企业官网建设流程全解析

1. 从“能跑起来”开始，理解计算机视觉的三大核心任务

如果你刚开始接触计算机视觉，面对“目标检测”、“图像分割”、“图像识别”这些术语感到一头雾水，或者看了一堆理论却不知道如何动手，那这篇文章就是为你准备的。我不打算从复杂的数学公式或网络结构讲起，而是直接告诉你：计算机视觉的入门，核心就是搞清楚这三件事分别解决什么问题，以及如何用最少的代码让它们在你的电脑上跑起来。

很多人学了很久，还是分不清“识别”和“检测”的区别，更不明白“分割”到底在干什么。这会导致你拿到一个项目时，根本不知道该用哪个模型。所以，我们先抛开所有复杂的定义，用最直白的话说清楚：

• 图像识别（Image Classification）：回答“这是什么？”的问题。给一张图，模型告诉你它属于哪个类别（比如：这是一只猫，这是一辆车）。它只关心整张图的“身份”。
• 目标检测（Object Detection）：回答“有什么？在哪里？”的问题。不仅要找出图中的物体是什么（类别），还要用一个方框（Bounding Box）标出它的具体位置。比如，一张街景图里，能同时找出行人、汽车、交通灯，并给每个都画上框。
• 图像分割（Image Segmentation）：回答“每个像素属于什么？”的问题。它比检测更精细，要把图像中每个像素都归类到某个物体或背景上。最终输出是一张“像素级”的标签图，同一个物体的所有像素被标记为同一类。它又常分为：
  • 语义分割（Semantic Segmentation）：只区分类别，不区分个体。比如，把所有“人”的像素都标为红色，但不区分这是张三还是李四。
  • 实例分割（Instance Segmentation）：在语义分割基础上，还要区分不同的个体。比如，把张三的像素标为红色，李四的标为蓝色。

为什么这三个方向是核心？因为绝大多数视觉应用，无论是安防监控、自动驾驶、医疗影像分析还是工业质检，最终都落在这三个任务的组合或变体上。理解了它们，你就拿到了打开计算机视觉大门的钥匙。

接下来，我不会空谈理论。我会带你从环境搭建开始，到用最流行的框架和模型（比如PyTorch和YOLO、U-Net等）分别跑通这三个任务的Demo，最后告诉你如何判断一个模型跑得好不好，以及遇到问题该先查哪里。我们的目标是：看完就能动手，跑通就有感觉。

2. 环境准备：别在第一步卡住，CPU也能学

很多教程一上来就要求你有高性能GPU，这劝退了大部分人。实际上，对于学习和验证核心概念，CPU环境完全足够。我们的首要任务是“跑通”和“理解”，而不是追求极致的训练速度。这里给出一个最小化、避坑的Python环境配置方案。

2.1 基础环境搭建：Anaconda + PyTorch CPU版

我强烈建议使用Anaconda（或Miniconda）来管理环境，它能完美解决不同项目间包版本冲突的问题。

1. 安装Anaconda：去官网下载对应你操作系统（Windows/macOS/Linux）的安装包，一路默认安装即可。安装完成后，打开“Anaconda Prompt”（Windows）或终端（macOS/Linux）。

2. 创建独立的虚拟环境：这是好习惯，避免把系统Python环境搞乱。

   # 创建一个名为cv_demo的Python 3.9环境 conda create -n cv_demo python=3.9 # 激活这个环境 conda activate cv_demo

3. 安装PyTorch CPU版本：这是目前最主流的深度学习框架之一，生态丰富。去PyTorch官网（https://pytorch.org/get-started/locally/），选择你的操作系统，包管理器选择Conda，计算平台选择CPU。官网会生成一条命令，类似下面这样，直接复制到你的终端里运行。

   # 示例命令，具体以官网生成为准 conda install pytorch torchvision torchaudio cpuonly -c pytorch

   这条命令会安装PyTorch及其常用的视觉工具库torchvision。

4. 安装其他必备工具包：

   pip install opencv-python matplotlib numpy pillow jupyter notebook

   • opencv-python：图像处理的核心库，用于读图、显示、画框等。
   • matplotlib：画图库，用于可视化结果。
   • numpy：数值计算基础。
   • pillow：另一个常用的图像处理库。
   • jupyter notebook：交互式编程环境，非常适合一步步调试和展示。

