一个9年PHP后端，是如何硬啃计算机视觉的
一个9年PHP后端，是如何硬啃计算机视觉的
我没写过C++，没搞过CUDA，PyTorch只在教程里见过。接手计算机视觉项目的第一周，我连"卷积"是动词还是名词都搞不清。但七天之后，我搞懂了YOLO怎么画框、人脸怎么变成一串数字、PHP为什么可以直接调用AI模型——这篇文章记录了我从零开始的学习过程，或许对你也有用。
一、背景：我为什么会碰这个东西
先说一下我的技术背景，这样你就知道我起点在哪了：
- PHP干了9年，熟练ThinkPHP 5/6、Workerman
- 手写过TCP通信，尝试过epoll模型
- 了解HTTP、WebSocket、CGI协议
- 学过一点逆向，能看简单的汇编代码和PE结构
- Python会一点，Java干过一年但忘得差不多了
- 前端停留在jQuery，Vue2用过但细节记不清
- 数学方面：高中水平、线代入门、微积分入门
说白了，我是纯应用层出身，离底层越近的东西我反而越熟（因为搞过逆向），但离"图像"这个领域，我是完全的白纸。
项目需求来了：要给一个监控系统做"人形检测 + 人脸识别"。甲方说得很轻松：“就是摄像头拍到了人，系统能认出他是谁。”
我当时脑子里只有几个模糊的概念——视频流、RTMP、OpenCV（听说过没用过）。"认人"怎么认？拿图片去数据库比对？图片怎么比对？一个个像素相减吗？稍微歪一点不就对不上了？完全没头绪。
于是我开始硬啃。
二、第一关：打破"监听"的思维惯性
作为写惯了Workerman的人，我第一反应是：“视频流里有没有类似onMessage的回调？检测到人触发一下，没检测到就不触发？”
学了才知道，完全不是这回事。
视频处理本质上就是一个while(true)死循环，根本没有异步事件这一说。 每一帧都是独立的"数据包"，你要自己决定要不要处理它、怎么处理它。
while True:
frame = cap.read() # 读一帧
boxes = model.detect(frame) # 检测这一帧
if boxes: do_something() # 有结果就处理
show(frame) # 显示/推流
这不就是我用Workerman写的while(true) { $conn->recv(); }吗？只不过recv()收的是字符串，read()收的是一个叫"图像"的多维数组。
一个关键认知转变：图像在计算机里就是一个大矩阵。 1920x1080的彩色图 = 三个（RGB）1920x1080的二维数组，每个格子存一个0~255的数字。视频 = 连续播放的这些矩阵。
好了，这就回到了我熟悉的领域——数组操作和循环。接下来要搞明白的是：这个叫"图像"的矩阵，要怎么处理才能变成"这里有人"的判断？
三、卷积到底是什么（绕不开的第一道坎）
所有图像处理的教程都会讲"卷积"，但我看了三天才真正理解。
卷积 = 滑窗加权求和。
一个3x3的小方块（叫"核"或者"卷积核"），像滑窗一样在图像上滑动。每到一个位置，把核里的9个数字和下面盖住的9个像素值分别相乘，再加起来，得到一个新值。这个新值就作为输出图像对应位置的像素。
以我写过的TCP协议解析来类比：你定义了一个固定格式的包头（比如4字节长度 + 2字节命令字），然后从数据流中截取对应字节做解析。卷积也是类似的——定义一个小窗口，从图像矩阵里截取对应区域做"加权求和"。
不同之处在于：包头格式是固定的，但卷积核里的数字是可以变的。 不同的核，会提取出完全不同的特征：
- 某个核能提取"横向边缘"（类似Sobel算子）
- 某个核能提取"纵向边缘"
- 某些核组合起来，能提取"圆角"、"尖角"甚至更复杂的纹理
这让我第一次理解了"特征提取"是什么意思——它不是什么玄学，就是一堆数学运算的叠加。
四、美颜、磨皮、锐化——原来都是卷积的排列组合
