計算機基礎項目實戰(zhàn)4

計算機視覺項目開發(fā)實戰(zhàn)

(微課版)項目一初識計算機視覺—開發(fā)環(huán)境搭建思維導圖學習目標概覽能夠基于Anaconda和PyCharm搭建計算機視覺應用的開發(fā)環(huán)境知識目標學習目標素質目標技能目標培養(yǎng)科技向善的價值觀培養(yǎng)精益求精的工匠精神培養(yǎng)人文關懷意識具有開發(fā)工具運用能力能夠根據具體應用場景選擇匹配的工具組合了解計算機視覺的應用領域理解計算機視覺的概念掌握計算機視覺的發(fā)展歷程與現(xiàn)狀理解Python、Anaconda、PyCharm、OpenCV、深度學習框架在計算機視覺應用開發(fā)中的協(xié)同作用目錄項目導入知識準備項目拓展項目實施項目鞏固1.1計算機視覺概述1.2開發(fā)環(huán)境與工具PART01項目導入項目導入計算機視覺技術正以前所未有的速度推動著社會發(fā)展，從智慧城市中的智能交通管理到醫(yī)療領域的病灶精準識別，從農業(yè)場景的作物病蟲害監(jiān)測到教育領域的個性化學習分析，其應用邊界不斷拓展。。以大語言模型和視覺大模型為代表的人工智能新范式，正推動計算機視覺向“感知—理解—生成”一體化通用智能演進。夯實技術根基，筑牢責任意識PART02知識準備知識準備—計算機視覺概述1.1.1計算機視覺的概念定義計算機視覺（ComputerVision，CV）是人工智能（ArtificialIntelligence，AI）的核心分支之一，是連接數字世界與物理視覺信息的關鍵橋梁。旨在讓計算機系統(tǒng)具備類人眼的感知能力，突破傳統(tǒng)代碼指令的限制，自主“看懂”圖像與視頻中的場景、物體、動作及語義信息。通過算法模擬人類視覺系統(tǒng)的神經機制，對視覺數據進行特征提取、內容分析與邏輯推理，最終將視覺輸入轉化為可執(zhí)行的決策或智能反饋知識準備—計算機視覺概述1.1.1計算機視覺的概念目標——讓機器“看懂”世界計算機視覺賦予了機器“觀察”與“理解”的能力，是實現(xiàn)人工智能感知世界的核心基石。計算機視覺并非憑空創(chuàng)造，而是通過工程手段對人類視覺感知機制的精準模擬，讓機器具備從“看見像素”到“理解語義”的完整能力閉環(huán)。知識準備—計算機視覺概述1.1.1計算機視覺的概念技術核心設備：依托攝像頭、各類傳感器等硬件設備，作為計算機視覺系統(tǒng)的“眼睛”，負責采集物理世界的光信號信息。技術核心：運行深度學習、模式識別等復雜計算機算法，是計算機視覺系統(tǒng)的“大腦”，主導數據的深度加工與解析。從物理世界的信號捕捉到數字世界的智能解讀，共同構成了計算機視覺完整的技術實現(xiàn)閉環(huán)。知識準備—計算機視覺概述1.1.2計算機視覺與人工智能的關系AI體系的核心支柱計算機視覺（CV）是人工智能（AI）的核心研究領域之一，聚焦于讓機器“看懂”世界，是實現(xiàn)機器感知能力的關鍵技術路徑。人工智能為計算機視覺提供底層理論基礎與技術框架，而計算機視覺的發(fā)展與突破又不斷豐富AI的應用場景，二者相互支撐、迭代進化。二者始終圍繞“機器模擬人類智能”這一核心目標，致力于讓機器具備感知、認知、推理能力，最終服務于人類社會的智能化升級。知識準備—計算機視覺概述1.1.2計算機視覺與人工智能的關系AI的“視覺感官”計算機視覺是AI感知世界的核心入口，專門負責讓機器通過圖像或視頻數據，對物理世界進行捕捉、解析與理解，賦予AI“看見”的能力，是連接數字世界與物理世界的視覺橋梁。如同人類的眼睛是獲取外界信息的首要器官，計算機視覺是人工智能實現(xiàn)“感知智能”不可或缺的關鍵組成部分。它為AI提供了最豐富的環(huán)境數據，支撐起后續(xù)的認知、推理與決策過程。知識準備—計算機視覺概述1.1.2計算機視覺與人工智能的關系相輔相成，共筑智能未來計算機視覺是人工智能技術最成功、應用最廣泛的領域之一，從人臉識別、自動駕駛到醫(yī)療影像分析，它將AI能力轉化為看得見的現(xiàn)實價值，深度融入日常生活與產業(yè)場景，讓智能觸手可及。視覺場景的復雜性與挑戰(zhàn)性，不斷提出新的科學問題和技術需求，倒逼深度學習、神經網絡等AI基礎理論與算法的突破，為人工智能的整體發(fā)展注入源源不斷的創(chuàng)新動力。