注意：如果安装过程因为网络问题失败，可以尝试使用国内镜像源，例如在pip命令后加上-i https://pypi.tuna.tsinghua.edu.cn/simple。

2.2 验证环境与准备测试数据

环境装好后，别急着跑模型，先验证基础功能是否正常。

1. 验证PyTorch：在激活的cv_demo环境中，打开Python解释器或创建一个新的Jupyter Notebook单元格，输入：

   import torch import torchvision print(torch.__version__) print(torchvision.__version__) # 检查CUDA（GPU）是否可用，在CPU环境下会返回False，这是正常的 print(torch.cuda.is_available())

   能正常输出版本号且不报错，说明PyTorch安装成功。

2. 准备测试图片：找几张清晰的图片放在项目目录里，最好包含多种物体，比如一张有猫有狗的图，一张街景图。这是你后续测试的“燃料”。

环境准备好后，我们就可以进入正题，从最简单的任务开始。

3. 图像识别实战：用预训练模型快速“认图”

图像识别是基础。我们利用PyTorch官方提供的预训练模型，无需自己训练，直接体验“识别”的能力。这能让你在几分钟内获得正反馈。

3.1 加载模型与预测单张图片

PyTorch的torchvision.models里包含了许多经典模型（如ResNet, VGG），并且都提供了在ImageNet数据集上预训练好的权重。ImageNet有1000个类别，基本覆盖常见物体。

import torch from torchvision import models, transforms from PIL import Image import matplotlib.pyplot as plt # 1. 加载预训练的ResNet-18模型，并设置为评估模式 model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) model.eval() # 评估模式，关闭Dropout等训练特有的层 # 2. 定义图像预处理流程 # 必须与模型训练时使用的预处理保持一致 preprocess = transforms.Compose([ transforms.Resize(256), # 缩放到256像素 transforms.CenterCrop(224), # 中心裁剪到224x224 transforms.ToTensor(), # 转为Tensor，并归一化到[0,1] transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), # 标准化 ]) # 3. 加载并预处理图片 img_path = “你的测试图片路径，例如：cat_dog.jpg” image = Image.open(img_path).convert('RGB') # 确保是RGB三通道 input_tensor = preprocess(image) # 增加一个批次维度，因为模型输入是 [batch_size, channels, height, width] input_batch = input_tensor.unsqueeze(0) # 4. 进行预测（禁用梯度计算以节省内存） with torch.no_grad(): output = model(input_batch) # 5. 解析结果 # output是一个包含1000个类别分数的Tensor probabilities = torch.nn.functional.softmax(output[0], dim=0) # 6. 读取ImageNet的类别标签文件（需要下载） # 这里我们用一个简单字典示例，实际中你需要下载imagenet_classes.txt # 假设我们有一个从索引到类别名的映射字典 `imagenet_classes` # 你可以从网上下载这个文件，内容格式是每行一个类别名 # with open('imagenet_classes.txt') as f: # categories = [line.strip() for line in f.readlines()] # 为了演示，我们直接取概率最高的前5个结果 top5_prob, top5_catid = torch.topk(probabilities, 5) # 打印结果 for i in range(top5_prob.size(0)): # 这里 categories[top5_catid[i]] 需要替换成实际的类别名 print(f“Top-{i+1}: 类别ID {top5_catid[i].item()}， 概率 {top5_prob[i].item():.3f}”) # 如果你有categories列表，可以打印名称 # print(f“Top-{i+1}: {categories[top5_catid[i]]}, 概率 {top5_prob[i].item():.3f}”) # 7. 显示原图 plt.imshow(image) plt.axis('off') plt.show()

关键点解释：

• model.eval()：至关重要。预训练模型有两种模式：训练（train()）和评估（eval()）。评估模式会固定住Batch Normalization层和Dropout层的状态，保证推理结果的一致性。
• 预处理：模型对输入图像的尺寸、颜色通道、数值范围有严格要求。transforms.Normalize使用的均值和标准差是ImageNet数据集统计得到的，必须保持一致，否则识别准确率会大幅下降。
• unsqueeze(0)：深度学习模型通常处理一个批次的图片。即使我们只预测一张，也要增加一个“批次”维度。
• with torch.no_grad()：在这个上下文管理器内，PyTorch不会计算梯度，能显著减少内存消耗并加速推理，这对验证阶段是必须的。

