介绍Miniconda
Miniconda是一个轻量级的Anaconda发行版，它仅包含Python和conda包管理系统。以下是Miniconda的一些优势：
不干涉系统：Miniconda不会干扰系统的其他部分，可以轻松地在不同的环境中管理依赖项。
灵活配置：用户可以根据需要创建多个独立的环境，并且每个环境都可以拥有自己独立的Python版本和包集合。
Python安装
Miniconda安装
清华镜像源
为了加速下载过程，建议使用清华大学的镜像源： https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
Linux
根据您的操作系统架构选择合适的安装脚本。以下为适用于大多数Linux发行版的示例：
下载安装脚本
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py312_24.1.2-0-Linux-x86_64.sh运行安装脚本
bash Miniconda3-py312_24.1.2-0-Linux-x86_64.sh按照提示完成安装即可。
Windows
从清华大学镜像源下载Windows安装程序并运行：
双击下载的.exe文件，按照安装向导完成安装。
添加环境变量
Linux
安装过程中会询问是否自动将Miniconda添加到PATH环境变量中。如果选择了“否”，则需要手动添加。可以通过运行以下命令来实现：
source ~/.bashrc或者直接编辑~/.bashrc文件，在末尾添加以下内容：
export PATH="/home/your_username/miniconda3/bin:$PATH"然后执行source ~/.bashrc使更改生效。
Windows
安装完成后，Miniconda会自动添加到系统路径中。也可以手动添加路径（如果未勾选相关选项）：
打开“系统属性” -> “高级系统设置” -> “环境变量”。
在“系统变量”部分找到
Path，点击“编辑”。点击“新建”，依次添加以下路径：
C:\ProgramData\miniconda3 C:\ProgramData\miniconda3\Scripts C:\ProgramData\miniconda3\Library\bin
验证
打开终端或命令提示符，输入以下命令验证安装是否成功：
conda --version
python --version正常情况下，上述命令应返回相应的版本信息。
配置pip镜像源
为了加快Python包的下载速度，可以配置国内的镜像源。以下是几个常用的国内镜像源配置命令：
清华大学镜像源
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple阿里云镜像源
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/中科大镜像源
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/simple/
新建Conda环境并激活
您可以使用conda命令来创建和管理虚拟环境。以下是如何创建一个名为test_env的新环境，并将其激活的方法：
conda create -n test_env python=3.12
conda activate test_env现在，您已经进入了一个新的Python环境test_env，其中包含了Python 3.12版本。
验证
python --version使用uv进行库管理(可选)
uv是一个用于简化包管理的操作工具。虽然conda本身已经非常强大，但uv提供了额外的功能。以下是不同操作系统的安装方法：
通用安装
安装pipx
python -m pip install --user pipx
python -m pipx ensurepath通过pipx安装uv
pipx install uvLinux
对于基于Debian的系统（如Ubuntu），可以使用以下命令安装uv：
sudo apt install uv对于基于Red Hat的系统（如CentOS），可以使用以下命令安装uv：
sudo yum install uv对于Arch Linux，可以使用以下命令安装uv：
sudo pacman -S uvWindows
通过PowerShell运行以下命令来安装uv：
irm https://astral.sh/uv/install.ps1 | iexPython使用案例
算法案例简单实现
输入正整数N
输出N的二进制数中的1的个数
print(bin(int(input())).count('1')))批量处理图片文件
安装常用库
如果安装了uv使用uv pip。这里以安装numpy和opencv-python为例：
(uv) pip install numpy opencv-pythonOpenCV（Open Source Computer Vision Library）
一个开源的计算机视觉和图像处理库，广泛用于图像识别、视频分析、物体检测等领域。
cv2是 OpenCV 的 Python 接口。
NumPy（Numerical Python）
是 Python 中用于科学计算的核心库之一。它提供了对大型多维数组和矩阵的支持，并包含大量的数学函数来对这些数组进行高效操作。
numpy极大地简化了数值计算任务，是数据分析、机器学习、图像处理等领域不可或缺的工具。
os -> Python 标准库中的模块
用于与操作系统进行交互，常用于文件和目录操作。
import os
import cv2
def crop_to_aspect_ratio(img, target_ratio=(16, 9)):
"""裁剪图片为指定宽高比（默认16:9），居中裁剪。"""
height, width = img.shape[:2]
target_w, target_h = target_ratio
current_ratio = width / height
target_ratio_val = target_w / target_h
if current_ratio > target_ratio_val:
