大家好 我是南木，每年这个时候都会收到大量私信：“马上就要秋招了，现在学CV来得及吗？”“零基础怎么快速入门，才能赶上今年招聘？”

我的答案是：完全来得及，但必须用对方法。

这两年我辅导过37个“三个月速成”案例，其中28人拿到了字节、华为、商汤等企业的CV岗offer。他们的共性不是“天赋异禀”，而是用对了“聚焦核心+实战驱动”的学习策略——不贪多求全，只抓秋招高频考点；不死磕理论，用项目倒逼知识吸收；不盲目刷题，针对性突破面试刚需。

这篇3个月冲刺课表，专为零基础/基础薄弱的同学设计，包含每日学习时间表、必学知识点、实战项目拆解、面试准备清单，甚至标注了每个阶段“最容易踩的坑”。按这个计划执行，足够你从“连CNN是什么都不知道”，成长为“能独立做项目+通过技术面”的合格候选人。

一、冲刺前必须明确的3个核心原则

在开始学习前，先记住这3条“救命准则”，比盲目刷题更重要：

1. 聚焦“秋招高频考点”，拒绝“知识洁癖”

秋招CV岗的核心考点高度集中：CNN基础（ResNet/MobileNet）、目标检测（YOLO/Faster R-CNN）、模型训练与调优、工程部署（TensorRT/ONNX）。
不需要学的内容：传统CV（SIFT/SURF）、生成模型（GAN/扩散模型）的复杂理论、深度学习数学推导（反向传播公式推导）。这些不是不重要，而是3个月内优先级最低——等拿到offer再补也不迟。

2. 用“项目驱动学习”，而非“学完再做”

零基础最容易陷入“学理论→记笔记→忘光”的循环。正确的做法是：每学一个知识点，立刻用代码验证；每掌握一个模型，马上在数据集上训练。
比如学ResNet的残差连接，别只记“解决梯度消失”，要亲手对比“用残差”和“不用残差”的训练效果；学YOLO的锚框，要可视化不同尺寸的锚框在图像上的分布。

3. 每天保证“3小时动手时间”，拒绝“视频收藏家”

看10小时PyTorch教程，不如亲手写100行卷积代码。每天必须留出3小时“纯代码时间”：复现模型、调参、处理数据、写项目文档。
检验标准：能对着自己写的代码，讲清楚“每一行的作用”，而不是“跟着视频抄了一遍”。

二、3个月冲刺课表：从入门到offer的每日计划

第一阶段：基础筑基（1-4周）—— 搞定“能上手”的核心能力

目标：

• 会用Python处理图像数据（裁剪、转张量、数据增强）；
• 理解CNN的核心组件（卷积/池化/残差连接），能复现ResNet；
• 能用PyTorch训练简单的图像分类模型（如CIFAR-10）。

每日时间表（6小时）：

• 09:00-11:00 理论学习（视频+文档）
• 14:00-17:00 代码实战（复现+调试）
• 20:00-21:00 复盘总结（画思维导图+记录问题）

每周学习内容：

周数	核心任务	必学知识点	实战项目	推荐资源
1	Python+OpenCV入门	NumPy矩阵运算（切片/转置/乘法）、OpenCV图像操作（读取/resize/裁剪/保存）	写一个“图像批量处理脚本”：将100张图片统一尺寸并分类保存	B站“黑马Python基础”（只看NumPy部分）、OpenCV官方教程（核心操作）
2	PyTorch基础	张量操作（创建/索引/拼接）、数据集加载（Dataset/DataLoader）、反向传播	用PyTorch实现“线性回归”，并可视化损失下降曲线	李沐《动手学深度学习》PyTorch章节、PyTorch官方“60分钟入门”
3	CNN基础模型	卷积层（padding/stride）、池化层、全连接层、ReLU激活函数	复现LeNet，在MNIST上训练，准确率达到98%	论文《Gradient-Based Learning Applied to Document Recognition》（LeNet）
4	经典CNN模型（ResNet）	残差连接（解决梯度消失）、BatchNorm（加速训练）、迁移学习基本操作	用ResNet-18在CIFAR-10上训练，准确率达到80%以上	论文《Deep Residual Learning for Image Recognition》（ResNet）摘要+结构图