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀初始探索與基礎建設20世紀50-60年代：從簡單像素處理起步，奠定計算機視覺的學科基石。1950s二維圖像的萌芽期研究重點與里程碑：聚焦圖像增強與濾波等基礎技術。1957年，羅素·基爾希團隊開發(fā)出世界首臺掃描儀，成功生成第一幅數字圖像，開啟了計算機處理視覺信息的大門。1960s向三維視覺的跨越關鍵突破與技術奠基：拉里·羅伯茨提出從線畫提取三維形狀的方法；1963年伊萬·薩瑟蘭開發(fā)的Sketchpad系統(tǒng)，首次實現(xiàn)交互式圖形繪制，為三維建模與視覺顯示奠定了核心技術基礎。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀理論深化與應用初現(xiàn)20世紀70-90年代：數學理論逐步完善，開始進入工業(yè)檢測等實際應用領域。1980s·理論體系的奠基這一時期聚焦于數學理論與層次模型的系統(tǒng)性探索。大衛(wèi)·馬爾出版經典著作《Vision》，提出了基于計算、算法、硬件實現(xiàn)的三層視覺處理理論框架，成為計算機視覺學科的核心基石。1990s·應用導向與算法突破算力提升推動技術走向實用化。1999年大衛(wèi)·洛提出SIFT算法，實現(xiàn)了尺度與旋轉不變的特征提取，解決了圖像匹配的核心難題，成為計算機視覺應用領域的重要里程碑。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀機器學習的興起21世紀初：支持向量機、隨機森林等算法成熟，圖像分類與識別精度大幅提升。HOG特征(2005)由納夫尼特·達拉爾和比爾·特里格斯提出，通過分析圖像局部梯度方向分布，能高效描述物體輪廓與形狀，極大優(yōu)化了行人檢測等任務的準確率，成為經典的手工特征里程碑。價值：為后續(xù)的深度學習特征提取奠定了重要的理論與實踐基礎。SVM支持向量機應用作為經典的監(jiān)督學習算法，SVM通過尋找最優(yōu)超平面實現(xiàn)數據分類，在小樣本、高維特征空間中表現(xiàn)優(yōu)異，成為當時物體識別、圖像分類等計算機視覺任務的主流解決方案。意義：解決了傳統(tǒng)算法在復雜特征分類中的過擬合與泛化難題。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀深度學習引領新浪潮21世紀10年代：卷積神經網絡（CNN）突破瓶頸，引爆自動駕駛、安防監(jiān)控等應用。新紀元開啟(2012)AlexNet在ImageNet挑戰(zhàn)賽中以絕對優(yōu)勢奪冠，標志著卷積神經網絡(CNN)在圖像識別任務中的巨大成功，正式拉開了深度學習應用的序幕。模型百花齊放在AlexNet之后，Google的GoogLeNet、微軟的ResNet等更深、更高效的網絡模型不斷涌現(xiàn)，將圖像識別的精度推向了前所未有的高度。新領域開創(chuàng)(2014)生成對抗網絡(GAN)的提出，開創(chuàng)了圖像生成與合成的新范式。它讓機器不僅能“看懂”圖像，更能“創(chuàng)造”出逼真的新圖像，拓展了AI的邊界。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀大模型開啟通用智能新紀元21世紀20年代：多模態(tài)大模型涌現(xiàn)，視覺理解邁向通用化、可解釋性更強的新階段。架構范式的革命性遷移2020年VisionTransformer(ViT)的提出，成功將NLP領域的Transformer架構引入CV，打破了傳統(tǒng)CNN的局限，引爆了計算機視覺的范式遷移浪潮。涌現(xiàn)的通用認知能力以CLIP、DALL·E為代表的視覺大模型，通過學習海量圖文對，突破了任務壁壘，實現(xiàn)了零樣本圖像識別與高質量生成，展現(xiàn)出通用智能的雛形。中國科技的硬核突圍百度、商湯科技、華為云等企業(yè)推出視覺大模型，在底層架構、產業(yè)應用與通用能力上持續(xù)突破，商湯“日日新SenseNova”等成果彰顯中國力量。