企业官网建设流程全解析

1. 计算机视觉任务全景拆解：从像素到语义的完整技术地图

搞计算机视觉这些年，最怕的就是新人一上来就扎进某个具体模型里，比如抱着YOLO的源码啃了半个月，结果连图像分类、目标检测、语义分割这三者之间的边界和联系都说不清楚。我带过不少刚入行的朋友，也参与过工业质检、遥感监测、机器人导航这些不同方向的视觉项目，回过头来看，计算机视觉这个领域其实有一条非常清晰的主线——从整张图的类别判断，到图中每个物体的定位与识别，再到每个像素的归属划分，最后到三维空间中的位姿估计与地图构建。这条主线上的每一个任务，都有它独特的输入输出定义、评价指标、主流方法和踩坑重灾区。

这篇文章我打算把这条主线上的核心任务一次性讲透。不管你是正在做计算机视觉大作业的学生，还是刚转行进入AI视觉方向的工程师，或者是在做SLAM导航、遥感图像分析这类垂直应用的开发者，都能从这张全景图里找到自己需要的那一块拼图。我会重点讲清楚每个任务到底在解决什么问题、主流技术路线是怎么演进的、实际落地时哪些参数和细节最容易翻车，以及不同任务之间如何衔接配合。全文会涉及图像分类、目标检测、语义分割、三维视觉与SLAM这几大板块，中间穿插数据集制作、模型选型、训练调参的实操经验。

1.1 视觉任务的层次划分逻辑

计算机视觉的任务虽然五花八门，但按照输出信息的粒度和结构，可以分成四个层次。第一个层次是图像级理解，代表任务就是图像分类，输入一张图，输出一个类别标签或者一组类别概率。这个层次不关心物体在哪里、有几个，只关心整张图是什么。第二个层次是区域级理解，代表任务是目标检测，输出是一组边界框加类别标签，每个框对应一个物体实例。第三个层次是像素级理解，代表任务是语义分割和实例分割，输出是和输入图像同尺寸的掩码图，每个像素被赋予一个类别或者实例ID。第四个层次是三维空间理解，代表任务是SLAM、三维重建、点云语义分割，输出是相机位姿、三维点云地图或者体素级的语义信息。

这四个层次不是孤立的，而是层层递进、互相支撑的关系。比如做机器人SLAM导航，前端需要特征点提取和匹配，这本质上是像素级的局部特征理解；后端做回环检测时，往往要用图像分类或者场景识别来判断是否回到同一地点；而在建图过程中，如果要构建语义地图，就需要把语义分割的结果投影到三维空间。再比如做遥感图像目标检测，检测出来的飞机、船舶、油罐这些目标，后续往往要做变化检测或者统计分析，这就涉及多时相图像的配准和分割。理解这个层次划分，你在选模型、定方案的时候就不会迷失方向。

1.2 为什么需要这张全景图

很多教程和课程把每个任务单独讲，图像分类讲ResNet、VGG，目标检测讲YOLO、Faster R-CNN，语义分割讲FCN、U-Net，SLAM讲卡尔曼滤波、图优化，但很少把它们串起来。结果就是学完之后，遇到一个实际项目——比如“做一个森林火灾监测系统”——不知道该怎么拆解。是先用分类判断有没有火，再用检测定位火点，再用分割圈出过火面积？还是直接端到端训练一个多任务模型？不同方案的数据标注成本、推理速度、部署难度差异巨大。

这张全景图的价值就在于，它让你在拿到需求的第一时间，能快速判断这个需求落在哪个层次，需要哪些任务的组合，每个任务的精度和速度要求大概是什么量级，数据标注要怎么做，模型选型有哪些候选。我见过太多项目因为一开始任务定义没想清楚，标注数据做了一半发现方向错了，推倒重来浪费几个月。所以下面我会按任务逐个拆解，每个任务都讲清楚它的核心定义、主流方法、实操要点和常见坑。

