机器视觉（计算机视觉）学习路径，分为 6 个阶段，按由浅入深、兼顾理论与实战的顺序排列，既适用于 0 基础学生，也适合 35 岁转行者或工业场景工程师。
────────────────
阶段 1 数学与编程地基（2–4 周）
数学
线性代数：矩阵运算、SVD、特征值/向量
概率统计：贝叶斯、最大似然、常用分布
微积分：梯度、链式法则、最小二乘
编程
Python 基础语法、虚拟环境、调试
必会库：NumPy（矩阵）、Matplotlib（可视化）、Pandas（数据表）
版本管理：Git 基础
学习资源：
书籍：《Python 编程：从入门到实践》
在线：Coursera《Mathematics for Machine Learning》
────────────────
阶段 2 数字图像处理（2–3 周）
目标：能理解“像素级”在发生什么。
图像表示：灰度、RGB、HSV、直方图
基本操作：滤波（均值、高斯）、形态学（腐蚀/膨胀）、边缘检测（Canny、Sobel）
特征提取：SIFT/SURF/ORB、HOG
工具：OpenCV-Python 官方教程 + 100 行代码小实验（二维码识别、车牌定位）
────────────────
阶段 3 深度学习入门（3–4 周）
神经网络概念：感知机→MLP→反向传播
框架实战：用 Keras 完成 MNIST 手写数字识别；用 PyTorch 复现 LeNet
GPU 环境：CUDA + cuDNN 安装、Anaconda 环境隔离
提示：先跑通官方示例，再改网络深度、学习率做对比实验。
────────────────
阶段 4 卷积神经网络与视觉任务（4–6 周）
CNN 结构：卷积层、池化层、BatchNorm、残差连接
经典网络复现：AlexNet、VGG、ResNet（ImageNet 预训练模型微调）
视觉三大任务：
图像分类：用 CIFAR-10 训练 >90 % 精度
目标检测：YOLOv5 / Faster R-CNN（COCO 子集）
语义分割：U-Net、DeepLabV3+（CamVid / 医疗细胞数据集）
────────────────
阶段 5 工业/业务落地深化（持续迭代）
根据就业方向选工具链：
A. 工业视觉（缺陷检测、定位、测量）
Halcon + C#/C++：学习 HDevelop 流程化编程、模板匹配、标定助手
相机-镜头-光源选型、PLC 通信、产线节拍优化
B. 智能安防/自动驾驶
TensorRT 模型加速、ONNX 转换、边缘设备部署（Jetson、海思）
多模态 Transformer（VLA/VLN）前沿阅读
────────────────
阶段 6 项目与竞赛实战（长期）
小项目练手（2–3 周/个）
Kaggle: Cassava Leaf Disease（图像分类）
天池：布匹缺陷检测
自建：PCB 焊点缺陷检测系统（OpenCV+YOLOv5+PyQt 界面）
真实业务项目
参与公司产线项目，从需求评审→数据集采集→模型训练→C++/C# 部署→验收报告
持续学习
顶会论文速读：CVPR/ICCV/ECCV 每月 5 篇
社区：GitHub Trending、paperswithcode、机器之心
────────────────
学习资源清单（精选）
在线课程
Coursera：Andrew Ng《Deep Learning Specialization》
Udacity：Computer Vision Nanodegree
书籍
《数字图像处理》（冈萨雷斯）
《深度学习与计算机视觉》
《Halcon 机器视觉算法原理与编程实战》
数据集与模型库
公开：ImageNet、COCO、VOC、CamVid
框架：OpenCV、PyTorch、TensorFlow、MMCV、Detectron2
────────────────
总之，先把数学 + Python + OpenCV 打牢，再深入 CNN 与 YOLO，最后根据工业或互联网场景选择 Halcon/TensorRT 进行部署和优化，用项目与论文双轮驱动，持续迭代即可。
Tags：特征值 计算机 线性代数 由浅入深 数据表 微积分 可视化