12 个实验按技术依赖递进排好：先用免训练的 OpenCV 传统视觉打地基（颜色 → 轮廓 → 二维码，前两个是同一条手工像素链的递进），再进 YOLO 家族学检测、分类与分割，接着做多目标跟踪，最后用 MediaPipe 做人体感知并驱动小车。每个实验都是「先跑通看效果，再回头讲清原理」。
从「块的像素」到「点的坐标」再到「动的指令」—— 每一层都建立在上一层之上。这张图是全课的骨架，卡住时可以回来定位自己在哪一层。
| 能力层 | 输出形式 | 对应实验 | 核心问题 |
|---|---|---|---|
| ① 像素 → 掩膜 | 黑白图 | 实验1 / 2 | 哪些像素属于目标？靠颜色或灰度阈值判断，不需要模型 |
| ② 掩膜 → 形状 | 圆 / 多边形 | 实验1 / 2 | 这块区域是什么形状？最小外接圆、凸包、多边形逼近 |
| ③ 图像 → 符号 | 字符串 | 实验3 | 图里编码了什么信息？二维码把解码规则写进图形本身 |
| ④ 图像 → 类别框 | 框 + 类别 + 分数 | 实验4 / 5 | 有什么、在哪、像不像？神经网络输出置信度，NMS 去重 |
| ⑤ 图像 → 逐像素类别 | 掩膜 + 类别 | 实验6 | 每个像素各属于什么？从「一框」细化到「每像素」 |
| ⑥ 帧 → 带 ID 的轨迹 | ID + 历史路径 | 实验7 | 跨帧还是同一个吗？位置预测 + 外观指纹 + 全局匹配 |
| ⑦ 图像 → 关键点 | 点坐标 + 可见度 | 实验8 / 9 / 12 | 结构在哪？用固定拓扑的点描述人脸、骨架、手 |
| ⑧ 像素 → 三维坐标 | (X, Y, Z) 米 | 实验10 | 离我多远？深度测量 + 相机内参反投影 |
| ⑨ 关键点 → 动作 | 速度指令 | 实验11 / 12 | 他在做什么、我该怎么动？几何规则判定 + cmd_vel |
能，而且开头比想象中容易。前三个实验（颜色 / 二维码 / 轮廓）不需要任何深度学习基础，也不碰模型文件。第一个实验跑通只要五分钟。
建议按顺序。实验4 的检测是实验6、7 的输入；实验9 的骨骼点是实验11 的输入；实验12 又用上了实验9、11 的全部思路。想跳着学，至少先把目标实验的前置做完。
实验1~3 的原理和参数可以在 PC 上跑通（--image / --camera 模式）。实验4 之后涉及 NPU 推理，只能在板子上验证；PC 上可用 .onnx 后端验流程，但帧率和量化效果都不同。有硬件体验差别很大。
三个实验都不需要模型文件，也不用 NPU。目的是先把「看图 → 出坐标」这件事做熟，同时建立「每一步都能解释」的直觉。
整个实验一行 AI 代码都没有。把颜色换算成一个角度，落在范围内就留下，再用最小外接圆框住它。跑完你会明白很多任务根本不用上深度学习。
一堆白色像素没法用。用一条「松紧带」勒紧，几千个点就变成几个顶点 —— 机器人才能算出往哪走。
自己造一张码，再让相机把它读回来。全课唯一一个「一写一读」闭环的实验，也不需要任何模型训练。
从这里开始要碰模型文件和 NPU 了。先学「圈框并说清是什么」，再学「细类怎么翻译成业务大桶」。
钢板上的裂纹、夹杂、划痕，让 AI 替你圈出来。第一次把模型装进 NPU 跑实时。学完它，后面所有 AI 实验都是同一套路。
模型认出「矿泉水瓶」，一张映射表把它翻成「可回收物」。工程上最重要的一课：哪些该交给模型，哪些该写成代码。
分割是检测的「像素级进阶」；跟踪是全课最难的一个，必须踩在检测的肩膀上。
视频会议的虚拟背景是怎么做的？不是套个方框，是精确到每个像素地判断「这点算不算人」。
每一帧的检测都是独立的，怎么让「同一个人」一直是 3 号？被挡住几秒再出来，还得认出是他。
从 YOLO 换到 MediaPipe Blaze 系列。人脸 → 骨骼是同一套「级联 + 逆映射」思路的递进；深度相机补上「距离」那一维。
美颜相机怎么知道该往哪儿瘦脸？因为它先在脸上找到了 468 个固定位置的点。第一次接触「两段式级联」。
把一个人压缩成 33 个关节点，画成一具跟着你动的火柴人。判断「举手」其实只要比两个 y 坐标。
点一下画面上的任意像素，程序告诉你「这点离你 0.48 米」，还能算出它在空间里的三维坐标。补上缺失的距离那一维。
前面 10 个实验都只是「看懂」，最后这两个让结果真的动起来 —— 视觉第一次闭环到执行器。
33 个关节坐标 → 几条 if 规则 → 两个速度数 → 车真的动了。整门课第一次让视觉驱动动作。
比个「耶」，机器就知道你在比「耶」。链路最长的一个实验：找手 → 21 点 → 128 维指纹 → 8 类分类。