2. 图像分类：视觉任务的基石与最新演进

图像分类是计算机视觉里最基础、也是最早被深度学习攻克的任務。它的定义很简单：给定一张输入图像，预测它属于哪个预定义类别。但就是这个看似简单的任务，支撑起了后面目标检测、语义分割等所有高级任务的骨干网络设计。你可以把图像分类模型理解成一个特征提取器，它学会了从像素中抽取有判别力的语义特征，这些特征稍加改造就能用于检测和分割。

2.1 从CNN到Transformer的骨干网络演进

早期的图像分类模型以卷积神经网络为主。AlexNet在2012年ImageNet竞赛上一战成名，证明了深度卷积网络在视觉特征学习上的巨大潜力。随后VGG证明了网络深度的重要性，用连续的3x3小卷积核堆叠到16-19层。GoogLeNet引入了Inception模块，通过多尺度卷积核并行来增加网络宽度。ResNet则用残差连接解决了深层网络的梯度消失问题，把网络深度推到了上百层甚至上千层，成为后续几乎所有视觉任务的默认骨干。

ResNet的核心思想是恒等映射：如果某一层的最优输出就是输入本身，那让网络学习残差F(x)=H(x)-x比直接学习H(x)更容易。这个看似简单的改动，让梯度可以通过跳跃连接直接回传，训练超深网络变得可行。实际项目中，ResNet-50和ResNet-101是最常用的两个版本，前者在精度和速度之间取得了很好的平衡，后者精度更高但计算量大约翻倍。

2020年之后，Vision Transformer（ViT）开始挑战CNN的统治地位。ViT把图像切成固定大小的patch，每个patch展平后当作一个token，加上位置编码后送入标准的Transformer编码器。在大规模数据集（如JFT-300M）上预训练后，ViT在ImageNet上的精度超过了同等规模的ResNet。但ViT的问题也很明显：它缺乏卷积的归纳偏置，在小数据集上容易过拟合，需要更强的数据增强和正则化。后来出现的Swin Transformer通过引入层次化结构和滑动窗口注意力，在保持Transformer建模能力的同时恢复了多尺度特征，成为检测和分割任务的新宠。

实际选型时，如果你数据量不大（几万张以内），ResNet系列仍然是稳妥的选择，预训练权重丰富，训练稳定。如果数据量充足（百万级以上）且追求极致精度，可以考虑ViT或Swin。另外，近年来一些轻量级模型如MobileNet、EfficientNet在移动端和边缘设备上应用广泛，它们通过深度可分离卷积、神经架构搜索等技术，在参数量和计算量大幅降低的同时保持了可接受的精度。

2.2 图像分类的实操要点与数据集处理

做图像分类项目，第一步永远是数据。我见过太多人一上来就调模型，结果精度上不去，回头一看数据标注乱七八糟。图像分类的数据集制作有几个关键点：类别定义要互斥且完备，每类样本数量尽量均衡，训练集验证集测试集的划分要保证分布一致。如果是自己采集的数据，还要注意光照、角度、背景的多样性，避免模型学到无关特征。

数据增强是提升分类精度最廉价的手段。常用的增强包括随机裁剪、随机翻转、颜色抖动、旋转、缩放等。对于遥感图像分类这种特殊场景，还要考虑方向性增强，因为遥感图像中的目标可能出现在任意方向。CutMix和MixUp是两种更强的增强策略，前者把两张图裁剪后拼接，后者把两张图按比例混合，标签也按比例混合。这两种方法能显著提升模型的泛化能力，但训练轮数需要相应增加。

损失函数方面，交叉熵是最常用的。如果类别不平衡严重，可以用带权重的交叉熵或者Focal Loss。优化器一般选SGD with momentum或者AdamW，学习率用余弦退火或者阶梯下降。Batch size在显存允许的情况下尽量大一些，比如256或512，配合适当的学习率缩放。训练轮数通常几十到上百轮，早停法根据验证集精度来决定何时停止。

注意：图像分类模型在部署时，预处理必须和训练时完全一致。我遇到过好几次，训练时用了归一化，部署时忘了加，导致精度暴跌。建议把预处理逻辑封装成一个独立的模块，训练和推理共用。