物理與數字的極致融合StableDiffusion普及圖像生成，AppleVisionPro等AR/VR設備則將視覺智能深度融入物理空間，開啟了沉浸式、多模態(tài)的虛實融合新紀元。知識準備—計算機視覺概述1.1.3計算機視覺的發(fā)展歷程與現(xiàn)狀面臨的挑戰(zhàn)與未來展望探討數據隱私、模型偏見與算力瓶頸，展望人機協(xié)作、具身智能的未來發(fā)展方向。安全與倫理困境深度偽造技術濫用帶來信息安全風險，訓練數據中的固有偏見被模型放大，引發(fā)嚴重的社會公平與倫理爭議。核心模型技術瓶頸大模型決策呈“黑箱”狀態(tài)，可解釋性差；訓練與推理能耗巨大，且在常識理解與因果推理能力上存在明顯短板。輕量化與邊緣高效部署追求更高效、低功耗的模型架構，突破算力限制，實現(xiàn)視覺AI在手機、自動駕駛汽車等邊緣端的實時、流暢運行。構建可解釋、魯棒的可信AI體系著力提升模型的透明度與公平性，消除偏見與“黑箱”，建立安全、可信、可控的視覺智能系統(tǒng)，保障技術的負責任應用。產學研協(xié)同的中國自主創(chuàng)新貢獻學術界與產業(yè)界深耕核心技術攻關，積極探索前沿方向，推動AI治理體系完善，引領行業(yè)健康規(guī)范發(fā)展。知識準備—計算機視覺概述1.1.4計算機視覺的應用領域安防與監(jiān)控通過智能監(jiān)控實時分析視頻流，精準檢測異常行為與突發(fā)事件；利用人臉識別門禁實現(xiàn)高效身份驗證與通行控制；結合車輛追蹤技術，完成違章查處與智慧停車場精細化管理。自動駕駛與交通作為自動駕駛的“眼睛”，識別車輛、行人與交通標志以實現(xiàn)環(huán)境感知；依托算法完成自主路徑規(guī)劃與動態(tài)避障；同時實時監(jiān)控駕駛員狀態(tài)，有效預警疲勞、分心等危險駕駛行為。醫(yī)療影像分析自動檢測CT、MRI影像中的微小病變，輔助醫(yī)生快速診斷；對病理切片進行智能分析，助力癌癥分級與定性；在手術中提供實時病灶定位導航，顯著提升手術精準度與安全性。工業(yè)自動化與質檢在產線上快速識別產品表面的細微缺陷，實現(xiàn)自動化質量檢測；通過視覺引導技術，讓工業(yè)機器人完成高精度的抓取、裝配等操作，大幅提升生產效率與良品率。知識準備—計算機視覺概述1.1.4計算機視覺的應用領域消費電子與互聯(lián)網手機攝影的人臉對焦、智能美顏與夜景增強模式，重塑移動端影像體驗；相冊可自動對人物、地點分類檢索；社交媒體則通過AR濾鏡和動畫表情，豐富用戶的互動與表達。零售與金融服務賦能無人便利店實現(xiàn)商品自動識別與結算；通過客流熱力分析優(yōu)化店鋪運營策略；在金融場景中，人臉識別技術已廣泛應用于支付驗證、遠程開戶與身份核驗環(huán)節(jié)。智慧農業(yè)升級通過圖像識別監(jiān)測田間作物的生長態(tài)勢，精準診斷病蟲害類型與分布；驅動農業(yè)機器人完成成熟果實的自動化采摘，提升收割效率，實現(xiàn)從傳統(tǒng)種植向精準智慧農業(yè)的轉型。創(chuàng)意與內容生成基于文本描述即可生成高保真創(chuàng)意圖像，釋放創(chuàng)作者靈感；同時可實現(xiàn)老照片修復、智能摳圖、畫質增強等編輯功能，讓普通人也能輕松完成專業(yè)級的視覺內容創(chuàng)作。知識準備—開發(fā)環(huán)境與工具1.2.1PythonPython版本Python有多個重要版本，部分如表1-1所示。知識準備—開發(fā)環(huán)境與工具1.2.1Python強大的開源生態(tài)系統(tǒng)開源自由屬性Python作為開源編程語言，允許任何人免費下載、修改和分發(fā)代碼。這種開放的模式極大地降低了使用門檻，促進了知識共享，成為其普及和持續(xù)發(fā)展的基石。海量第三方庫全球開發(fā)者貢獻超40萬個第三方庫，覆蓋計算機視覺全流程。提供低門檻、高兼容性的工具鏈支撐，與應用場景深度綁定，形成正向循環(huán)的繁榮生態(tài)。領域首選語言完善的生態(tài)系統(tǒng)讓Python成為數據科學與計算機視覺領域的絕對首選。從數據預處理到模型部署，成熟的工具鏈大幅提升開發(fā)效率，降低試錯成本。