5步实现YOLO v8做实时人脸签到系统：零 GPU 依赖（第一步）(上)
最近有不少同学问我：现在AI这么强大，是不是自己用大模型就能学会YOLO、做出项目，不用再专门找人学了？
其实我很理解这种想法——毕竟AI确实能快速生成代码、给出教程，看起来“什么都会”。但问题在于：它给你的，往往是脱离实际场景的“标准答案”，而不是真正能落地、能讲清楚、能经得起追问的项目经验。
我自己也带过不少学生，见过太多人花几周时间用AI“拼”出一个YOLO检测项目，结果在面试或答辩时被问到“为什么选这个模型？”“数据怎么处理的？”“遇到漏检怎么优化？”就卡住了。不是他们不努力，而是从一开始，项目就不是基于真实需求构建的，自然经不起深挖。
我分享的内容，全部来自我在实际项目中踩过的坑、调过的参、跑过的部署流程。比如怎么用YOLOv8做工业质检、怎么在边缘设备上优化推理速度、怎么组织数据集才能避免过拟合……这些细节，AI不会告诉你，但恰恰是企业最看重的能力。
如果你是正在找实习、准备考研复试、或者想积累真实项目经验的本科生/研究生，欢迎跟着我一起动手。我会一步步带你把技术用起来，做出你自己真正理解、能讲清楚、敢写进简历的项目。
技术学习没有捷径，但在关键阶段，有人带你少走弯路，真的很重要。
我在CSDN免费分享这些内容，就是希望你别因为一时图快，错过了真正成长的机会。
第一阶段：数据准备 (Data Preparation)
1.1 原始素材收集：获取学生证件照。
1.2 数据增强：把 5 张证件照变成 500 张模拟照片（解决样本不足问题）。
1.3 图像标注：使用工具框出人脸，生成 YOLO 认识的
.txt标签。1.4 格式整理：按照 YOLO 要求的文件夹结构存放数据。
1.1 原始素材收集 (Raw Material Collection)
虽然你有学生的证件照，但直接拿来用可能存在两个问题：
背景太干净：证件照通常是红/蓝/白底，而你的签到背景是教室。
画质差异：证件照通常分辨率极高，而 USB 摄像头画质较差。
你的任务：
在你的项目文件夹下创建
raw_data文件夹。将这 5 个学生的证件照放入其中，并重命名为他们的名字（例如：
zhang_san.jpg,li_si.jpg）。关键建议：如果可以，请让他们对着你的USB摄像头拍一张真实环境下的正脸照，效果会比证件照好很多。如果没有，我们就用证件照。
1.2 数据增强 (Data Augmentation)
由于每人只有 1 张照片，样本量太小（Deep Learning 至少需要几十张才能训练出效果）。我们要通过算法把 5 张图变成 500 张，模拟各种光照、角度和距离。
请执行以下操作：
安装增强库：
pip install imgaug opencv-python运行下方脚本。它会读取
raw_data里的 5 张图，在dataset/images/train生成 500 张模拟照片。
import cv2 import os import imgaug.augmenters as iaa # --- 配置 --- input_dir = "raw_data" output_dir = "dataset/images/train" if not os.path.exists(output_dir): os.makedirs(output_dir) # --- 定义增强策略 --- # 模拟：旋转、亮度变化、噪点、缩放（模拟人站远站近） seq = iaa.Sequential([ iaa.Fliplr(0.5), # 水平翻转 iaa.Affine( rotate=(-20, 20), # 旋转 scale=(0.8, 1.2), # 缩放 translate_percent={"x": (-0.1, 0.1), "y": (-0.1, 0.1)} # 平移 ), iaa.Multiply((0.7, 1.3)), # 亮度 iaa.AdditiveGaussianNoise(scale=(0, 0.05*255)) # 噪点 ]) print("开始生成增强数据...") for file in os.listdir(input_dir): if file.endswith(('.jpg', '.png', '.jpeg')): img = cv2.imread(os.path.join(input_dir, file)) name = os.path.splitext(file)[0] for i in range(100): # 每人生成100张 img_aug = seq(image=img) cv2.imwrite(f"{output_dir}/{name}_{i}.jpg", img_aug) print(f"✅ 完成！请检查 {output_dir}，现在应该有 500 张图片了。")本阶段只介绍如何手机原始材料，以及怎样在少量数据样本的情况下扩充训练的数据集，第一阶段（下）将会讲述如何进行批量图像的标注，以及训练前格式的整理