2.3 最新图像分类模型选型对比

这张表里的精度数据是在ImageNet-1K上的参考值，实际项目中还要考虑你的数据分布和任务难度。比如做森林图像分类，类别可能是树种、健康状况、郁闭度等，这些细粒度分类任务对模型的特征判别能力要求更高，可能需要更大的输入分辨率（如448x448）和更强的数据增强。另外，如果类别数量很少（比如只有火灾/非火灾两类），模型很容易过拟合，这时候用预训练权重冻结骨干只训练分类头，往往比从头训练效果更好。

3. 目标检测：从区域提议到端到端回归

目标检测要解决的问题是：图中有什么物体，它们在哪里。输出是一组边界框和对应的类别标签。这个任务比分类难得多，因为物体数量不定、位置不定、尺度不定，而且存在遮挡和重叠。目标检测的发展大致经历了两个阶段：两阶段检测器和单阶段检测器。两阶段以Faster R-CNN为代表，先产生候选区域再分类回归；单阶段以YOLO和SSD为代表，直接回归边界框和类别。

3.1 两阶段与单阶段检测器的核心差异

Faster R-CNN的核心创新是Region Proposal Network（RPN），它用卷积网络直接生成候选框，替代了传统的选择性搜索。RPN在特征图上每个位置预设一组锚框，预测每个锚框是前景还是背景，以及相对于真实框的偏移量。然后ROI Pooling把不同大小的候选框统一到固定尺寸，送入后续网络做分类和精修。两阶段方法的优点是精度高，尤其是对小物体和密集场景；缺点是速度慢，因为每个候选框都要单独过一遍分类网络。

YOLO系列则走了另一条路。YOLOv1把图像分成SxS的网格，每个网格预测B个边界框和置信度，以及C个类别概率。这种设计让检测变成了一次前向传播的回归问题，速度极快，但初期版本对小物体和密集物体的检测效果不好。后续版本不断改进：YOLOv2引入锚框和批量归一化，YOLOv3用多尺度特征图检测不同大小的物体，YOLOv4和YOLOv5整合了大量训练技巧（如Mosaic增强、CIoU损失、自适应锚框），YOLOv8则进一步简化了检测头并引入了更高效的骨干网络。

实际选型时，如果追求极致精度且不介意速度，Faster R-CNN或者Cascade R-CNN仍然是可靠选择。如果要做实时检测，YOLOv5、YOLOv8或者YOLOv26是首选。YOLOv26在保持实时性的同时，通过更深的骨干和更精细的特征融合，进一步提升了对小物体和遮挡物体的检测能力。SSD则是介于两者之间的方案，用多尺度特征图直接预测，速度比Faster R-CNN快，精度比早期YOLO好。

3.2 锚框设计与正负样本分配策略

锚框是目标检测里最核心的概念之一。它的本质是对物体尺度和长宽比的先验假设。在训练前，通常要对训练集中的真实框做K-means聚类，得到一组最具代表性的锚框尺寸。比如COCO数据集上常用的9个锚框，就是通过聚类得到的。如果锚框设计得和实际数据分布不匹配，模型很难收敛到高精度。

正负样本分配决定了哪些锚框参与分类和回归损失的计算。早期方法用IoU阈值，比如IoU大于0.5算正样本，小于0.4算负样本，中间忽略。但这种方法对密集场景不友好，两个物体靠得很近时，锚框可能同时和多个真实框有高IoU。后来出现了ATSS、SimOTA等动态分配策略，根据统计特征自适应地选择正样本，显著提升了密集检测的性能。

实操心得：如果你在做自定义数据集的目标检测，比如鸟类检测或者玩手机检测，第一件事就是统计真实框的尺寸分布。用K-means聚出适合你数据的锚框，比直接用COCO的默认锚框精度能提升好几个点。另外，如果目标尺寸普遍偏小，记得把输入分辨率调大，或者用FPN结构加强小物体特征。