学完卷积，我又去翻了些美颜算法的文章，发现它们比我预想的简单得多。
磨皮：用"均值核"或"高斯核"对图像做卷积，让每个像素和周围像素"平均"一下。脸上的痘痘因为颜色和周围皮肤差异大，被平均后就不明显了。就这么朴实无华。
锐化：用专门的"锐化核"做卷积。它的效果是增强边缘对比度，让模糊掉的部分看起来"清晰"一些。很多美颜算法里，锐化的步骤叫做"细节还原"——先模糊去掉瑕疵，再锐化补回轮廓。
只磨皮不磨五官：这个靠"掩码"（Mask）。掩码是一张黑白图——皮肤区域是白色（应用特效），五官区域是黑色（保持不变）。最后合成的时候，白色区域用处理后的图，黑色区域用原图。
这像不像我们在业务代码里写
if ($is_admin) { // 执行特殊逻辑 }？掩码就是图像领域的条件分支——只不过它是像素级的，一个像素一个像素地决定用哪里的值。
五、二维码为什么能识别——我终于用上了线性代数
这是让我最兴奋的一个知识点，因为我大学学的线性代数终于用上了。
问题：二维码被拉伸、褶皱、甚至透视变形了，为什么还能扫码？
答案：算法根本不直接识别变形的二维码。它先做"校正"。
具体步骤：
- 寻找三个"回"字定位图案。不管怎么变形，"回"字的内外黑白比例特征是稳定的，所以能找到。
- 找到三个角点（加上推算出的第四个角点），知道了"扭曲的四边形"的四个顶点坐标。
- 定义一个"标准的正方形"四个顶点坐标（比如
(0,0), (100,0), (100,100), (0,100)）。 - 根据这两组点对，求解一个3x3的透视变换矩阵。
- 对整个二维码区域应用这个变换，把它"拉"成正方形。
- 这时候二维码已经规规矩矩了，按二进制读取解码。
透视变换的本质：把一个四边形映射成另一个四边形。它比仿射变换（旋转、平移、缩放）更强大——能处理近大远小的透视效果。公式里包含除法，所以每个像素的"缩放系数"根据位置不同。
我手动推了一遍公式，用到了齐次坐标和矩阵求逆。数学推导过程不展开了，但推完那一刻我很确定——我学过的线性代数没有白学，它在这里真的在用。
六、从YOLO到人脸识别——我终于理解了"特征向量"
识别出"人"是一回事，认出"这个人是谁"完全是另一回事。
6.1 YOLO是怎么画框的
YOLO的核心思路其实很"工程"：
- 把图片分成N×N的网格
- 每个格子负责预测"中心点落在这个格子里的物体"
- 每个格子预测若干个候选框（含坐标、宽高、置信度）
- 所有候选框经过**非极大值抑制（NMS）**过滤掉重复框
NMS的逻辑我一看就懂——按置信度排序，从高到低遍历，遇到和已选框重叠（IoU）过大的就扔掉。这不就是业务开发里常见的"去重过滤"逻辑吗？只不过去重的标准从"ID相同"变成了"两个矩形框重叠面积比例大于50%"。
6.2 人脸识别："认人"不认图
人脸识别和指纹识别有一个共同的底层逻辑——从不比较原始图像，而是比较"特征向量"。
以人脸为例：
- 先把检测到的脸通过关键点（眼、鼻、嘴角）做一个几何归一化——把侧脸、仰头脸强行"摆正"成标准正脸。这一步用的就是前面学到的仿射变换。
- 把摆正后的112x112标准脸送入识别网络，输出一个512维的浮点数向量。
- 张三的脸 ->
[0.12, -0.56, ..., 0.88]，李四的脸 ->[0.98, 0.33, ..., -0.21]。 - 判断两个人是否同一人，就是计算这两个向量的余弦相似度（或者欧氏距离）。相似度大于阈值，就是同一个人。
这个512维向量的意义：它是把"人的长相"映射到高维空间里的一个点。训练时，算法会迫使同一个人的不同照片在空间里距离很近，不同人的照片距离很远。所以它本质上是一个距离度量问题，不是图像比对问题。
这和我之前写过的"用户画像"系统本质一样——把多维特征压缩成向量，然后做相似度匹配。只不过用户画像的特征是"年龄、消费习惯、浏览记录"，而人脸的特征是"眉骨间距、颧骨弧度、瞳孔位置"这些卷积核自动提取的东西。
