如何利用 AI 電腦視覺每月賺取 11,000 美元

從零開始的完整指南，無需程式碼基礎

國際市場。賺取美元收入。

如何使用本指南。 請依序閱讀。

第 1–3 部分幫助你了解整體概念與思考方式。

第 4–5 部分為實作環節：你將執行第一行程式碼。

第 6–8 部分教你如何將這項技能轉化為收入。

最後附有常見問題與詞彙表（遇到不懂的單字可以到那裡查詢）。

目錄

1. 這是什麼，為什麼人們願意付費
2. 你的工具 -> 它們是什麼以及為什麼要用（白話解釋）
3. 如何與 AI 協作 -> 你的主要技能，而非程式設計
4. 在 Google Colab 執行第一行程式碼 -> 逐步教學
5. 現成的腳本工具包（附帶每個腳本的功能說明）
6. 作品集 -> 三個能賣錢的專案
7. 去哪裡找客戶以及如何報價（附英文範本）
8. 你的第一個 90 天計畫
9. 收入基準
10. 常見問題（FAQ）
11. 不要做的事
12. 詞彙表

第 1 部分：這是什麼，為什麼人們願意付費

電腦視覺 是一種能讓電腦「看」照片或影片，並理解其中內容的技術：有哪些物體、它們在哪裡、往哪裡移動、有多少數量。本質上，這與人類眼睛和大腦的功能相同——只是以自動化方式，同時處理任意數量的攝影機畫面。

引發這一切的 4 支影片並非教學玩具——它們是 4 個真實的商業任務：

• 計數物體 -> 倉庫、庫存、存貨管理。
• 追蹤與計數人員/車輛 -> 商店（進店人數）、道路（車流量）。
• 速度估算 -> 交通執法、道路與工地安全。
• 運動賽事分析 -> 追蹤球員、分析比賽（一個龐大的產業）。

企業經常為這類需求付費：零售、安防、道路交通、製造業（瑕疵檢測）、農業、運動、物流。

為什麼現在沒有學位、不會寫程式的人也能做到？ 因為出現了兩項關鍵因素：

1. 現成的工具，它們已經知道如何「看」（不需要從頭發明——你只需要執行它們）。
2. AI 助手，它們會幫你撰寫和修正程式碼。

過去這需要一位經驗豐富的工程師。現在你的工作是 組裝現成的模組，並向 AI 說明你的需求。

關於實際成果的誠實說明：

• 這條路 最適合 走向 自由接案與統包專案 -> 你為客戶建立一個可運作的系統（例如訪客計數），並根據成果獲得報酬。這是主要路徑（下方的 路徑 B）。
• 要進入公司的全職工程職位則 較困難且較慢：面試時他們仍會要求你現場寫程式，光靠 AI 是不夠的。人們通常在有專案經驗後才會走這條路（路徑 A）。

換句話說，最快賺到錢的方式是 來自客戶的成品交付，而不是來自大公司的錄取通知。

第 2 部分：你的工具 -> 它們是什麼以及為什麼要用

別被這些名稱嚇到。以下是用白話解釋它們的用途：

• YOLO -> 「眼睛」。一個現成的模型，能在圖片中找出物體，並用標籤（「人」、「車」）畫出邊框。一行指令即可下載，立即使用。
• ByteTrack -> 「記憶」。單獨使用時，YOLO 會從頭分析每一幀畫面。ByteTrack 則能連結不同幀之間的物體，並為它們分配編號（ID），因此它能理解：第 1 秒的這個人與第 5 秒的這個人是同一個人。沒有它，你就無法計數或測量移動。
• Supervision -> 「組合工具包」。一個現成的函式庫，包含：畫框、加入計數線、定義區域、計算穿越次數。它將「模型能看見物體」轉變為「程式能計算進出次數」。
• Roboflow -> 「幾乎免寫程式碼的平台」。在瀏覽器中：用滑鼠標記你的資料，點幾下就能訓練模型，並獲得一個現成的 API。而在 Roboflow Universe 區塊中，有數千個已訓練好的模型——通常你完全不需要訓練任何東西，直接拿來用就好。
• Google Colab -> 「瀏覽器裡的電腦」。一個免費的環境，讓程式碼在 Google 的伺服器上執行。你不需要強大的電腦，也不需要安裝任何東西：打開頁面、貼上程式碼、按下按鈕即可。
• AI 助手（Claude、ChatGPT、Gemini）-> 「你的程式設計師」。為你的任務撰寫程式碼、修改它、並修正錯誤。如果你想建立真正的應用程式，還有 Cursor -> 一個編輯器，AI 幾乎會幫你寫好所有程式碼。

