如何利用 AI 计算机视觉实现月入 11,000 美元

一份面向零编程基础初学者的完整指南。

国际市场。赚取美元收入。

如何使用本指南。 请按顺序阅读。

第 1–3 部分帮助你理解整体情况以及如何思考。

第 4–5 部分是动手实践：你将运行你的第一段代码。

第 6–8 部分教你如何将这项技能变现。

最后附有常见问题解答和术语表（遇到不懂的词汇，可以查阅这里）。

目录

1. 这是什么，以及为什么人们愿意为此付费
2. 你的工具 -> 它们是什么以及为什么选择它们（用通俗的语言解释）
3. 如何与 AI 协作 -> 你的核心技能，而非编程
4. 在 Google Colab 中运行你的第一段代码 -> 分步指南
5. 即用型脚本工具包（附有每个脚本的功能说明）
6. 作品集 -> 三个能卖钱的项目
7. 在哪里找到客户以及如何收费（附英文模板）
8. 你的第一个 90 天计划
9. 收入参考基准
10. 常见问题解答 (FAQ)
11. 注意事项（不要做什么）
12. 术语表

第 1 部分：这是什么，以及为什么人们愿意为此付费

计算机视觉 是一种让计算机能够“看”照片或视频并理解其中内容的技术：存在哪些物体、它们的位置、移动方向、数量有多少。本质上，这与人眼和大脑所做的相同 -> 只是自动完成，并且可以同时处理任意数量的摄像头。

开启这一切的四段视频并非玩具教程 -> 它们是 四个真实的商业任务：

• 计数物体 -> 仓库、库存、存货管理。
• 追踪并计数人员/车辆 -> 商店（进来了多少人）、道路（经过了多少辆车）。
• 速度估算 -> 交通执法、道路和工地安全。
• 体育分析 -> 追踪球员、分析比赛（一个巨大的产业）。

企业经常为这类事情付费：零售、安防、道路交通、制造业（缺陷检测）、农业、体育、物流。

为什么现在一个没有学位、不会编程的人也能做到？ 因为出现了两样东西：

1. 现成的工具，它们已经知道如何“看”（无需自己发明 -> 你只需运行它们）。
2. AI 助手，它们可以为你编写和修复代码。

过去这需要一位拥有多年经验的工程师。现在你的工作是 组装现成的模块，并向 AI 解释你的需求。

关于实际可行性的坦诚说明：

• 这条路径 最适合 通往 自由职业和交钥匙项目 -> 你为客户构建一个可运行的系统（例如，访客计数），并根据结果获得报酬。这是主要路径（下面的 路径 B）。
• 要获得公司的全职工程职位则 更难、更慢：在面试中，他们仍然会要求你现场编写代码，仅靠 AI 是不够的。人们通常在有项目经验后才会走这条路（路径 A）。

换句话说，最快的赚钱方式 来自客户为完成的工作付费，而不是来自大公司的录用通知。

第 2 部分：你的工具 -> 它们是什么以及为什么选择它们

不要被这些名字吓到。以下是所有这些工具的通俗解释：

• YOLO -> “眼睛”。一个现成的模型，可以在图像中查找物体，并在其周围绘制一个带有标签的框（“人”、“汽车”）。一行代码即可下载，立即可用。
• ByteTrack -> “记忆”。单独使用时，YOLO 会从头开始分析每一帧。ByteTrack 将不同帧中的物体关联起来，并为它们分配编号（ID），从而理解：第 1 秒和第 5 秒的这个人其实是同一个人。没有它，你就无法计数或测量运动。
• Supervision -> “建筑工具包”。一个包含现成模块的库：绘制框、添加计数线、定义区域、计算穿越次数。它将“模型看到物体”转化为“程序统计进出次数”。
• Roboflow -> “几乎无需编码的平台”。在浏览器中：你用鼠标标注数据，点击几下训练一个模型，然后获得一个现成的 API。在 Roboflow Universe 板块中，还有数千个已经训练好的模型 -> 通常你根本不需要训练任何东西，直接拿来用就行。
• Google Colab -> “浏览器中的计算机”。一个免费环境，代码在谷歌的服务器上运行。你不需要一台强大的电脑，也无需安装任何东西：打开页面，粘贴代码，点击运行按钮。
• AI 助手 (Claude, ChatGPT, Gemini) -> “你的程序员”。为你的任务编写代码、修改代码并修复错误。对于那些想构建真正应用程序的人来说，还有 Cursor -> 一个 AI 几乎可以自己编写所有代码的编辑器。