知識準備—開發(fā)環(huán)境與工具1.2.1PythonPython生態(tài)在計算機視覺中的應用基礎環(huán)節(jié)：環(huán)境與數據Anaconda：一鍵配置隔離、穩(wěn)定的開發(fā)環(huán)境，避免依賴沖突，快速搭建CV項目基礎。數據工具鏈：NumPy與Pillow高效處理圖像矩陣和基礎操作，Pandas則為海量圖像標注數據提供專業(yè)的結構化管理能力。核心算法：實現(xiàn)與訓練經典與前沿融合：OpenCV作為行業(yè)標準庫提供數千個視覺接口；TensorFlow與PyTorch則支撐深度學習模型的快速搭建、訓練與迭代。工程化加速：OpenMMLab等專用工具庫封裝了SOTA算法，大幅降低復雜視覺項目的開發(fā)門檻與周期。部署落地：應用與分享全端適配：PyQt/Tkinter開發(fā)桌面GUI；TensorFlowLite與ONNXRuntime實現(xiàn)模型輕量化，無縫適配移動端與嵌入式設備。知識沉淀：JupyterNotebook整合代碼、公式與實驗結果，讓算法復現(xiàn)與學術分享更加直觀高效。知識準備—開發(fā)環(huán)境與工具1.2.2Anaconda一站式環(huán)境解決方案Anaconda是一個集包管理、環(huán)境管理和科學計算工具于一體的綜合性Python數據科學平臺，旨在提供開箱即用的完整開發(fā)環(huán)境。通過獨立的虛擬環(huán)境機制，實現(xiàn)項目間庫版本的物理隔離，徹底解決傳統(tǒng)pip全局安裝帶來的依賴沖突、環(huán)境崩潰等問題。確保環(huán)境配置可移植、可復現(xiàn)，顯著提升開發(fā)穩(wěn)定性、團隊協(xié)作效率和項目可維護性。知識準備—開發(fā)環(huán)境與工具1.2.2Anaconda開箱即用的開發(fā)工具Anaconda內置Python解釋器并預置常用開發(fā)與分析工具，無需手動配置復雜依賴，安裝后即可直接開展數據科學工作，大幅降低入門門檻。提供交互式編程環(huán)境JupyterNotebook，支持代碼、富文本、公式和圖表融合，適用于數據分析、算法原型設計和教學場景。專為科學計算優(yōu)化的IDE——Spyder，界面類似MATLAB，集成編輯器、控制臺、調試器及變量瀏覽器等專業(yè)功能，有效提升科學計算開發(fā)效率。知識準備—開發(fā)環(huán)境與工具1.2.2Anaconda開箱即用的開發(fā)工具Anaconda安裝時自動集成NumPy、pandas、Matplotlib等主流數據科學庫，免去手動配置依賴的繁瑣過程，極大便利學習和項目開發(fā)。以NumPy提供高性能數組運算為底層支撐，pandas實現(xiàn)高效的數據清洗與處理，Matplotlib則承擔高質量圖表的繪制展示任務。Scikit-learn作為經典算法庫，提供統(tǒng)一簡潔的API，適合入門與應用；TensorFlow和PyTorch兩大主流框架可通過conda便捷安裝，支持GPU加速神經網絡訓練。整體覆蓋從數據處理到模型部署的全鏈路需求。知識準備—開發(fā)環(huán)境與工具1.2.3Pycharm作為專為Python開發(fā)者打造的集成開發(fā)環(huán)境，PyCharm始終以“提升開發(fā)效率與代碼質量”為核心目標，將工程化的開發(fā)理念融入每一個細節(jié)，是全球Python開發(fā)者的首選工具之一。知識準備—開發(fā)環(huán)境與工具1.2.3Pycharm專業(yè)版(Professional)支持Web開發(fā)、數據科學、遠程開發(fā)、數據庫工具等高級功能，覆蓋全棧開發(fā)需求。專為計算機視覺、機器學習等科學計算場景優(yōu)化，提供強大的調試與分析工具。專業(yè)開發(fā)者、技術團隊；學生與教師可申請免費授權。專業(yè)版(Professional)提供核心Python開發(fā)功能，包含智能編輯器、調試器、測試工具等基礎能力。完全免費且開源，輕量易用，是Python語言學習和基礎開發(fā)的理想選擇。適用編程初學者、個人開發(fā)者；不支持Web框架、科學計算等高級插件。