七、ONNX和Runtime：我终于搞懂了模型怎么"跑起来"
作为一个后端工程师，我最关心的事情是：“模型训练出来之后，我怎么把它集成到我的系统里？”
以前我看AI项目，总觉得代码里全是import torch、model.load()，然后执行推理。但那是Python的玩法。如果我的服务是PHP写的，总不能为了推理去起一个Flask服务然后让PHP去curl吧——那延迟和运维成本我接受不了。
于是我去搞清楚了AI模型的"交付物"到底是什么。
7.1 ONNX = 跨平台的"模型字节码"
PyTorch和TensorFlow是两个不同的训练框架，它们各自有私有的模型存储格式（.pt和.pb）。这就像你用Visual Studio编译出.exe，我用GCC编译出ELF，虽然都是机器码但格式不同，不能互相加载。
ONNX就是为解决这个问题而生的。 它定义了一套通用的模型格式，PyTorch和TensorFlow都可以导出成.onnx文件。这个文件包含了网络结构和训练好的权重参数。
可以用一个我熟悉的类比来理解：
- 训练框架（PyTorch/TF） + 源码 = 你写的C代码 + 编译器
- ONNX文件 = 编译生成的字节码（比如Java的.class文件）
- ONNX Runtime = JVM
你不需要PyTorch环境，只要一个ONNX Runtime，就能加载.onnx文件并执行推理。
7.2 不只是ONNX——大模型场景下的GGUF
在接触Ollama的时候，我又遇到了一个新格式：GGUF。
简单说：ONNX是通用格式，适合图像识别、语音等传统深度学习任务。但对于大语言模型（LLM），社区发现GGUF + llama.cpp的组合在CPU上跑得更快、更省内存。因为llama.cpp用了内存映射（mmap）加载模型，启动速度极快，而且对内存使用做了极致优化。
Ollama本质上就是：
- GGUF格式模型
- llama.cpp推理引擎
- Go写的HTTP服务封装
所以模型格式 + Runtime引擎 + 服务封装这个三层架构，不仅适用于ONNX场景，也适用于Ollama。只是不同场景选了不同的技术栈。
7.3 模型格式和Runtime的对照表
这对我理解整个生态系统很有帮助，列出来方便记忆：
| 模型格式 | Runtime | 适用场景 |
|---|---|---|
| ONNX | ONNX Runtime | 通用跨平台（CV、NLP、多模态） |
| GGUF | llama.cpp | 本地CPU跑大语言模型 |
| TorchScript | LibTorch | PyTorch的C++部署 |
| SavedModel | TensorFlow Serving | 谷歌生态，分布式推理 |
| TFLite | TFLite Interpreter | Android/嵌入式设备 |
7.4 一个关键认知：ONNX不能"逆向"成训练工程
有同事问我：“拿到一个.onnx文件，能不能接着训练？”
答案是不行。ONNX只存了"前向传播"的计算图和权重，没有存梯度和优化器状态。想继续训练，必须回到原始的训练工程（.py文件 + 权重）。
类比一下：你拿到了一个编译好的.jar文件，可以反编译出一些代码结构，但想加新功能还是得回去改.java源文件。ONNX是只读的"成品"，不是"半成品"。
八、PHP的杀手锏：FFI直接调用ONNX Runtime
这是整个学习过程中让我最兴奋的部分。
ONNX Runtime是用C++写的，但它提供了标准的C ABI接口，编译后是一个动态链接库（Linux下是.so，Windows下是.dll）。
PHP 7.4+提供了**FFI（外部函数接口）**扩展——可以在PHP代码里直接加载C库并调用C函数。