阶段验收标准：

• 能独立用PyTorch搭建ResNet-18，讲清“残差块的代码实现”；
• 知道“训练时loss不下降”的3种解决方法（调学习率、换优化器、增加数据增强）。

避坑指南：

• 别死磕PyTorch底层原理（如自动求导的实现），会用backward()即可；
• ResNet的网络层数（如18/34/50）不用记，知道“通过调整残差块数量控制深度”即可。

第二阶段：核心任务突破（5-8周）—— 主攻“面试高频”方向

目标：

• 掌握目标检测核心算法（YOLOv5），能独立训练和调优；
• 理解模型训练的关键技巧（数据增强、学习率调度、过拟合处理）；
• 会用迁移学习解决小数据集问题（如自定义类别检测）。

每日时间表（7小时）：

• 09:00-10:30 算法理论（论文+博客）
• 11:00-12:00 代码复现（核心模块）
• 14:00-17:30 模型训练与调优
• 19:00-21:00 分析结果（画指标曲线+写调优日志）

每周学习内容：

周数	核心任务	必学知识点	实战项目	推荐资源
5	目标检测基础（YOLOv5）	网格划分、锚框（Anchor）、置信度计算、NMS（非极大值抑制）	用YOLOv5官方代码，在COCO子集上训练（如只检测“人/车”）	YOLOv5官方GitHub文档、B站“霹雳吧啦Wz”YOLOv5教程
6	模型训练技巧	数据增强（Mosaic/CutMix）、学习率调度（余弦退火）、早停策略（Early Stopping）	优化YOLOv5训练：用数据增强将mAP提升5%	《深度学习调参实战》（吴恩达）、YOLOv5调参指南
7	迁移学习与自定义数据集	标注工具（LabelImg）、数据集格式转换（VOC→COCO）、预训练模型微调	标注100张“校园常见物体”（树/自行车/路灯），用YOLOv5训练	LabelImg使用教程、PyTorch迁移学习官方示例
8	目标检测进阶（对比与优化）	单阶段vs两阶段（YOLO vs Faster R-CNN）、小目标检测优化（多尺度训练）	针对“小目标检测不准”问题，用多尺度训练提升mAP 8%	论文《Faster R-CNN》摘要、YOLOv5小目标检测优化博客

阶段验收标准：

• 能独立完成“标注数据→训练模型→评估结果”全流程，讲清YOLOv5的推理过程；
• 知道“小目标检测差”的3种优化方法（调大输入尺寸、增加小目标样本权重、多尺度训练）。

避坑指南：

• 标注数据时别追求“完美”，100张高质量标注图比500张潦草标注更有用；
• 别纠结“YOLOv5 vs v8”，掌握一个版本的调优技巧即可（企业更看重解决问题的能力）。

第三阶段：项目实战（9-11周）—— 打造“面试杀手锏”

目标：

• 完成1个“有技术亮点+有场景价值”的完整项目；
• 掌握模型部署基本流程（ONNX转换、TensorRT量化）；
• 能写专业的项目文档（含问题定义、方案设计、结果分析）。

每日时间表（8小时）：

• 09:00-12:00 项目开发（数据处理/模型训练）
• 14:00-17:00 项目优化（调参/部署）
• 19:00-22:00 文档撰写+代码整理（GitHub）

推荐3个高性价比项目（选1个深入做）：

项目名称	场景价值	技术亮点	实施步骤
工业质检：PCB缺陷检测	解决电子制造业“人工检测效率低”问题	小目标检测优化、模型轻量化（TensorRT量化）	1. 下载NEU-DET数据集（钢铁缺陷）；2. 用YOLOv5训练，mAP达90%；3. 用TensorRT量化，推理速度提升2倍
校园安防：异常行为检测	辅助校园安全管理（如摔倒/聚集检测）	视频帧处理、行为分类模型（CNN+LSTM）	1. 拍摄100段“正常/异常”行为视频；2. 提取帧并用YOLOv5检测人体；3. 用LSTM分类行为
移动端部署：实时垃圾分类	适合边缘设备（如树莓派）的轻量化模型	模型压缩（知识蒸馏）、端侧部署（NCNN）	1. 用ResNet-18训练垃圾分类模型；2. 蒸馏到MobileNetV3，精度损失<2%；3. 部署到树莓派