3.2 如何判断识别结果的好坏？

跑通代码后，你可能会发现模型把一只猫识别成了“虎猫”或“埃及猫”，这其实是正确的，因为ImageNet的类别非常细。判断好坏有几个层面：

1. Top-1准确率：概率最高的类别是否正确。对于泛化类别（如“猫”），可能不准，因为ImageNet分类太细。
2. Top-5准确率：概率前五的类别中是否包含正确类别。如果一张猫的图，模型给出的Top-5结果里有“虎猫”、“暹罗猫”等，说明模型“知道”这是猫，只是细分错了，这通常是可以接受的。
3. 置信度：模型给出的概率值。通常高于0.5（50%）我们认为模型比较确信。但要注意，对于它没见过的奇异图像，它也可能给出高置信度的错误答案。

常见问题排查：

• 报错KeyError或找不到模型：检查PyTorch版本，新版torchvision加载权重的API有变化，确保你用的是类似weights=models.ResNet18_Weights.IMAGENET1K_V1的写法。旧版的pretrained=True已逐渐废弃。
• 识别结果完全不对：首先检查图片预处理流程是否与训练时一致（尤其是Normalize的参数）。其次，确认图片内容清晰、主体明确。最后，ImageNet模型不认识文字、抽象画或特别罕见的物体是正常的。
• 运行速度慢：在CPU上，ResNet-18推理一张图可能需要几百毫秒到一秒。这是正常的。如果想提速，可以考虑更轻量的模型如MobileNet，或者后续在有GPU的环境下运行。

4. 目标检测实战：用YOLO快速“找东西”

目标检测比识别更进一步。这里我们选用**YOLO（You Only Look Once）**系列，因为它速度快、精度高、生态好，是工业界和学术界的宠儿。我们将使用Ultralytics公司维护的ultralytics库，它让YOLOv8的使用变得极其简单。

4.1 安装YOLOv8并检测图片

首先，在之前创建的cv_demo环境中安装ultralytics库。

pip install ultralytics

然后，用不到10行代码完成检测：

from ultralytics import YOLO import cv2 import matplotlib.pyplot as plt # 1. 加载官方的预训练YOLOv8模型（这里是中等尺寸的版本） # 首次运行会自动从网上下载模型文件（约50MB） model = YOLO('yolov8n.pt') # ‘n’代表nano，最小。还有‘s’, ‘m’, ‘l’, ‘x’等更大更准的版本 # 2. 进行预测 img_path = “你的测试图片路径，例如：street.jpg” results = model(img_path) # 返回一个列表，每个元素对应一张图的检测结果 # 3. 可视化结果 # results[0].plot() 会生成带框和标签的图片 res_plotted = results[0].plot() # 返回一个BGR格式的numpy数组 # 4. 显示（OpenCV是BGR，matplotlib是RGB，需要转换） res_plotted_rgb = cv2.cvtColor(res_plotted, cv2.COLOR_BGR2RGB) plt.figure(figsize=(10, 8)) plt.imshow(res_plotted_rgb) plt.axis('off') plt.show() # 5. 打印检测到的物体信息 for box in results[0].boxes: # 获取类别ID、置信度、边界框坐标 cls_id = int(box.cls[0]) conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() # 左上角和右下角坐标 [x1, y1, x2, y2] # 通过results[0].names可以获取类别名映射 class_name = results[0].names[cls_id] print(f“检测到: {class_name}, 置信度: {conf:.2f}, 位置: {xyxy}”)

关键点解释：

• 模型选择：yolov8n.pt是最轻量级的，速度最快，精度稍低。yolov8s.pt,yolov8m.pt等更大更准，但更慢。根据你的需求选择。CPU上跑yolov8n检测一张图大概需要0.5-2秒。
• 结果解析：results对象包含了丰富的信息。boxes属性存储了所有检测框。每个框有类别（cls）、置信度（conf）和坐标（xyxy或xywh等格式）。
• 可视化：plot()方法非常方便，它自动把框、标签、置信度画在了图上。

4.2 目标检测的评估与调参

模型跑起来后，你可能会关心：它检测得准不准？漏检了吗？框的位置对吗？

1. 置信度阈值（conf）：这是最重要的参数之一。模型会输出很多框，每个框有一个置信度。通过设置阈值可以过滤掉不可信的检测。

   results = model(img_path, conf=0.25) # 默认是0.25，提高它（如0.5）可以减少误检，但可能增加漏检。

2. 交并比阈值（iou）：用于非极大值抑制（NMS），解决同一个物体被多个框检测到的问题。默认值0.7通常不错，在物体重叠严重时可以调低。

   results = model(img_path, iou=0.45)