它們如何協同運作（流程）：

影片 →

YOLO

找出物體 →

ByteTrack

為它們編號 →

Supervision

根據線/區域計數 → 你獲得結果（標註後的影片 + 數字）。這一切都在

Colab

中執行，而程式碼則由

AI

撰寫與修正。如果你需要非標準的物體，就在

Roboflow

中訓練模型。

第 3 部分：如何與 AI 協作 -> 你的主要技能

在這個設定中，你真正的技能不是 Python——而是 清楚地向 AI 說明任務，並將各個部分組合起來的能力。這就像與一位能力很強的助手合作：任務越清楚，結果就越好。

黃金法則： Colab 拋出的任何錯誤，你都要 完整複製並交給 AI -> 它會根據函式庫的當前版本修正程式碼。版本會變更，程式碼有時會出錯——這很正常，這就是 AI 的用途。千萬不要自己埋頭苦幹地處理錯誤。

能涵蓋 90% 任務的提示詞範本：

為自己修改腳本：

「這是一個使用 supervision 函式庫的可運作 Python 腳本 [貼上程式碼]。我不是程式設計師。請修改它，使其只計數人員，而非所有物體。請回傳完整、可用的程式碼。」

修正錯誤：

「我在 Google Colab 中執行了這段程式碼 [貼上程式碼]，並收到這個錯誤：[貼上完整的錯誤訊息]。請根據函式庫的當前版本修正程式碼，並回傳完整的修正版本。」

理解程式碼的功能：

「請用白話、無術語的方式解釋這個腳本在做什麼，以及我將會看到什麼輸出結果。」

針對特定影片進行調整：

「請幫我設定一條計數線的座標，影片寬度為 1280，高度為 720。這條線應水平穿過畫面中央。」

建立新功能：

「基於這個腳本，請加入依類型分別計數的功能：有多少輛汽車和多少輛卡車通過。請回傳完整的程式碼。」

撰寫文字（履歷、README、客戶提案）：

「請用英文為我的 GitHub 寫一段關於訪客計數專案的簡短說明：問題、解決方案、使用的技術、如何執行。」

新手與 AI 協作時的常見錯誤：

• 只給 AI 片段而非完整程式碼 -> 導致它盲目修正。請提供 完整 的腳本。
• 只寫「它沒用」而非錯誤訊息。務必貼上 完整的錯誤。
• 隨意手動編輯程式碼。不要要求 AI 修改後，再回傳 完成 的版本。

最重要的是 -> 務必檢查結果。 AI 可能會自信地產出能執行但計數錯誤的程式碼。打開輸出影片，用肉眼確認方框是否正確標記在目標物體上，數字是否合理。這是你的責任，不是 AI 的。

第 4 部分：在 Google Colab 執行第一行程式碼 -> 逐步教學

這對初學者來說是最「可怕」的部分，但實際上只需 5 分鐘。學會一次就夠了。

1. 打開 colab.research.google.com（用 Google 帳號登入）→ 點擊 New notebook。
2. 你會看到一個空白框 -> 這就是一個 儲存格。這是放置程式碼的地方。儲存格左側是 ▶ 按鈕（執行）。
3. 將 腳本 0（安裝函式庫）貼到第一個儲存格，然後按 ▶。等待 20–60 秒 -> 會出現一長串文字，這是正常現象。
4. 取得測試影片。 最簡單的方式是使用內建的範例。建立一個新儲存格（點擊「+ Code」按鈕），然後執行：