项目文档必备模块：

1. 问题背景：“为什么做这个项目？解决什么痛点？”（如“PCB缺陷人工检测漏检率10%，本项目将其降至3%”）；
2. 技术方案：“用了什么模型？为什么选这个模型？”（如“选YOLOv5是因为实时性好，适合产线检测”）；
3. 实施细节：“数据怎么处理？遇到什么问题？怎么解决的？”（附关键代码和效果图）；
4. 结果指标：“模型准确率多少？速度如何？和其他方案对比？”（用表格+曲线展示）；
5. 待优化点：“项目的不足？下一步怎么改进？”（体现思考深度）。

阶段验收标准：

• GitHub仓库代码可运行，包含完整的“环境配置+训练脚本+部署教程”；
• 能在10分钟内讲清项目的技术难点和解决方案（如“如何解决反光导致的缺陷漏检”）。

避坑指南：

• 项目别贪多，1个深入做的项目比3个潦草的项目更有说服力；
• 部署环节别省略（企业很看重工程落地能力），哪怕只做到“模型转ONNX”也行。

第四阶段：面试冲刺（第12周）—— 从“会做”到“能讲明白”

目标：

• 刷完50道CV高频算法题和理论题；
• 优化简历（突出项目亮点和技术能力）；
• 模拟面试3次以上，熟悉常见问题的应答逻辑。

每日时间表（6小时）：

• 09:00-11:00 刷题（算法题+理论题）
• 14:00-15:30 简历优化+项目话术打磨
• 16:00-18:00 模拟面试（找同学互面/录屏自面）
• 19:00-21:00 复盘错题+补充知识点

必刷内容清单：

1. 算法题（20道核心题）：

   • 基础操作：旋转图像、翻转图像、图像阈值化（LeetCode 48/832）；
   • CV专项：计算IOU、NMS实现、手写卷积操作；
   • 深度学习：实现简易CNN、计算模型参数量和FLOPs。

2. 理论题（30道高频题）：

   • CNN基础：“BN层的作用？”“ResNet为什么能训练更深？”“卷积和池化的区别？”
   • 目标检测：“YOLO的锚框怎么生成？”“NMS的作用？”“两阶段检测的优势？”
   • 工程部署：“模型量化有哪些方法？”“如何解决部署时的显存不足？”

3. 简历优化技巧：

   • 用“STAR法则”描述项目：Situation（场景）+ Task（任务）+ Action（行动）+ Result（结果）；
   • 量化成果：“将模型mAP从75%提升至89%”“推理速度提升2倍”，而非“提升效果显著”；
   • 突出技术深度：“用多尺度训练解决小目标检测问题”，而非“训练了YOLO模型”。

4. 模拟面试重点：

   • 项目讲解：能在3分钟内说清“项目价值+技术难点+你的贡献”；
   • 代码手写：提前练熟NMS、卷积操作的Python实现（面试常考）；
   • 反问环节：准备1-2个问题（如“团队现在做的CV项目有哪些技术挑战？”）。

阶段验收标准：

• 能在30分钟内手写NMS代码，并解释“为什么用IOU而不是距离”；
• 简历无“空话”，每句话都能体现技术能力或项目价值；
• 模拟面试中，能清晰回答“你这个项目和工业界的方案有什么区别”。

三、给零基础的3条“救命建议”

1. 别买太多课，用好免费资源
   李沐《动手学深度学习》、YOLOv5官方文档、B站“霹雳吧啦Wz”的教程，足够覆盖90%的考点。花2000元买课的人，往往不如把免费资源吃透的人学得扎实。

2. 每天记录“3个收获+1个问题”
   比如：“今天学会了ResNet的残差连接代码”“知道了数据增强能缓解过拟合”“用YOLOv5训练时loss下降了”；“但还没搞懂为什么学习率调小后，loss反而震荡了”。坚持3个月，就是最清晰的成长轨迹。

3. 别怕“问”，但先“自己查”
   遇到问题先查官方文档、GitHub Issues、Stack Overflow。实在解决不了，再去论坛或社群提问（推荐“PyTorch论坛”“知乎CV话题”）。带着“我试过XXX方法但没解决”的提问，更容易得到帮助。

我是南木 提供深度学习、计算机视觉、大模型课程学习，同时需要就业指导和企业内推的小伙伴 可扫描下方二维码与我沟通