3. 如何判断检测质量：

   • 查全率（Recall）：该找出来的物体，找出来了多少。如果图中明明有10辆车，只检测出5辆，查全率低。
   • 查准率（Precision）：检测出来的框里，有多少是正确的。如果检测出10个“车”框，其中3个其实是路牌，查准率低。
   • mAP（平均精度均值）：综合衡量检测器在不同置信度阈值下的性能，是学术论文和比赛中最常用的指标。但对于我们快速验证，直观地看可视化结果是否合理就够了。

常见问题排查：

• 检测不到小物体：YOLO对小物体检测能力相对较弱。可以尝试使用更大的模型（如yolov8m），或者将输入图片分辨率调大（imgsz=640，默认是640，可以尝试1280，但会更慢）。

  results = model(img_path, imgsz=1280)

• 同一个物体被重复检测：调整iou参数，或者检查置信度阈值是否过低。
• 类别识别错误：YOLOv8预训练模型是在COCO数据集上训练的，包含80个常见类别。如果物体不在这个列表里（比如“热水壶”），它可能会识别成相近的类别（如“瓶子”）。这是预训练模型的局限性，需要通过自定义训练来解决。

5. 图像分割实战：用U-Net体验“像素级”分析

图像分割，尤其是语义分割，在医疗影像、自动驾驶场景理解中至关重要。这里我们以经典的U-Net模型为例，并使用一个简单的医学影像数据集进行演示。因为分割模型通常需要针对特定任务训练，我们这里演示如何加载一个预训练模型并进行推理。

为了简化，我们使用segmentation-models-pytorch这个优秀的库，它封装了许多分割模型。

5.1 安装库与加载预训练模型

pip install segmentation-models-pytorch pip install -q albumentations # 一个强大的数据增强库

我们将使用在CamVid数据集上预训练的U-Net模型。注意，这个模型是用于街景分割的，有11个类别（天空、建筑、道路等）。

import torch import segmentation_models_pytorch as smp import cv2 import numpy as np import matplotlib.pyplot as plt from torchvision import transforms # 1. 定义模型结构和预训练编码器 model = smp.Unet( encoder_name=“resnet34”, # 使用ResNet34作为编码器（特征提取器） encoder_weights=“imagenet”, # 编码器使用在ImageNet上预训练的权重 in_channels=3, # 输入RGB三通道图片 classes=11, # CamVid数据集的11个类别 ) # 2. 加载预训练的分割解码器权重（这里需要手动下载） # 由于版权和存储，我们这里模拟一个已加载权重的模型。 # 实际中，你需要从segmentation-models-pytorch的仓库或相关项目找到.pth权重文件加载。 # model.load_state_dict(torch.load(‘unet_camvid.pth’)) model.eval() # 3. 定义预处理和后处理函数 def preprocess_image(image_path): image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # OpenCV读入是BGR # 调整到模型期望的尺寸，CamVid预训练模型通常是480x360或类似 image = cv2.resize(image, (480, 360)) # 归一化到[0,1]并转为Tensor transform = transforms.Compose([ transforms.ToTensor(), ]) image_tensor = transform(image).unsqueeze(0) # 增加批次维度 return image_tensor, image def postprocess_output(output_tensor): # output_tensor形状: [1, 11, H, W] # 取每个像素点上概率最大的类别 prediction = output_tensor.argmax(dim=1).squeeze().cpu().numpy() # 得到[H, W]的预测图 return prediction # 4. 模拟推理（因为缺少权重，我们生成一个随机输出用于演示流程） img_path = “你的测试图片路径” input_tensor, original_image = preprocess_image(img_path) with torch.no_grad(): # 实际有权重时：output = model(input_tensor) # 模拟输出一个随机张量，形状为[1, 11, 360, 480] output = torch.randn(1, 11, 360, 480) pred_mask = postprocess_output(output) # 预测的掩码图，每个像素值是0-10的整数 # 5. 可视化 # 定义CamVid的11个类别颜色（示例，实际需对应） colors = np.array([ [128, 128, 128], # 天空 [128, 0, 0], # 建筑 [192, 192, 128], # 柱子 # ... 其他类别颜色 ]) # 将预测的类别ID映射到颜色 colored_mask = colors[pred_mask] fig, axes = plt.subplots(1, 2, figsize=(12, 5)) axes[0].imshow(original_image) axes[0].set_title(‘Original Image’) axes[0].axis(‘off’) axes[1].imshow(colored_mask) axes[1].set_title(‘Predicted Segmentation’) axes[1].axis(‘off’) plt.show()