它们如何协同工作（流程）：

视频 →

YOLO

找到物体 →

ByteTrack

为它们分配编号 →

Supervision

按线/区域计数 → 你得到结果（带标注的视频 + 数字）。所有这些都在

Colab

中运行，代码由

AI

编写和修复。如果你需要非标准物体，则在

Roboflow

中训练一个模型。

第 3 部分：如何与 AI 协作 -> 你的核心技能

在这种模式下，你真正的技能不是 Python -> 而是 清晰地向 AI 解释任务并将各个部分组合起来的能力。这就像与一位能力超强的助手合作：任务越清晰，结果越好。

黄金法则： Colab 抛出的任何错误，你都 完整复制并交给 AI -> 它会为当前版本的库修复代码。库的版本会变化，代码有时会出错 -> 这很正常，这正是 AI 的用武之地。永远不要自己埋头苦干，与错误死磕。

覆盖 90% 任务的提示词模板：

为你改编脚本：

"这是一个使用 supervision 库的 Python 脚本 [粘贴代码]。我不是程序员。请修改它，使其只计数人，而不是所有物体。返回完整、可运行的代码。"

修复错误：

"我在 Google Colab 中运行了这段代码 [粘贴代码]，并收到此错误：[粘贴完整的错误信息]。请为当前版本的库修复代码，并返回完整的修正版本。"

理解代码功能：

"请用通俗易懂的语言，不用专业术语，解释这个脚本的功能以及我最终会看到什么输出。"

针对特定视频进行调整：

"帮我设置一个宽度为 1280、高度为 720 的视频的计数线坐标。该线应水平穿过中心。"

构建新功能：

"基于此脚本，添加按类型分别计数的功能：统计经过了多少辆汽车和多少辆卡车。返回完整代码。"

撰写文本（简历、README、客户提案）：

"为我的 GitHub 项目写一段简短的英文描述，关于一个访客计数项目：问题、解决方案、使用的技术、如何运行。"

初学者与 AI 协作时的常见错误：

• 只给 AI 代码片段而不是完整代码 -> 导致它盲目修复。请提供 整个 脚本。
• 只写“它不工作”而不提供错误信息。始终粘贴 完整的错误。
• 随意手动编辑代码。让 AI 做出修改并返回 完成 的版本。

最重要的是 -> 始终检查结果。 AI 可能会自信地生成能运行但计数错误的代码。打开输出视频，用肉眼确认框是否框对了物体，数字看起来是否合理。这是你的责任，不是 AI 的。

第 4 部分：在 Google Colab 中运行你的第一段代码 -> 分步指南

这对初学者来说是最“吓人”的部分，但实际上只需 5 分钟。搞懂一次就行。

1. 打开 colab.research.google.com（用谷歌账号登录）→ 点击 新建笔记本。
2. 你会看到一个空白框 -> 这是一个 单元格。代码就放在这里。单元格左侧是 ▶ 按钮（运行）。
3. 将 脚本 0（安装库）粘贴到第一个单元格中，然后点击 ▶。等待 20–60 秒 -> 会有文本行滚动，这很正常。
4. 获取一个测试视频。 最简单的方法是使用内置的示例。创建一个新单元格（点击“+ 代码”按钮）并运行：

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video downloaded:", path)   # 这是文件 people-walking.mp4

或者上传你自己的视频：

1from google.colab import files
2uploaded = files.upload()   # 选择一个文件；记住它的名字，并在脚本中替换 input.mp4

