熟悉再转向嵌入式实现，这样更省时少省力，以下是计算机视觉基础，理伦同样适用与plc智能工控行业入门学习
全套完整教程：Anaconda 安装→环境配置→YOLOv8+OpenCV 安装 + OpenCV 实操 + 标注→训练→导出→部署
全程只用 Anaconda Prompt，不用配置系统 PATH、不用改电脑环境变量，完美适配你现状（普通 cmd 调用不了 python 也没关系）
一、第一步：Anaconda 安装（D 盘安装，推荐）
1. 下载
官网：Download Anaconda Distribution | Anaconda选 Windows 64 位 安装包
2. 安装步骤
- 双击安装包 → 选Just Me 2. 安装路径改成：
D:\Anaconda3（不要中文、空格）✅ 重点：安装页面两个环境变量勾选全部取消！！不自动配置系统 PATH（避开之前自动配坏的坑）3. 下一步直到完成。
验证：开始菜单打开 Anaconda Prompt (anaconda3)，输入
bash
conda -V输出版本号 = 安装成功。
二、Anaconda 全套环境命令汇总（必背）
bash
#1.查看全部已有虚拟环境
conda env list
#2.新建YOLO专用环境 python3.9（yolov8最稳版本）
conda create -n yolov8_env python=3.9 -y
#3.进入环境（所有安装、训练命令必须先激活环境）
conda activate yolov8_env
#4.退出环境
conda deactivate
#5.删除没用环境
conda remove -n 环境名 --all -y
#6.查看当前环境已装包
pip list
conda list三、进入 yolov8_env 后：安装 OpenCV + YOLOv8 全套依赖
bash
#1.激活环境
conda activate yolov8_env
#2.升级pip
python -m pip install --upgrade pip
#=========1、安装OpenCV两种方式=========
#方式1 pip安装（推荐，适配yolo）
pip install opencv-python opencv-contrib-python
#方式2 conda安装（出错再用）
#conda install -c conda-forge opencv -y
#=========2、安装YOLOv8核心包=========
pip install ultralytics
#图像处理辅助库（画图、数据查看必备）
pip install pillow matplotlib numpy
#GPU训练装torch（N卡cuda118），无GPU跳过这条
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证 OpenCV 安装成功：
bash
python
>>> import cv2
>>> print(cv2.__version__)
#输出版本号即成功，exit()退出python四、OpenCV 入门 3 个实操示例（新建 opencv_demo.py 运行）
示例 1：读取 + 显示图片
python
import cv2
#读取图片
img = cv2.imread("test.jpg")
#展示窗口
cv2.imshow("pic", img)
#按任意键关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()示例 2：图片画矩形框（YOLO 画框原理）
python
import cv2
img = cv2.imread("test.jpg")
#参数：图片、左上角坐标、右下角、BGR颜色、线条粗细
cv2.rectangle(img,(50,50),(200,200),(0,0,255),2)
cv2.imshow("draw",img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite("save.jpg",img) #保存画完的图示例 3：调用摄像头实时读取
python
import cv2
cap = cv2.VideoCapture(0) #0=本机默认摄像头
while True:
ret,frame = cap.read()
if not ret:break
cv2.imshow("cam",frame)
if cv2.waitKey(1)&0xFF==ord('q'): #按q退出
break
cap.release()
cv2.destroyAllWindows()五、数据集标注工具安装 + 使用（YOLO 专用 LabelImg）
bash
#在yolov8_env环境执行
pip install labelImg
#启动标注软件
labelImg标注操作步骤
- Open Dir：选中
datasets/images图片文件夹 - Save Dir：选中
datasets/labels标签文件夹 - PascalVOC 下拉改成 YOLO 格式（关键！）
- W 画框、A 上一张、D 下一张，保存自动生成 txt 标签。
数据集目录固定格式（严格按这个建文件夹）
plaintext
datasets
├─images
│ ├─train #训练图片
│ └─val #验证图片
└─labels
├─train #对应txt标签
└─val六、Pycharm 配置 yolov8_env 环境
- File → Settings → Project → Python Interpreter
- 右上角⚙️ → Add → Existing environment
- 解释器路径：
D:\Anaconda3\envs\yolov8_env\python.exe - OK，项目环境切换完成，代码直接调用 YOLO 和 OpenCV。
七、YOLOv8 自定义数据集训练全流程
1. 新建 custom.yaml（和 datasets 文件夹同级）
yaml
path: ../datasets
train: images/train
val: images/val
nc: 2 #你的物体类别总数，比如猫狗=2
names: ['cat','dog'] #对应类别名称2. 新建 train.py 训练脚本
python
from ultralytics import YOLO
#加载预训练权重 n小/s中/m大
model = YOLO("yolov8s.pt")
#开始训练
model.train(
data="custom.yaml",
epochs=80, #迭代轮数
batch=6, #显存小改成2/4
imgsz=640,
device="cpu" #有N卡改成0：device=0
)运行：python train.py
训练结果输出目录：
runs/detect/train/weightsbest.pt = 最优权重；last.pt = 最后一轮权重
八、模型导出（pt 转 onnx/tensorrt 等部署格式）
python
from ultralytics import YOLO
model = YOLO("runs/detect/train/weights/best.pt")
#导出onnx（通用跨平台部署，推荐）
model.export(format="onnx")
#可选格式：tflite、torchscript、engine(tensorrt)导出文件同在 weights 文件夹。
九、训练好模型推理预测（3 种用法）
1. 代码预测图片
python
from ultralytics import YOLO
model = YOLO("runs/detect/train/weights/best.pt")
#单张图片
res = model.predict("test1.jpg",save=True)
#整个文件夹批量预测
res = model.predict("./test_img/",save=True)预测结果保存在：runs/detect/predict/
2. 命令行直接预测（Anaconda Prompt）
bash
yolo predict model=runs/detect/train/weights/best.pt source=test.jpg3. 摄像头实时检测
python
from ultralytics import YOLO
model=YOLO("best.pt")
model.predict(source=0,save=True,show=True) #source=0调用摄像头十、补充常见报错处理
- 导入 cv2 报错：重装
pip uninstall opencv-python -y && pip install opencv-python - torch cuda 报错无 GPU：训练参数固定
device='cpu' - yolov8 下载权重失败：手动下载 yolov8s.pt 放项目目录