知識準備—開發(fā)環(huán)境與工具1.2.3Pycharm開發(fā)“鐵三角”Python：語言基石Anaconda：環(huán)境管家PyCharm：智能IDE知識準備—開發(fā)環(huán)境與工具1.2.4OpenCVOpenCV是一個開源的、跨平臺的計算機視覺和機器學習軟件庫。核心定位在于為計算機視覺開發(fā)提供高效、通用的底層算法接口與工具，覆蓋了圖像處理、特征提取、目標檢測等全流程基礎能力，讓開發(fā)者能專注于上層應用構建。歷經二十余年迭代，它已成為全球計算機視覺領域最主流、最基礎的技術庫之一，是學術界研究驗證與工業(yè)界落地開發(fā)的首選工具，更是學習該領域的必備基石。知識準備—開發(fā)環(huán)境與工具1.2.5深度學習框架TensorFlow:工業(yè)級基石功能強大、生態(tài)完善，具備極高的可擴展性，是大規(guī)模、工業(yè)級模型部署與生產環(huán)境的首選框架。PyTorch:科研界的寵兒代碼簡潔靈活，調試直觀。是學術界進行算法研究、快速原型驗證的主流工具。Keras:極簡高層API提供極簡、人性化的接口，極大降低了深度學習的入門門檻，讓開發(fā)者能快速構建和訓練模型。PaddlePaddle:本土化產業(yè)平臺深度適配中文語言處理與本土產業(yè)場景，擁有完善的產業(yè)落地工具鏈和豐富的預訓練模型庫。PART03項目實施項目實施項目任務搭建計算機視覺應用的開發(fā)環(huán)境。任務實現(xiàn)步驟1：安裝Anaconda可以從官網下載或使用本書配套的Anaconda安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-1～圖1-8所示。項目實施項目任務搭建計算機視覺應用的開發(fā)環(huán)境。任務實現(xiàn)步驟1：安裝Anaconda項目實施項目任務搭建計算機視覺應用的開發(fā)環(huán)境。任務實現(xiàn)步驟1：安裝Anaconda項目實施項目任務搭建計算機視覺應用的開發(fā)環(huán)境。任務實現(xiàn)步驟1：安裝Anaconda項目實施步驟2：PyCharm的安裝與配置可以從官網下載或使用本書配套的PyCharm安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-9～圖1-14所示。項目實施步驟2：PyCharm的安裝與配置可以從官網下載或使用本書配套的PyCharm安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-9～圖1-14所示。項目實施步驟2：PyCharm的安裝與配置可以從官網下載或使用本書配套的PyCharm安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-9～圖1-14所示。項目實施步驟2：PyCharm的安裝與配置安裝完成后，打開PyCharm，可以進行個性化配置，如圖1-15～圖1-19所示。項目實施步驟2：PyCharm的安裝與配置安裝完成后，打開PyCharm，可以進行個性化配置，如圖1-15～圖1-19所示。項目實施步驟3：VSCode的安裝與配置（擴展插件推薦）可以從官網下載或使用本書配套的VSCode安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-20～圖1-25所示。項目實施步驟3：VSCode的安裝與配置（擴展插件推薦）可以從官網下載或使用本書配套的VSCode安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-20～圖1-25所示。項目實施步驟3：VSCode的安裝與配置（擴展插件推薦）可以從官網下載或使用本書配套的VSCode安裝包進行安裝。雙擊.exe文件開始安裝。具體過程如圖1-20～圖1-25所示。項目實施步驟3：VSCode的安裝與配置（擴展插件推薦）初次啟動VSCode后需要安裝Python插件和配置Python解釋器。在左側單擊擴展圖標，搜索“python”，安裝微軟官方發(fā)布的Python插件，它會自動關聯(lián)Python解釋器、提供語法高亮和調試功能，如圖1-26所示。