这意味着什么？
我可以直接在PHP进程里执行推理，不需要起一个Python服务做中间层。
核心流程大致是这样：
- 加载
libonnxruntime.so - 用GD或Imagick读取图片，缩放到模型输入尺寸（比如640x640）
- 把像素数据用
pack("f*")打包成C语言能读的连续内存块 - 把内存指针传给ONNX Runtime，执行推理
- 用
unpack()解析返回的内存块，拿到检测结果
为什么这很重要？
- 没有网络开销：不用curl到Python服务
- 没有序列化开销：不传JSON/Base64，直接传内存指针
- 没有GIL限制：PHP-FPM/Workerman是多进程模型，天然并发
- 运维简单：只需要一个.so文件和一个.onnx文件，不用管理conda环境和Python依赖
对于一个写了9年PHP的人来说，这比让我去维护一个Flask服务要舒服太多了。而且我有汇编和内存操作的基础，pack/unpack操作指针对我来说并不陌生。
九、架构上的几个关键思考
学完算法层面之后，我开始想工程落地的事情。毕竟项目里不是一路摄像头，而是十几路甚至几十路。
9.1 不要每帧都跑YOLO
YOLO每帧都跑，GPU也会被吃满。实际工程里常用的策略是：
- 每5~10帧跑一次完整检测
- 中间帧用追踪算法（比如ByteTrack）预测框的位置
- 追踪算法的算力消耗几乎可以忽略
这类似于我们做Web性能优化时，"不要每次请求都查数据库，用缓存扛一下"的思路。
9.2 流水线并行：解码和推理分开
视频解码（CPU密集）和模型推理（GPU密集）是两种不同类型的计算负载。如果串行做，解码时GPU闲着，推理时CPU闲着，资源利用率很低。
更好的方式是流水线：
- 解码进程持续解码，把帧放到共享内存队列
- 推理进程从队列取帧，批量推理（batch推理压榨GPU利用率）
- 后处理进程处理结果，推送给业务层
这和Workerman里把"网络IO"和"业务处理"分离的思路是一样的——让不同的进程做不同的事，通过队列解耦。
9.3 共享内存做零拷贝
如果用Redis或消息队列传JPEG图片，序列化/反序列化的开销比推理本身还大。
Python的multiprocessing.shared_memory可以创建一块共享内存区域，多个进程直接读写这块内存，不需要拷贝数据。推理进程拿到的是内存地址，直接用np.ndarray包装一下就开始推理了。
零拷贝 + 批量推理，这是压榨硬件性能的关键手段。
十、我学到的东西和走过的弯路
最后简单总结一下这段学习经历，也给自己留个记录：
弯路：
- 一开始试图从数学公式开始推导——方向错了，我应该先从"能跑起来"开始
- 花了很多时间看训练相关的资料，但我的任务只需要做推理，不需要训练
- 纠结于Python/PHP的语言之争，后来发现用FFI直接调用C库才是正解
扎实的理解：
像素就是数据，模型就是函数。 计算机视觉本质上就是把"图像矩阵"通过一系列数学运算映射到"语义标签"或"坐标位置"。这个映射关系可以手工设计（传统图像处理），也可以从数据中学习（深度学习）。
学习路线，对于跟我背景相似的开发者，我建议的顺序是：
- 先搞懂卷积怎么算（手算一遍3x3卷积）
- 搞懂透视变换的4点求解（用你会的线性代数）
- 跑起来一个YOLO（检测"人"）
- 跑起来一个人脸识别（认出"这个人"）
- 把模型导出成ONNX
- 用PHP FFI调用ONNX Runtime做推理
每一步都能跑通并看到效果，比堆砌理论要重要得多。
以上，就是我从零开始理解计算机视觉的全过程。如果你和我背景相似（多年后端、熟悉网络和并发、对图像零基础），希望这篇文章能帮你少走一些弯路。
项目还在进行中，后面遇到新的坑，我还会继续记录。
更多推荐
2
0- 0
已为社区贡献3条内容
所有评论(0)