3.3 YOLO系列实战：从数据标注到模型部署

以YOLOv5为例，完整流程大致如下。数据标注用LabelImg或者CVAT，输出YOLO格式的txt文件，每行是类别ID和归一化的中心坐标、宽高。然后组织成images和labels两个文件夹，写一个data.yaml指定训练集、验证集路径和类别名称。模型配置文件选yolov5s.yaml或yolov5m.yaml，前者轻量适合边缘设备，后者精度更高。训练命令用python train.py --data data.yaml --cfg yolov5s.yaml --weights yolov5s.pt --batch-size 16 --epochs 100。预训练权重会自动下载，训练过程中会输出mAP、precision、recall等指标。

训练完成后，用python detect.py --weights runs/train/exp/weights/best.pt --source test_images/做推理。如果要做部署，可以导出ONNX或者TensorRT格式。导出ONNX用python export.py --weights best.pt --include onnx，然后用ONNX Runtime或者TensorRT加载推理。部署时要注意预处理和后处理的实现必须和训练时一致，特别是letterbox缩放和NMS阈值。

3.4 开放词汇与多模态目标检测新趋势

传统目标检测只能检测训练集中定义好的类别，要增加新类别就得重新标注和训练。开放词汇目标检测（Open-Vocabulary Detection）试图解决这个问题，它利用视觉-语言预训练模型（如CLIP）的零样本能力，让模型能够检测训练时没见过的类别。基本思路是用文本编码器把类别名称编码成文本嵌入，然后用视觉特征和文本嵌入做对齐，从而实现对任意类别的检测。

多模态目标检测则是融合RGB图像和深度图、红外图、激光雷达点云等多种模态的信息。比如在自动驾驶中，RGB图像提供纹理和颜色信息，激光雷达提供精确的三维距离信息，两者融合能显著提升检测的鲁棒性。融合方式可以在早期（数据级）、中期（特征级）或晚期（决策级）进行。特征级融合最常用，把不同模态的特征图对齐后拼接或相加，再送入检测头。

这些新趋势在实际项目中还处于探索阶段，但如果你做的是遥感图像目标检测或者机器人视觉，值得关注。遥感图像中的目标往往尺度变化极大、方向任意，开放词汇检测可以让你用自然语言描述目标，比如“红色屋顶的建筑”或“大型货轮”，而不需要预先定义所有类别。

4. 语义分割：像素级的场景理解

语义分割的目标是给图像中的每个像素分配一个类别标签。和分类、检测不同，分割要求模型理解每个像素的上下文，输出和输入同分辨率的密集预测。这个任务在自动驾驶、医学影像、遥感分析中应用极广。语义分割的难点在于：既要捕捉全局上下文（比如天空在图像上方、道路在下方），又要保留局部细节（比如细小的电线杆、行人轮廓）。

4.1 编码器-解码器架构与空洞卷积

全卷积网络（FCN）是语义分割的开山之作，它把分类网络的全连接层换成卷积层，使得网络可以接受任意尺寸输入并输出空间特征图。但FCN直接上采样得到的分割结果比较粗糙，因为下采样过程中丢失了细节。编码器-解码器架构解决了这个问题：编码器逐步下采样提取语义特征，解码器逐步上采样恢复空间分辨率，同时通过跳跃连接把编码器的高分辨率特征传给解码器，帮助恢复细节。U-Net是这种架构的典型代表，在医学图像分割中几乎成了标配。

空洞卷积（Dilated Convolution）是另一种保持分辨率同时扩大感受野的方法。它在卷积核中插入空洞，使得3x3卷积核在不增加参数量的情况下获得5x5甚至更大的感受野。DeepLab系列用空洞卷积构建了空洞空间金字塔池化（ASPP），用不同空洞率的卷积并行处理，捕捉多尺度上下文。这种方法在遥感图像分割中特别有用，因为遥感图像中的地物尺度差异极大，从几米宽的道路到几公里宽的农田都需要准确分割。