項目實施步驟3：VSCode的安裝與配置（擴展插件推薦）選擇“File”→“NewFie”→“PythonFile”新建文件，按Ctrl+Shift+P快捷鍵打開命令面板，輸入并選擇“Python:SelectInterpreter”。在彈出的列表中，選擇Anaconda環(huán)境中安裝的Python解釋器，如圖1-27所示。設置成功后，VSCode底部狀態(tài)欄中會顯示當前使用的解釋器版本。項目實施步驟4：OpenCV的安裝與配置（1）通過conda安裝以管理員身份運行AnacondaPrompt，命令如下：項目實施步驟4：OpenCV的安裝與配置（1）通過pip安裝若通過conda安裝失敗，可用pip安裝，命令如下：安裝完成后，在AnacondaPrompt窗口中執(zhí)行如下命令，驗證OpenCV是否安裝成功，返回列表中有庫名稱即為安裝成功：項目實施步驟5：深度學習框架的安裝與驗證在Anaconda中，虛擬環(huán)境是管理不同項目依賴的核心功能，通過為每個項目創(chuàng)建獨立的“小環(huán)境”，讓不同項目的依賴互不影響，從而解決“版本沖突”問題。“項目依賴隔離”的最佳解決方案，尤其適合多項目并行開發(fā)、對版本兼容性要求高的場景。

base環(huán)境是安裝Anaconda后默認創(chuàng)建的全局基礎環(huán)境，是用戶首次啟動Anaconda時自動激活的環(huán)境，也是Anaconda生態(tài)的“默認工作空間”，預裝了支撐Anaconda核心功能的組件和基礎庫。項目實施步驟5：深度學習框架的安裝與驗證（1）使用conda創(chuàng)建和刪除虛擬環(huán)境以管理員身份運行AnacondaPrompt，執(zhí)行如下命令查看base環(huán)境下的Python版本：接下來創(chuàng)建一個虛擬環(huán)境，名為py311，Python版本為3.11，執(zhí)行如下命令：Anaconda安裝目錄的envs文件夾下會生成py311文件夾，執(zhí)行如下命令查詢虛擬環(huán)境列表：如果虛擬環(huán)境安裝出錯或不再使用，可以執(zhí)行如下命令將其刪除：項目實施步驟5：深度學習框架的安裝與驗證（2）使用conda激活和退出虛擬環(huán)境以管理員身份運行AnacondaPrompt，執(zhí)行如下命令可以激活py311環(huán)境：執(zhí)行如下命令則可以退出當前虛擬環(huán)境：項目實施步驟5：深度學習框架的安裝與驗證（3）使用venv創(chuàng)建和刪除虛擬環(huán)境使用venv創(chuàng)建虛擬環(huán)境時，必須基于系統(tǒng)中已存在的Python版本。先使用conda激活py311環(huán)境，venv環(huán)境會繼承當前py311環(huán)境的Python3.11。新建一個存放venv環(huán)境的目錄并切換到該目錄：創(chuàng)建虛擬環(huán)境vpy311的命令如下：直接在目錄下刪除文件夾即可刪除對應的虛擬環(huán)境。項目實施步驟5：深度學習框架的安裝與驗證（4）使用venv激活和退出虛擬環(huán)境在AnacondaPrompt窗口中執(zhí)行如下命令可以激活vpy311環(huán)境：執(zhí)行如下命令可以退出當前虛擬環(huán)境：項目實施步驟6：虛擬環(huán)境管理為了保持base環(huán)境的干凈，將PyTorch庫安裝在py311環(huán)境中。訪問PyTorch官網，官網會根據環(huán)境自動生成命令，如圖1-28所示。項目實施步驟6：虛擬環(huán)境管理在AnacondaPrompt窗口中激活py311環(huán)境，然后執(zhí)行以下命令安裝PyTorch庫：安裝過程可能比較緩慢，可以使用國內鏡像源進行安裝：要驗證PyTorch是否安裝成功，執(zhí)行如下命令：項目實施步驟6：虛擬環(huán)境管理要退出Python交互環(huán)境，可以執(zhí)行如下命令：為了方便后續(xù)教程代碼的編寫與調試，需要將OpenCV、NumPy、Matplotlib