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

或者上傳你自己的影片：

1from google.colab import files
2uploaded = files.upload()   # 選擇一個檔案；記住它的名稱，並在腳本中取代 input.mp4

• 將你需要的腳本（例如腳本 3）貼到一個新的儲存格。如有必要，修正輸入檔案名稱。按 ▶。
• 將結果下載到你的電腦：

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

如果出錯：

• 「No such file」/ 找不到檔案 -> 腳本中的影片名稱與實際檔案不符。檢查檔案名稱。
• 執行緩慢且卡頓 -> 開啟免費 GPU：選單 Runtime → Change runtime type → GPU。
• 任何紅色錯誤 -> 完整複製並交給 AI（黃金法則）。

第 5 部分：現成的腳本工具包

你不需要逐行理解這些腳本。執行它，如果出錯，就交給 AI。每個腳本都附有白話說明。

腳本 0 -> 安裝（務必先執行這個）

1!pip install ultralytics supervision -q

功能：安裝「眼睛」（YOLO）和「組合工具包」（Supervision）。每個工作階段只需執行一次。

腳本 1 -> 在影片中找出並標記物體

功能：在所有物體周圍畫出帶有標籤的方框。這是確認一切正常運作的基本檢查。

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # 「眼睛」模型，會自動下載
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")

腳本 2 -> 使用編號（ID）進行追蹤

功能：為每個物體分配一個持續的編號，並在物體出現在畫面中時保持該編號。這是計數和移動分析的基礎。

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")

腳本 3 -> 計數線穿越次數（主要的商業用途）

功能：計算有多少物體從每個方向穿越一條虛擬線。這正是「有多少訪客進入」或「有多少車輛經過」。

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# 計數線：根據你的影片調整座標（x, y，單位為像素）。
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    # 若只要計數人員 — 移除下方那行的 #（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}")

將計數結果儲存到檔案（你可以交給客戶）

在影片處理完成後，將以下內容加在最後：

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")

更困難的需求 -> 交給 AI（不要自己寫）

• 車輛速度估算：「基於 YOLO 和 supervision 函式庫，為 Google Colab 寫一個腳本，用於估算行車記錄器/道路攝影機影片中車輛的速度。請用白話詳細解釋如何為我的畫面設定透視參數。我不是程式設計師，請給我完整、可用的程式碼。」
• 計算區域內的數量（而非穿越線） -> 例如，等待區內有多少人：「請修改腳本，使其計算影片中一個矩形區域內的人數（使用 supervision 的 PolygonZone）。請提供完整程式碼，並解釋如何設定區域座標。」
• 自訂物體（標準模型中沒有的產品、瑕疵、動物）：在瀏覽器中透過 Roboflow 標記資料集，在那裡訓練模型，取得你的模型 ，然後請 AI 將其整合到腳本 3 中。

第 6 部分：作品集 -> 三個能賣錢的專案

作品集比學位更重要：在國際市場上，他們看的是 你展示的成果，而不是資歷。你需要 3 個針對真實市場的簡短展示。

去哪裡找免費的展示影片（無版權問題）：

• Supervision 內建的範例（見第 4 部分）-> 最快的開始方式。
• Pexels 和 Pixabay -> 免費的素材影片，包含人物、街道、車輛，授權可供使用。

三個專案：

1. 商店訪客計數。 腳本 3，加上只計數人員的篩選器，計數線設在入口。你展示：帶有方框和計數器的影片 + 最終數字。銷售對象：零售業、咖啡廳、購物中心。
2. 車輛計數與追蹤。 腳本 3，應用於道路/停車場影片。銷售對象：停車場營運商、道路服務、交通分析。
3. 透過 Roboflow 的自訂物體。 你標記一些非標準的物體（例如生產線上的瓶子，或瑕疵），並進行計數。這展示你能處理客戶的資料。銷售對象：製造業、倉儲、農業。