4.2 语义分割数据集制作与标注规范

语义分割的数据标注比分类和检测都费时费力，因为要逐像素标注。常用的标注工具是LabelMe和CVAT。LabelMe适合小规模标注，可以画多边形、矩形、圆形，导出JSON格式。CVAT支持多人协作和视频标注，适合大规模项目。标注时要注意：类别边界要清晰，遮挡区域要统一处理（比如被遮挡的部分标为不可见或者根据上下文推断），不同标注员的标准要一致。

对于遥感图像语义分割，标注难度更大，因为图像分辨率高、地物复杂。通常的做法是先做超像素分割，把图像分成小块，然后对每个小块标注类别，减少逐像素的工作量。另外，遥感图像往往有多个波段（如RGB、近红外），标注时可以参考多波段信息来区分植被、水体、建筑等。

注意：语义分割的标注成本极高，一个中等规模的数据集（几千张图）可能需要几个人标注几周。如果预算有限，可以考虑用弱监督或者半监督方法，比如用图像级标签训练分割模型，或者用少量精细标注加大量粗糙标注。

4.3 主流语义分割模型对比与选型

选型时，如果数据量小且任务特定（如医学图像），U-Net及其变体是首选，因为它的跳跃连接能有效利用浅层细节。如果追求通用场景的高精度，DeepLabv3+或Mask2Former更合适。如果要在边缘设备上实时分割，SegFormer或者轻量化的DeepLabv3+（用MobileNet骨干）是更好的选择。遥感图像分割通常需要处理大尺寸图像，可以用滑动窗口裁剪成小块分别预测再拼接，或者用空洞卷积保持分辨率。

4.4 语义分割模型训练技巧与损失函数

语义分割的损失函数通常用交叉熵加Dice Loss的组合。交叉熵逐像素计算分类损失，但类别不平衡时效果不好（比如背景像素远多于前景）。Dice Loss直接优化预测掩码和真实掩码的重叠度，对类别不平衡更鲁棒。两者加权组合，比如0.5倍交叉熵加0.5倍Dice，在很多任务上表现稳定。

学习率策略方面，语义分割通常用多项式衰减或者余弦退火，初始学习率比分类任务小一些，比如0.01或0.001。因为分割网络通常更大，训练更不稳定。Batch size受限于显存，一般4到16。如果显存不够，可以用梯度累积模拟大batch。训练轮数通常几十到上百轮，根据验证集mIoU早停。

数据增强对分割同样重要。除了分类用的增强，分割还需要同步变换图像和掩码。常用的有随机缩放、随机裁剪、随机旋转、颜色抖动。CutMix和MixUp也可以用于分割，但标签也要相应混合。另外，对于遥感图像，可以考虑方向增强和光谱增强。

5. 三维视觉与SLAM：从二维图像到空间理解

前面讲的分类、检测、分割都是在二维图像上做文章。但很多实际应用——比如机器人导航、自动驾驶、AR/VR——需要理解三维空间。SLAM（同时定位与地图构建）就是解决这个问题的核心技术。它让机器人在未知环境中，通过传感器数据同时估计自己的位姿并构建环境地图。

5.1 视觉SLAM与激光SLAM的对比

视觉SLAM用相机作为主要传感器，通过跟踪图像中的特征点来估计相机运动。优点是成本低、信息丰富（能获取纹理和颜色），缺点是对光照变化敏感、在纹理缺失区域容易丢失。激光SLAM用激光雷达，直接获取精确的三维点云，不受光照影响，但成本高、在长廊等几何特征重复的场景容易退化。

视觉SLAM的经典框架包括前端跟踪、后端优化、回环检测和建图。前端从图像中提取特征点（如ORB、SIFT），匹配相邻帧的特征，估计相机运动。后端用图优化或者滤波方法优化位姿和地图点。回环检测用词袋模型或者深度学习特征判断是否回到之前的位置，消除累积误差。建图则根据位姿和观测构建稀疏点云、稠密点云或者八叉树地图。