# 图片太宽，裁剪宽度
new_width = int(height * target_ratio_val)
x1 = (width - new_width) // 2
img_cropped = img[:, x1:x1 + new_width]
else:
# 图片太高，裁剪高度
new_height = int(width / target_ratio_val)
y1 = (height - new_height) // 2
img_cropped = img[y1:y1 + new_height, :]
return img_cropped
def process_images(input_folder, output_folder):
"""批量处理文件夹下的图片，裁剪为16:9比例并转为黑白图片"""
if not os.path.exists(output_folder):
os.makedirs(output_folder)
i = 0
for filename in os.listdir(input_folder):
if filename.lower().endswith(('.jpg', '.png')):
i += 1
img_path = os.path.join(input_folder, filename)
img = cv2.imread(img_path)
if img is None:
continue
# 裁剪为16:9
img_cropped = crop_to_aspect_ratio(img, (16, 9))
# 转为灰度图
img_gray = cv2.cvtColor(img_cropped, cv2.COLOR_BGR2GRAY)
# 重命名
ext = os.path.splitext(filename)[1]
new_filename = f'素材{i}{ext}'
cv2.imwrite(os.path.join(output_folder, new_filename), img_gray)
def main():
input_folder = './input_images'
output_folder = './output_images'
process_images(input_folder, output_folder)
if __name__ == '__main__':
main()Yolo v11简单目标检测
创建新的conda环境
conda create -n pytorch-cpu python=3.11激活新创建的conda环境
conda activate pytorch-cpu安装pytorch和ultralytics库(pytorch库包含numpy，opencv-python等机器学习常用库)
（uv） pip install ultralytics --no-warn-script-locationlinux
（uv） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpuWindows
（uv） pip install torch torchvision torchaudio --no-warn-script-location from ultralytics import YOLO
import cv2
import subprocess
import sys
import os
def visualize_results(image, results, class_names):
"""在图像上绘制检测结果"""
for result in results:
boxes = result.boxes.cpu().numpy()
for box in boxes:
xyxy = box.xyxy[0].astype(int) # 边界框坐标
conf = box.conf.item() # 置信度
cls = int(box.cls.item()) # 类别索引
label = f'{class_names[cls]} {conf:.2f}'
cv2.rectangle(image, (xyxy[0], xyxy[1]), (xyxy[2], xyxy[3]), (0, 255, 0), 2)
cv2.putText(image, label, (xyxy[0], xyxy[1] - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
return image
def open_image(output_path):
"""使用系统默认图片查看器打开图片"""
if sys.platform.startswith('darwin'):
subprocess.run(['open', output_path])
elif os.name == 'nt':
os.startfile(output_path)
elif os.name == 'posix':
subprocess.run(['xdg-open', output_path])
def main():
# 加载YOLOv11预训练模型
model = YOLO('yolo11n.pt') # 确保路径正确
# 读取图像
image_path = './test.png'
image = cv2.imread(image_path)
if image is None:
print(f"无法读取图片: {image_path}")
return
# 使用模型进行预测
results = model(image)
class_names = model.names
# 可视化检测结果
image = visualize_results(image, results, class_names)
# 保存结果图像
output_path = 'detected_objects.jpg'
cv2.imwrite(output_path, image)
# 打开图片预览
open_image(output_path)
if __name__ == "__main__":
main()