如何包裝每個專案：

• 錄製成果的展示影片（10–30 秒）。螢幕錄製輸出影片的播放畫面 -> 任何螢幕錄製軟體都可以，或者直接將短片以「不公開」方式上傳到 YouTube。
• 放到 GitHub 上（一個免費的程式碼與專案託管網站）。讓 AI 撰寫檔案和說明文字（README）：「用英文為一個影片訪客計數專案寫一份 README。分為：問題、解決方案的功能、使用的技術（YOLO、ByteTrack、Supervision）、如何在 Google Colab 中執行。簡短明瞭。」
• 可選 -> 一個線上展示。 你可以免費部署到 Hugging Face Spaces（一個讓你的展示在線上執行並可透過連結開啟的平台），或透過 Roboflow 的現成 API。這能大幅提升客戶的信任度。如何做 -> 問 AI。

第 7 部分：去哪裡找客戶以及如何報價

來自美國/歐洲的客戶以美元支付。主要的起步平台是 Upwork。

步驟 1. 你的 Upwork 個人檔案

標題應該是 狹義的專業領域，而不是泛泛的「AI 開發者」。範例（你可以直接使用）：

電腦視覺工程師

->

物體偵測、追蹤與人員/車輛計數

「個人簡介」文字 -> 英文範例：

我建立能偵測、追蹤和計數影片中物體的電腦視覺系統 -> 適用於零售業的人員計數、交通和停車場的車輛計數，以及製造業和庫存管理的自訂物體偵測。技術棧：YOLO、ByteTrack、Supervision、Roboflow、Python。我提供可運作的解決方案，包含標註後的輸出影片和可匯出的計數結果（CSV/報告）。請參閱下方的展示。告訴我你的使用案例，我會向你展示確切可行的方案。

在個人檔案的「作品集」部分 -> 放上你的三個展示，包含影片和 GitHub 連結。

步驟 2. 你的第一批評價

這在起步階段至關重要。以略低於市場行情的價格接下你的 前 3–5 個案子（例如每小時 $30–45 美元，而非 $60 美元以上），以快速獲得評價和評分。然後立即提高你的費率 -> 在獲得良好評價後仍維持低費率，等於是把錢留在桌上。

步驟 3. 回覆工作機會（提案）

不要寫一大段文字。結構化：「我理解任務 → 我已經做過這個 → 我將如何做以及費用。」英文範例：

您好！您需要在您的影片素材中計數 [人員/車輛] -> 我已經做過這個。這是我計數系統的 20 秒展示影片：[連結]。針對您的專案，我將：偵測並追蹤物體、設定計數線/區域，並提供您標註後的影片以及最終的計數報告。我可以在 [3–5] 天內交付第一個可運作的版本。我很樂意先免費為您測試一小段您的影片素材。

免費測試客戶的一小段影片，能消除一半的疑慮，並常常能促成交易。

步驟 4. 事先向客戶詢問的事項（避免出錯）

• 我們要計數/偵測的具體是什麼（人員、車輛、特定產品）？
• 影片來源是什麼：現成檔案、攝影機、線上串流（RTSP）？
• 需要什麼輸出：標註後的影片、表格中的數字、即時儀表板、警報？
• 可接受的準確度為何，以及截止日期是什麼時候？
• 預算是多少？

步驟 5. 價格與費用

• 按時計費： 從每小時 $30–45 美元開始（為了評價）→ 然後自信地朝市場行情邁進：初級 $50–80 美元、中級 $80–120 美元、高級 $120–200 美元以上。機器學習自由接案者的中位數費率約為每小時 $100 美元。
• 按專案計費（固定價格）： 一個簡單的統包計數系統，起價約 $300–1500 美元；較複雜的系統從 $5000 美元起，甚至更高（市場上，專案金額可達 $250k+）。
• Upwork 費用 -> 浮動 0–15%，通常約 10%（以每小時 $50 美元的費率計算，你實得約 $45 美元）。將此計入你的報價中。

步驟 6. 下一步發展方向

• Toptal -> 一個篩選率為前 3% 的平台，費率更高，客戶更優質。在你擁有作品集和評價後再前往。
• Fiverr -> 你可以設定一個「產品化服務」（例如：「我將為你的影片設定人員計數，費用為 $X」），並更被動地獲得案子。