激光SLAM的经典框架是Gmapping和Cartographer。Gmapping用粒子滤波，适合小场景。Cartographer用图优化，支持大规模建图。近年来，激光雷达和视觉融合的SLAM方案越来越流行，比如LVI-SAM、R3LIVE，它们用激光雷达提供精确深度，用视觉提供纹理和回环检测，互补性强。

5.2 SLAM导航与自主建图的实操流程

以ROS环境下的激光SLAM建图为例，完整流程如下。首先启动机器人底盘和激光雷达的驱动节点，确保/scan话题有数据。然后启动Gmapping节点，配置参数如delta（地图分辨率，通常0.05米）、maxUrange（激光最大使用距离）、particles（粒子数）。接着用键盘或者手柄控制机器人缓慢移动，覆盖整个环境。Gmapping会实时发布/map话题，可以在RViz中看到地图逐渐构建。建图完成后，用map_server保存地图为pgm和yaml文件。

导航阶段，启动move_base节点，加载之前保存的地图，配置全局规划器和局部规划器。全局规划器常用A*或Dijkstra，局部规划器常用DWA或TEB。然后设置初始位姿和导航目标，机器人就会自动规划路径并避障移动。实际调试时，代价地图的参数很关键，比如膨胀半径、障碍物阈值，设置不当会导致机器人卡住或者撞墙。

实操心得：SLAM建图时，控制机器人移动速度不要太快，尤其是转弯时，否则特征匹配容易丢失。另外，如果环境中有玻璃、镜子等反射面，激光雷达会测到虚假障碍物，建图时最好避开或者用超声波传感器辅助。视觉SLAM在纹理丰富的室内环境表现好，但在白墙走廊容易跟丢，可以融合IMU提供短时运动估计。

5.3 三维目标检测与点云语义分割

三维目标检测是在点云或者深度图中检测三维边界框。和二维检测相比，三维检测多了深度和朝向信息，输出是(x, y, z, w, h, l, yaw)七个参数。主流方法有基于体素的（如VoxelNet、PointPillars）、基于点的（如PointRCNN）和基于投影的（如MV3D）。PointPillars把点云划分成柱体，用2D卷积处理，速度很快，适合自动驾驶实时检测。

点云语义分割是给每个点分配类别标签，类似于二维语义分割。PointNet和PointNet++是开创性工作，直接处理无序点云。后来出现的RandLA-Net、KPConv等在大规模点云上效率更高。三维目标检测和点云分割在自动驾驶、机器人抓取、AR/VR中都有广泛应用。

5.4 3DGS与SLAM的结合：最新进展

3D Gaussian Splatting（3DGS）是2023年出现的一种三维场景表示方法，用大量三维高斯椭球来建模场景，渲染速度极快且质量高。把3DGS和SLAM结合，可以在建图的同时获得高质量的三维渲染效果。基本思路是用SLAM估计相机位姿，然后用3DGS优化场景表示，再用渲染结果辅助位姿优化。这种方案在VR/AR、数字孪生中很有前景，但目前计算量还比较大，实时性有待提升。

6. 常见问题与排查技巧实录

6.1 数据标注与预处理常见坑

数据标注是视觉项目里最容易被低估的环节。我见过一个项目，标注员把“鸟”和“飞机”标混了，因为远距离的飞机看起来像鸟。结果模型训练出来，把天上的飞机全检成了鸟。所以标注规范一定要写清楚，最好有示例图和边界案例说明。另外，标注一致性检查也很重要，可以随机抽一批标注结果让不同人复核，计算标注一致性指标。

预处理方面，最常见的问题是训练和推理不一致。比如训练时用了ImageNet的均值和方差做归一化，推理时忘了，精度直接掉十几个点。还有图像通道顺序，OpenCV读进来是BGR，PyTorch期望RGB，忘了转换也会出问题。建议把预处理写成独立的函数或类，训练和推理共用。

