本文档详细介绍了在Ubuntu 22.04系统上配置NVIDIA视觉开发环境的完整流程。主要内容包括： 显卡驱动安装：强调必须首先安装适配显卡型号的NVIDIA官方驱动，并提供了禁用开源驱动Nouveau的详细步骤。 CUDA Toolkit安装：说明如何选择与驱动兼容的CUDA版本，推荐使用runfile方式安装并配置环境变量。 cuDNN安装：指导用户根据CUDA版本选择匹配的cuDNN，推荐

**摘要：本文详细介绍了在Ubuntu 22.04系统上安装PyTorch GPU版本的两种方法（pip全局安装和Conda环境安装），包括准备工作、安装步骤、国内镜像源配置以及验证方法。重点对比了两种方案的优缺点，推荐视觉开发者优先选择pip全局安装方案，同时为需要多环境管理的用户提供Conda备选方案。文中还包含完整的安装命令和验证代码，帮助用户快速完成PyTorch GPU环境的搭建与测试。

Ubuntu 22.04 cuDNN安装指南摘要 本文详细介绍了在Ubuntu 22.04系统上安装NVIDIA cuDNN库的完整流程。cuDNN是深度学习框架（如PyTorch、TensorFlow）的底层GPU加速引擎，专门优化神经网络运算。文章首先解释了cuDNN与CUDA的关系，强调版本匹配的重要性。然后提供了三种安装方法：推荐使用Debian包网络安装（APT方式），也可选择本地.de

YOLO（You Only Look Once）是最流行的目标检测算法之一，以其速度快、精度高的特点被广泛应用于工业界。Ultralytics 公司推出的 YOLOv8 框架进一步简化了使用流程，只需几行代码即可完成目标检测的推理和训练。YOLO 基本推理数据集准备与标注模型训练推理结果数据提取目标跟踪模型导出与部署本文要点回顾：推理：使用YOLO类加载模型，调用predict()或直接调用即可数

在深度学习项目中，数据是最重要的基础。“Garbage in, garbage out”——没有好的数据，再好的模型也无法发挥作用。数据集获取：从哪里找到高质量的公开数据集数据标注工具：LabelImg 和 X-AnyLabeling 的使用方法AI 辅助预标注：使用 YOLO 小模型自动预标注，大幅提升标注效率# 1. 将 .pt 模型导出为 ONNX复制目录下的 YOLO 配置文件作为模板修改

视觉开发常用命令速查 | 更新: 2026-06-05。

学习笔记 | 更新: 2026-06-05。

相机镜头在制造和装配过程中不可避免地引入畸变，导致图像中的直线变弯曲、距离比例失真。标定的目标就是求解相机的内参（焦距、主点、畸变系数）和外参（相机之间的相对位姿），为后续的三维重建、立体匹配、SLAM 等任务提供精确的几何模型。标定类型目标典型应用场景内参标定求焦距、主点、畸变系数去畸变、三维重建外参标定（双目）求两个相机之间的 R、T立体匹配、测距外参标定（相机-IMU）求相机与 IMU 之间

在 ROS2 开发中，项目通常采用colcon构建系统，根目录下没有顶层，而是将各功能包（如tdt_vision）的放在src/子目录中。这种结构导致 VS Code 的 C++ IntelliSense 无法自动找到头文件路径，编辑器中充斥着大量红色波浪线和"无法打开源文件"的错误提示，严重影响开发体验。本文将介绍两种配置方案，强烈推荐方案一，配置一次后永久生效。ROS2 colcon 项目在

摘要 本文是一篇PyTorch神经网络入门实战教程，通过两个完整项目帮助读者掌握神经网络开发流程。文章首先介绍神经网络核心概念，包括层、激活函数、损失函数和优化器，以及前向传播和反向传播原理。然后详细讲解如何使用PyTorch的nn.Module构建网络，包括继承方法和Sequential快速搭建方式。实战部分包含两个项目：波士顿房价预测（回归问题）和MNIST手写数字识别（分类问题），涵盖数据准