• 将你需要的脚本（例如，脚本 3）粘贴到一个新单元格中。如有必要，修正输入文件名。点击 ▶。
• 将结果下载到你的电脑：

1from google.colab import files
2files.download("output_count.mp4")

如果出现问题：

• "No such file" / 文件未找到 -> 脚本中的视频名称与实际名称不匹配。检查文件名。
• 运行缓慢卡顿 -> 开启免费 GPU：菜单 运行时 → 更改运行时类型 → GPU。
• 任何红色错误 -> 完整复制并交给 AI（黄金法则）。

第 5 部分：即用型脚本工具包

你不需要逐行理解这些脚本。运行它，如果出错，交给 AI。每个脚本都附有通俗易懂的解释。

脚本 0 -> 安装（始终先运行这个）

1!pip install ultralytics supervision -q

功能：安装“眼睛”（YOLO）和“建筑工具包”（Supervision）。每个会话执行一次。

脚本 1 -> 在视频中查找并标注物体

功能：在所有物体周围绘制带标签的框。这是检查一切是否正常工作的基本步骤。

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # "眼睛"模型，自动下载
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Done: output_detect.mp4")

脚本 2 -> 带编号（ID）的追踪

功能：为每个物体分配一个持久的编号，并在物体出现在画面中时保持该编号。这是计数和运动分析的基础。

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Done: output_track.mp4")

脚本 3 -> 计数线穿越（主要的商业脚本）

功能：统计有多少物体从每个方向穿过一条假想线。这正是“有多少访客进入”或“有多少辆车经过”的功能。

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# 计数线：根据你的视频调整坐标（x, y，单位为像素）。
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # 要只计数人——移除下面这行的 # 注释（0 = 人）：
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"In: {line_zone.in_count} | Out: {line_zone.out_count}")

将计数结果保存到文件（你可以交给客户）

在视频处理完成后，将以下代码添加到最后：

1with open("counts.txt", "w") as f:
2    f.write(f"In: {line_zone.in_count}\n")
3    f.write(f"Out: {line_zone.out_count}\n")
4print("Numbers saved to counts.txt")

更复杂的任务 -> 交给 AI（不要自己写）

• 车辆速度估算： “基于 YOLO 和 supervision 库，为 Google Colab 编写一个脚本，用于估算行车记录仪/道路摄像头视频中汽车的速度。请用通俗易懂的语言，详细解释如何为我的画面设置透视参数。我不是程序员，请给我完整、可运行的代码。”
• 区域内计数（代替线计数） -> 例如，统计等候区有多少人：“重写脚本，使其统计视频中一个矩形区域内的人数（使用 supervision 的 PolygonZone）。给出完整代码，并解释如何设置区域坐标。”
• 自定义物体（标准模型中不包含的产品、缺陷、动物）：在 Roboflow 中通过浏览器标注数据集，在那里训练它，获得你的模型 ，然后让 AI 将其接入脚本 3。

第 6 部分：作品集 -> 三个能卖钱的项目

作品集比学位更重要：在国际市场上，他们看重的是 你展示的结果，而不是资历。你需要为真实的细分市场准备 3 个简短的演示。

在哪里获取免费的演示视频（无版权问题）：

• Supervision 内置的示例（见第 4 部分）-> 最快的开始方式。
• Pexels 和 Pixabay -> 免费的人、街道、汽车等素材视频，授权可用。

三个项目：

1. 商店访客计数。 脚本 3，仅过滤人，入口处设置计数线。你展示：带框和计数器的视频 + 最终数字。目标客户：零售店、咖啡馆、购物中心。
2. 汽车计数与追踪。 在道路/停车场视频上运行脚本 3。目标客户：停车场运营商、道路服务、交通分析。
3. 通过 Roboflow 实现的自定义物体。 你标注一些非标准物体（例如，生产线上的瓶子或缺陷）并进行计数。展示你可以处理客户的数据。目标客户：制造业、仓库、农业。

