很多人学 CV 的路径是这样的：跟着教程跑通了 MNIST，用预训练模型做过一次猫狗分类，然后就没有然后了。真到自己动手做一个能用的视觉项目，才发现卡住的地方根本不是「模型怎么搭」——而是数据怎么标注、增强策略怎么选、训练不收敛时先查哪里、推理速度不够怎么办。这门 CV 项目班第 8 期，解决的就是这段落差。

先确认你缺的是哪一块

这门课不适合零基础。你需要能读懂 Python 代码，知道卷积、池化、反向传播大致在做什么。如果你连张量的维度变换都要查文档，先补基础再来，否则项目部分会变成抄代码。

但如果你已经满足上面两条，仍然有以下症状，这门课就是对症的：

会用 YOLO 跑官方 demo，但换成自己的数据集就报一堆维度错误；
训练 loss 降不下去，只会调学习率，不知道从数据、标签、模型容量哪个方向排查；
分割任务只知道 U-Net 这个名字，说不清 skip connection 在解决什么问题；
模型在本地跑得好好的，一到部署环节就卡在格式转换、显存占用、前后处理对齐上。

这些问题的共同点是：它们都不在单点知识里，而在「把一串环节串起来」的过程中。所以课程用多个完整项目贯穿，而不是按知识点切块讲。

覆盖的技术面，以及它的边界

课程围绕三类主流任务展开：图像分类、目标检测、图像分割。工具层面涉及 OpenCV 做传统图像处理与数据预处理，PyTorch 与 TensorFlow 两条路线都有涉及，模型上会接触到 CNN 系列骨干网络、YOLO 系列检测器、U-Net 类分割结构。

需要说清楚的是：这不是一篇模型综述课。它不会把 CV 发展史上的每个网络都讲一遍。它选择的是工业场景里真正还在高频使用的那部分，并且每个都会落到「训练—调优—推理」的完整链路上。冷门方向、最新论文复现，不在这个范围内。

配套练习该怎么做

项目课的练习价值，一半在代码，一半在你自己的改动。给几条具体建议：

每个项目跑通后，先不动模型，只换数据。把数据集换成你自己采集的一小批图，走完标注、训练、评估全流程，你会立刻遇到教程里不会出现的问题。
检测项目里，试着把输入分辨率改一档，记录 mAP 和推理耗时的变化曲线。这个手感比记住任何结论都有用。
分割项目里，刻意把训练集缩小到原来的十分之一，观察过拟合出现的时机，再回来看数据增强的参数该怎么设。
部署环节不要只看演示。自己把模型导出一次，写一个最简的推理脚本，确认前后处理的归一化参数和训练时完全一致。

如果时间有限，宁可把两三个项目做透，也不要六个都只跑一遍官方代码。

看完应该能回答的问题

用这几个问题自检，能答上来，说明这门课的内容真正落到你身上了：

给你一个全新的业务场景，你怎么判断该用分类、检测还是分割？
目标检测中 anchor 的设置和数据集里目标尺寸分布是什么关系？
U-Net 的上采样路径里，特征拼接和逐元素相加的区别会带来什么影响？
模型精度达标但线上延迟超标，你会按什么顺序去优化？
数据标注质量差导致的精度问题，和模型结构问题，怎么区分？

如果这些问题你现在只能答个大概，那就带着它们去学。CV 项目能力的分水岭，从来不是「知道多少模型」，而是「遇到没见过的数据和新问题，你能不能自己定位并解决」。这门课提供的是多个完整的解决范例，剩下的迁移，得靠你自己动手。