第 8 部分：你的第一個 90 天計畫

如果第一個案子沒有馬上出現，不要氣餒 -> 這在起步階段很正常；這條路通常需要 1–3 個月的主動努力。

第 9 部分：收入基準（美元，2026 年）

電腦視覺市場正在成長：2024 年約為 220 億美元 → 預測到 2033 年約為 1110 億美元。需求對你有利。

第 10 部分：常見問題（FAQ）

我需要一台強大的電腦嗎？ 不需要。Google Colab 免費提供對雲端強大伺服器（含 GPU）的存取權限。你甚至可以用一台性能較弱的筆電或平板電腦來工作。

我需要付費使用任何東西嗎？ 基本上所有東西都是免費的：Colab（免費方案）、YOLO/Supervision（開源）、Roboflow（免費方案）、GitHub。只有當專案規模擴大時（付費 Colab/雲端服務），你才需要開始付費。

這合法嗎？ 工具本身 -> 是的，它們是開放且合法的。但當你處理真實的攝影機和人物時，會涉及隱私和資料保護法律。未經許可，請勿發布他人的影片素材，並與客戶討論他們擁有該資料的權利。

如果客戶的任務與腳本不符怎麼辦？ 這就是 AI 的用途：將任務分解成多個部分，並尋求協助。如果任務確實超出你的能力範圍，誠實地拒絕比搞砸截止日期要好。

第一筆收入會多快進來？ 實際來說 -> 從幾週到幾個月不等，取決於你的積極程度。這不是一個「印鈔按鈕」，而是一項你需要去銷售的技能。

我需要數學和理論知識嗎？ 對於這條 AI 輔助的路徑 -> 不需要。當你未來想承接更複雜的專案或進入全職工作時，了解基礎知識會有所幫助。

它能即時運作 / 處理即時攝影機畫面嗎？ 免費的 Colab 足以應付展示和處理檔案。對於線上串流（RTSP）和即時處理，你需要更多資源 -> AI 會告訴你如何設定。

第 11 部分：不要做的事

• 不要在你還無法「交付成果」之前就進入市場。 「它能在我的機器上跑」是不夠的 -> 客戶需要一個明確的結果（影片 + 數字 + 一份簡短報告）。
• 不要完全照抄純教學內容。 你需要基於自己的影片和特定利基市場的展示。
• 不要卡在低費率上。 在獲得第一批評價後就提高它。
• 不要盲目相信 AI 的程式碼。 務必打開結果，用肉眼檢查計數是否正確。
• 不要分散精力 在「泛 AI」領域。一個狹義的專業領域（計數/追蹤/影片分析）能賣得更好，也更容易被理解。

第 12 部分：詞彙表

• 模型 -> 一個經過訓練的程式，能夠辨識特定事物（例如，YOLO 可以辨識物體）。
• 資料集 -> 一組讓模型學習的圖像或影片。
• 標記 / 標註 -> 用滑鼠在圖像中框出需要的物體，讓模型知道要尋找什麼（在 Roboflow 中完成）。
• 邊界框 -> 圍繞偵測到之物體的矩形框。
• 類別 -> 物體的類型，例如：「人」、「車」、「瓶子」。
• 信心水準 -> 模型對偵測結果的確信程度（範圍從 0 到 1）。
• 推論 -> 模型實際運行並辨識出物體的時刻（相對於訓練）。
• 訓練 -> 模型根據你的任務從資料集中學習的過程。
• 追蹤 / ID -> 用一個持續的編號在連續畫面中追蹤單一物體。
• API -> 一種「透過網路」存取模型的方式：傳送一張圖片，獲得結果，而無需自己編寫模型程式碼。
• FPS -> 每秒幀數；數值越高，影片處理就越接近「即時」。
• RTSP -> 監視攝影機即時串流的格式。
• GPU -> 顯示卡中的強大處理器；它能加速模型運算（在 Colab 中可免費使用雲端 GPU）。

所有數字均為 2026 年的市場基準，實際情況取決於你的能力水準、專業領域以及特定的客戶或雇主。

每一位讀過這篇文章並想嘗試的人，我祝你們成功 🩷

把它加入書籤，以免弄丟