如何包装每个项目：

• 录制结果演示视频（10–30 秒）。屏幕录制输出视频的播放 -> 任何屏幕录制软件都可以，或者直接将短视频以“不公开列出”的方式上传到 YouTube。
• 放到 GitHub 上（一个免费的代码和项目托管网站）。让 AI 编写文件和描述文本（README）：“为一个视频访客计数项目用英文写一个 README。分成：问题、解决方案的功能、使用的技术（YOLO, ByteTrack, Supervision）、如何在 Google Colab 中运行。简短清晰。”
• 可选 -> 在线演示。 你可以在 Hugging Face Spaces（一个你的演示可以在线运行并通过链接访问的平台）上免费部署它，或者通过 Roboflow 的现成 API 部署。这能大大增加客户的信任。如何操作 -> 问 AI。

第 7 部分：在哪里找到客户以及如何收费

来自美国/欧洲的客户以美元支付。起步的主要平台是 Upwork。

第一步：你的 Upwork 个人资料

标题应该是 一个狭窄的专业领域，而不是泛泛的“AI 开发者”。示例（你可以直接使用）：

计算机视觉工程师

->

物体检测、追踪与人员/车辆计数

“概述”文本 -> 一个英文示例：

我构建能够检测、追踪和计数视频中物体的计算机视觉系统 -> 面向零售业的人员计数，面向交通和停车场的车辆计数，以及面向制造业和库存管理的自定义物体检测。技术栈：YOLO, ByteTrack, Supervision, Roboflow, Python。我交付包含标注输出视频和可导出计数（CSV/报告）的可行解决方案。请查看下面的演示。告诉我您的用例，我将向您展示具体能实现什么。

在个人资料的作品集部分 -> 放置你的三个演示，包含视频和 GitHub 链接。

第二步：你的第一批评价

这在起步阶段决定一切。以 略低于市场价的费率 接下你的前 3–5 个工作（例如，$30–45/小时 而不是 $60+），以便快速获得评价和评分。然后立即提高你的费率 -> 在获得良好评价后仍保持低费率等于把钱留在桌上。

第三步：回复工作（提案）

不要写长篇大论。结构清晰：“我理解任务 → 我正好做过这个 → 我将如何以及以什么价格完成。” 英文示例：

您好！您需要统计视频素材中的 [人员/车辆] -> 我正好做过这个。这是我计数系统的 20 秒演示：[链接]。对于您的项目，我将：检测并追踪物体，设置计数线/区域，并向您提供标注后的视频以及报告中的最终计数。我可以在 [3–5] 天内交付第一个可运行的版本。很乐意先免费对您的一小段素材进行快速测试。

对客户的一小段素材进行免费测试可以消除一半的疑虑，并且常常能促成交易。

第四步：提前向客户询问什么（以免出错）

• 我们具体要计数/检测什么（人、汽车、特定产品）？
• 视频来源是什么：准备好的文件、摄像头、在线流（RTSP）？
• 需要什么输出：标注视频、表格中的数字、实时仪表盘、警报？
• 可接受的精度是多少，截止日期是什么？
• 预算是多少？

第五步：价格和费用

• 按小时计费： 从 $30–45 起步（为了评价）→ 然后自信地向市场价迈进：初级 $50–80，中级 $80–120，高级 $120–200+。机器学习自由职业者的中位数费率约为 ~$100/小时。
• 按项目计费（固定价格）： 一个简单的交钥匙计数系统，起步基准为 $300–1500；复杂的系统从 $5k 起，甚至更高（市场上，项目可达 $250k+）。
• Upwork 费用 -> 变动范围为 0–15%，通常约为 10%（以 $50 费率计算，你净得约 $45）。将此项计入你的价格。

第六步：发展方向

• Toptal -> 一个拥有前 3% 筛选率的平台，费率更高，客户更优质。一旦你有了作品集和评价，就可以去那里。
• Fiverr -> 你可以设置一个“产品化服务”（例如，“我将为你的视频设置人员计数，费用为 $X”），从而更被动地获得工作。