关键点解释：

• 编码器-解码器结构：U-Net是典型的编码器-解码器结构。编码器（如ResNet）负责下采样，提取高级语义特征；解码器负责上采样，将特征图恢复到原图尺寸，并进行像素分类。
• 预训练编码器：使用在ImageNet上预训练的编码器（encoder_weights=“imagenet”）可以大幅提升模型性能，并加速收敛，这是一种非常有效的迁移学习。
• 输出解析：分割模型的输出是一个[Batch, Classes, Height, Width]的张量。在Height x Width的每个位置上，都有Classes个数值，代表属于每个类别的概率（或logits）。我们通过argmax取概率最大的那个类别ID，得到最终的预测掩码图。

5.2 分割任务的特殊考量

1. 数据标注昂贵：分割需要像素级的标注，制作成本远高于检测框和分类标签。因此，数据增强（如旋转、翻转、色彩抖动）对于防止过拟合、提升模型泛化能力至关重要。albumentations库是这方面的利器。
2. 评价指标：最常用的是平均交并比（Mean Intersection over Union, mIoU）。计算每个类别的预测区域和真实区域的重叠面积与并集面积的比值，再对所有类别求平均。mIoU越高，分割越准。
3. 类别不平衡：在医学图像中，病灶区域可能只占图像的很小部分。直接训练会导致模型偏向背景。需要使用加权损失函数（如Dice Loss, Focal Loss）或在线难例挖掘等策略。
4. 实例分割：如果需要区分同一类别的不同个体（如分割出图像中的多个人），则需要使用Mask R-CNN、YOLACT或SOLO等实例分割模型。这些模型通常在目标检测的基础上，增加一个分割头来预测每个实例的掩码。

常见问题排查：

• 输出全是一个类别：通常是严重的类别不平衡或学习率设置不当导致。检查数据集中各类别的像素比例，尝试使用带权重的损失函数。
• 边界分割模糊：分割任务在物体边界处容易出错。可以尝试使用条件随机场（CRF）作为后处理来细化边界，或者使用关注边界的损失函数。
• 显存不足：分割模型由于要处理高分辨率特征图，显存消耗大。如果遇到OOM（内存溢出），可以尝试：
  • 减小输入图像尺寸（imgsz）。
  • 减小批次大小（batch_size）。
  • 使用更轻量的编码器（如MobileNet代替ResNet）。
  • 使用混合精度训练（torch.cuda.amp）。

6. 从Demo到项目：下一步该做什么？

跑通三个Demo只是第一步。要想真正掌握并应用到自己的项目中，你需要系统地走完以下流程。这比单纯调参更重要。

6.1 准备你自己的数据

这是所有项目的基础，也是最耗时的一步。

1. 数据收集：根据你的任务收集图片或视频。确保数据覆盖了实际场景中可能出现的各种情况（光照、角度、遮挡、背景等）。
2. 数据标注：
   • 分类：只需给每张图打上类别标签。可以用文件夹分类，也可以用CSV文件记录。
   • 检测：需要用标注工具（如LabelImg,CVAT,Roboflow）画出物体边界框并指定类别。标注文件通常是YOLO格式（.txt，每行class_id x_center y_center width height，坐标归一化）或COCO格式（.json）。
   • 分割：需要用像素级标注工具（如Labelme,EISeg,CVAT）勾勒出物体的精确轮廓。输出通常是PNG格式的掩码图，或用多边形坐标表示的JSON文件。
3. 数据划分：将数据分为训练集（Training Set）、验证集（Validation Set）和测试集（Test Set）。常用比例是7:2:1或8:1:1。验证集用于训练时监控模型表现、调整超参数；测试集用于最终评估，在训练过程中绝对不能使用。

