OpenCV可用Haar级联或HOG+SVM快速实现人脸等目标检测；YOLOv5支持轻量部署，含数据标注、模型加载与结果解析；工业场景侧重计数、尺寸测量与缺陷定位；调试关键在预处理与参数优化。
用OpenCV快速实现目标识别
目标识别不一定要从深度学习开始。OpenCV自带的Haar级联分类器和HOG+SVM方法，对人脸、车辆、行人等常见目标识别效果稳定、速度快，适合嵌入式或实时场景。比如加载预训练的haarcascade_frontalface_default.xml文件，几行代码就能完成人脸检测：
- 用cv2.CascadeClassifier()加载分类器
- 将图像转为灰度图（cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)）
- 调用detectMultiScale()获取检测框坐标
- 用cv2.rectangle()在原图上画出结果
YOLOv5轻量部署：本地跑通一个检测项目
YOLOv5是目前兼顾精度与速度的主流选择。PyTorch官方仓库已提供完整训练/推理脚本，无需从头写模型。关键步骤是数据准备和权重加载：
- 标注工具推荐LabelImg，导出为YOLO格式（每张图对应一个.txt，每行class_id center_x center_y width height，归一化到0~1）
- 用torch.hub.load('ultralytics/yolov5', 'yolov5s')直接加载预训练模型
- 输入图片后，模型返回results.xyxy[0]——即带置信度的检测框张量
- 用results.show()快速可视化，或用results.pandas().xyxy[0]转成DataFrame分析
图像分析实战：计数、尺寸测量与缺陷定位
工业场景中，目标识别常服务于具体任务，如零件计数、产品尺寸标定、表面划痕定位。核心不是“认出是什么”，而是“算得准、量得对”：
- 计数：先二值化+形态学去噪，再用cv2.findContours()提取连通区域，过滤面积过小的干扰项
- 尺寸测量：需标定像素-物理单位比例，例如在图像中放置已知长度（10mm）的标尺，计算scale = 10 / num_pixels
- 缺陷定位：对灰度图做局部对比度增强（如CLAHE），再用阈值分割+轮廓分析，筛选出异常高亮或暗斑区域
调试与优化的小技巧
实际项目中，80%的问题出在预处理和参数调优，而不是模型本身：
立即学习“Python免费学习笔记（深入）”；
- 图像光照不均？试试cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
- 小目标漏检？YOLOv5训练时加--img 640 --batch-size 16并启用mosaic=1
- 误检太多？降低conf_thres（默认0.25）可提升召回，但需配合NMS的iou_thres（默认0.45）平衡精度
- 想看中间结果？用cv2.imshow()分步显示灰度图、二值图、轮廓图，比盲目调参更高效