第 8 部分：你的第一个 90 天计划

如果第一份工作没有立刻到来，不要气馁 -> 这在开始时很正常；这条路通常需要 1–3 个月的积极努力。

第 9 部分：收入参考基准（美元，2026 年）

计算机视觉市场正在增长：2024 年约为 220 亿美元 → 预计到 2033 年将达到约 1110 亿美元。需求对你有利。

第 10 部分：常见问题解答 (FAQ)

我需要一台强大的电脑吗？ 不需要。Google Colab 可以让你免费访问云端强大的 GPU 服务器。你甚至可以用一台性能较弱的笔记本电脑或平板电脑工作。

我需要付费购买任何东西吗？ 基本上一切都是免费的：Colab（免费套餐）、YOLO/Supervision（开源）、Roboflow（免费计划）、GitHub。只有当项目规模扩大时（付费 Colab/云服务），你才开始需要付费。

这合法吗？ 工具本身 -> 是的，它们是开源且合法的。但是，当你处理真实摄像头和人员数据时，存在隐私和数据法律。未经许可不得发布他人的视频素材，并与客户确认他们有权使用该数据。

如果客户的任务与脚本不符怎么办？ 这就是 AI 的用武之地：将任务分解成部分，然后寻求帮助。如果任务确实超出了你的能力范围，诚实地拒绝比错过截止日期要好。

第一笔钱多久能赚到？ 现实地说 -> 积极努力的话，从几周到一两个月不等。这不是一个“赚钱按钮”，而是一项你需要去销售的技术。

我需要数学和理论知识吗？ 对于这种 AI 辅助的路径 -> 不需要。当你以后想接手复杂项目或进入全职工作时，理解基础知识会有所帮助。

它能实时运行 / 配合实时摄像头工作吗？ 免费的 Colab 足以用于演示和处理文件。对于在线流（RTSP）和实时处理，你需要更多资源 -> AI 会告诉你如何设置。

第 11 部分：注意事项（不要做什么）

• 在能够“交付结果”之前，不要进入市场。 “在我的机器上能运行”是不够的 -> 客户需要清晰的结果（视频 + 数字 + 简短报告）。
• 不要一对一地克隆纯教程。 你需要基于自己的视频并为特定细分市场制作的演示。
• 不要固守低费率。 在获得第一批评价后立即提高。
• 不要盲目相信 AI 生成的代码。 始终打开结果，用肉眼检查计数是否正确。
• 不要 在“泛 AI”领域分散精力。狭窄的专业领域（计数/追踪/视频分析）能卖出更高的价格，也更容易被理解。

第 12 部分：术语表

• 模型 -> 一个经过训练的程序，能够识别特定内容（例如，YOLO 可以识别物体）。
• 数据集 -> 模型用来学习的一组图像或视频。
• 标注 -> 用鼠标在图像中勾勒出所需物体，以便模型理解要寻找什么（在 Roboflow 中完成）。
• 边界框 -> 检测到的物体周围的矩形框。
• 类别 -> 物体的类型，例如：“人”、“汽车”、“瓶子”。
• 置信度 -> 模型对检测结果的确定程度（范围从 0 到 1）。
• 推理 -> 模型运行并识别出物体的时刻（与训练相对）。
• 训练 -> 模型从数据集中学习以完成特定任务的过程。
• 跟踪 / ID -> 使用一个持久的编号在视频帧之间追踪单个物体。
• API -> 一种“通过互联网”访问模型的方式：发送图像，获取结果，无需自己编写模型代码。
• FPS -> 每秒帧数；数值越高，视频处理越接近“实时”。
• RTSP -> 监控摄像头实时视频流的格式。
• GPU -> 显卡中的强大处理器；它可以加速模型运行（在 Colab 中，云端使用是免费的）。

所有数据均为 2026 年的市场基准，具体取决于你的水平、细分领域以及具体的客户或雇主。

所有读过本文并想尝试的朋友，祝你们成功 🩷

收藏起来，以免丢失