6.2 模型训练与调优

有了数据，就可以开始训练你自己的模型了。

1. 选择模型架构：
   • 分类：ResNet, EfficientNet, Vision Transformer (ViT)。
   • 检测：YOLO系列（v5, v8, v9）， Faster R-CNN, DETR。
   • 分割：U-Net, DeepLabV3+, Mask R-CNN（实例分割）。
2. 迁移学习：强烈推荐。不要从头开始训练。使用在大型数据集（如ImageNet, COCO）上预训练好的模型，只替换最后的输出层，然后在你的小数据集上进行微调（Fine-tuning）。这能极大加快收敛速度，提升性能。
3. 训练流程：
   • 定义数据加载器：使用PyTorch的Dataset和DataLoader来高效读取和预处理数据（包括数据增强）。
   • 选择损失函数：分类用交叉熵损失（CrossEntropyLoss），检测用YOLO自带的损失或SmoothL1Loss + Focal Loss，分割用交叉熵损失或Dice Loss。
   • 选择优化器：Adam或SGD with Momentum是常用选择。
   • 设置学习率调度：使用学习率预热（Warmup）和余弦退火（Cosine Annealing）等策略，有助于模型收敛到更好的位置。
   • 开始训练：循环遍历数据加载器，前向传播计算损失，反向传播更新权重。
4. 监控与调试：使用TensorBoard或Weights & Biases等工具可视化训练过程中的损失曲线、准确率/mAP/mIoU曲线。如果验证集指标不升反降，可能是过拟合，需要增加数据增强、使用Dropout或提前停止（Early Stopping）。

6.3 模型部署与优化

模型训练好后，需要部署到实际应用中。

1. 模型导出：将PyTorch模型（.pt或.pth）导出为更通用的格式，以便在不同平台上运行。
   • TorchScript：PyTorch自带的序列化格式，可以在C++中调用。
   • ONNX：开放的神经网络交换格式，可以被TensorRT, OpenVINO, ONNX Runtime等多种推理引擎支持。

   # 以YOLOv8导出ONNX为例 from ultralytics import YOLO model = YOLO(‘yolov8n.pt’) model.export(format=‘onnx’) # 会生成一个 .onnx 文件

2. 推理优化：
   • 量化：将模型权重从浮点数（FP32）转换为整数（INT8），可以大幅减少模型体积和提升推理速度，精度损失很小。PyTorch提供了torch.quantization模块。
   • 剪枝：移除网络中不重要的连接或通道，得到一个更小、更快的模型。
   • 使用专用推理引擎：
     • TensorRT(NVIDIA GPU)：对N卡优化极致，性能提升显著。
     • OpenVINO(Intel CPU/GPU)：对Intel硬件优化。
     • ONNX Runtime：跨平台，支持CPU、GPU等多种硬件。
3. 集成到应用：将优化后的模型集成到你的Web服务（Flask, FastAPI）、移动端（PyTorch Mobile, TFLite）或嵌入式设备（NVIDIA Jetson, Raspberry Pi）中。

6.4 持续学习与资源推荐

计算机视觉领域发展迅速，保持学习至关重要。

1. 跟进前沿：关注顶级会议（CVPR, ICCV, ECCV, NeurIPS）的最新论文。可以在Papers with Code网站上按任务和榜单查找SOTA模型。
2. 动手项目：最好的学习方式是做项目。可以从Kaggle、天池等平台的竞赛开始，或者自己设定一个小目标（如“用手机摄像头识别垃圾分类”、“监控仓库货架空缺”）。
3. 深入原理：当你熟悉流程后，回头去理解模型背后的原理（卷积操作、反向传播、注意力机制等），这能帮助你在遇到新问题时进行有效的调试和创新。
4. 关键资源：
   • 课程：吴恩达《深度学习专项课程》、李飞飞《CS231n》。
   • 书籍：《深度学习》（花书）、《Python深度学习》。
   • 代码库：PyTorch官方教程、MMDetection（检测）、MMSegmentation（分割）、Hugging Face Transformers（ViT等）。
   • 社区：GitHub, Stack Overflow, PyTorch论坛，以及相关的技术博客。

记住，从“跑通Demo”到“解决实际问题”，中间隔着大量的工程实践和问题排查。遇到报错时，优先检查数据路径、数据格式、张量形状和库版本，这些解决了90%的初级问题。然后，耐心地调整数据、模型和训练参数，每一次迭代都是向目标迈进的一步。