6.2 模型训练不收敛与过拟合排查

训练不收敛的原因很多：学习率太大导致loss震荡，太小导致收敛慢；数据标注错误导致模型学不到规律；模型初始化不当导致梯度消失或爆炸。排查时可以先在小数据集上过拟合，如果连小数据集都过拟合不了，说明模型或数据有问题。过拟合则表现为训练loss持续下降但验证loss上升，解决方法包括增加数据增强、减小模型容量、加正则化（L2、Dropout）、早停。

6.3 部署与推理性能优化

模型部署时，推理速度往往是瓶颈。优化手段包括：用轻量模型（MobileNet、YOLOv5s）、量化（FP16、INT8）、剪枝、知识蒸馏、用TensorRT或ONNX Runtime加速。量化能把模型大小和推理时间减少一半以上，但精度可能略有下降，需要校准。剪枝去掉不重要的通道，也能压缩模型，但需要微调恢复精度。

另一个常见问题是内存泄漏。如果推理循环里不断创建张量而不释放，内存会持续增长。PyTorch里用torch.no_grad()包裹推理代码，避免计算图累积。另外，如果用了多线程或者多进程，要注意共享内存和锁的问题。

6.4 跨任务衔接与多任务学习

实际项目中，往往需要多个任务协同。比如先检测再分割，或者先分类再检测。跨任务衔接时，要注意坐标变换和尺度对齐。检测输出的边界框要裁剪出来送分割网络，裁剪时的padding和缩放要和分割网络的输入要求匹配。多任务学习则是用一个网络同时输出分类、检测、分割结果，共享骨干特征，节省计算。但多任务学习的损失权重需要仔细调节，否则某个任务会主导训练。

7. 学习路线与工具选型建议

7.1 计算机视觉入门学习路线

如果你是零基础入门，建议按这个顺序来：先学Python和PyTorch基础，能写简单的神经网络；然后学图像分类，理解卷积、池化、批归一化、残差连接；接着学目标检测，理解锚框、IoU、NMS、多尺度特征；再学语义分割，理解编码器-解码器、空洞卷积、跳跃连接；最后学SLAM和三维视觉，理解相机模型、特征匹配、图优化。每学一个任务，都要动手跑通一个开源项目，比如用YOLOv5训练自己的数据集，用DeepLabv3+做分割。

工具方面，PyCharm适合大型项目开发，代码补全和调试功能强；VS Code轻量，插件丰富，适合快速实验和远程开发。两者不冲突，可以都用。深度学习框架首选PyTorch，动态图调试方便，社区活跃。ROS用于机器人SLAM开发，建议在Ubuntu上装ROS Noetic或ROS2 Humble。

7.2 不同场景下的模型选型速查

这张表只是起点，实际选型还要看你的数据、算力和精度要求。比如遥感图像目标检测，如果目标特别小，可能需要用SAHI切片推理，或者用专门的小物体检测模型。医学图像分割如果标注数据很少，可以考虑用预训练模型加少样本微调。

7.3 持续学习与社区资源

计算机视觉发展极快，保持学习很重要。经典教材有《计算机视觉：算法与应用》和《视觉SLAM十四讲》。在线课程有CS231n（图像分类、检测、分割）和CS224n（视觉与语言）。开源项目方面，MMDetection、Detectron2、YOLOv5/v8、Segmentation Models PyTorch都是很好的学习资源。论文方面，CVPR、ICCV、ECCV是三大顶会，arXiv上每天都有新工作。

我个人的习惯是，每学一个新模型，就找它的官方实现跑一遍，然后改改参数看效果变化。遇到不懂的原理，先查论文，再看博客，最后自己推导一遍。这样学下来的知识才扎实。另外，参加Kaggle或者天池的比赛也是很好的锻炼，能接触到真实数据和实际问题。

最后分享一个小技巧：如果你在做计算机视觉大作业或者项目，不要一上来就追求SOTA。先把基线跑通，确保数据管道、训练流程、评估指标都正确，然后再逐步改进。很多项目失败不是因为模型不够好，而是因为数据有问题或者评估方式不对。先把简单的事情做对，再追求复杂的方法。