企业官网建设流程全解析

OpenCV 入门已经是个老话题了，网上教程多如牛毛，但很多都是从 copy 代码开始，到报错结束。我当年入门时也踩过不少坑，尤其是环境配置、路径问题、摄像头打不开这类基础坎，卡住一次就能劝退一大半人。所以我想写一篇真正面向零基础的实战教程，从环境搭建到图片处理、视频处理，一步步带着你跑通，并且把那些容易踩的坑提前指出来，希望能帮你少走点弯路。

这篇内容适合完全没接触过 OpenCV 的初学者，也适合那些装好了环境但不知道从哪里下手的同学。我会结合自己实际调试项目时积累的经验，用尽量通俗的方式讲清楚 OpenCV 的核心套路：图像不过是一堆数字矩阵，视频不过是一帧一帧的图片，尤其是 BGR 通道顺序、waitKey 等待逻辑、VideoCapture 打不开资源这些问题。看完之后，你不仅能跑通示例，还能自己动手改代码，做点小应用。

1. 环境准备：用对工具才能少踩坑

说句实在话，OpenCV 入门最大的门槛不是算法，而是环境安装。我当年搞了一下午，就卡在安装这一步。所以先把环境弄利索，后面的实战才有意义。

1.1 语言选型：Python 还是 C++

OpenCV 官方支持 Python、C++、Java 等多种语言。对于零基础入门，我强烈建议直接用 Python。原因很简单：语法接近自然语言，不需要手动管理内存，而且和 NumPy、Matplotlib 这些科学计算库无缝配合。你用 Python 写一行cv2.imread()，C++ 可能需要十行才能完成同样的功能。这并不意味着 C++ 不重要，恰恰相反，部署到嵌入式设备和追求极致性能时，C++ 是不可替代的，包括你在网上搜到的树莓派安装 OpenCV、ubuntu 配置 OpenCV，很大比例是在处理 C++ 编译环境。但那是第二个阶段的事，入门阶段别用编译源码折磨自己。

另外一个常见问题是：Halcon 和 OpenCV 有什么区别？Halcon 是商业机器视觉软件，价格不菲但封装了很多工业场景的算子，适合产线视觉检测；OpenCV 是开源免费、社区庞大的通用视觉库，灵活度和生态都更好。对零基础学习者，OpenCV 是毫无疑问的最优选择，成本低、资料多、试错空间大。

1.2 安装 OpenCV 的正确姿势

Python 环境下安装 OpenCV，最常见的坑是装错包。你搜索“安装 opencv”时，会看到opencv-python、opencv-contrib-python、opencv-python-headless好几种名字。这几个包很容易把人绕晕，我简单帮你理一下：

• opencv-python：最基础、最常用的版本，包含 OpenCV 主模块，绝大多数入门场景用这个就够。
• opencv-contrib-python：在基础版本上额外包含 contrib 扩展模块，像 SIFT、SURF 这些经典特征算法都在里面。如果你后续做特征匹配、物体识别，建议直接装这个，省得以后升级切换。
• opencv-python-headless：不带 GUI 的服务器版本，不依赖图形界面库，适合跑在服务器的 Docker 环境里。本地学习不要装这个，否则显示图像时会有麻烦。

我个人的建议是，直接用pip install opencv-contrib-python。因为 contrib 版本是基础版超集，既能用主模块，又能用扩展算法，省得以后做特征匹配项目时还要重装。安装命令如下：

pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple

这里我特意用了国内镜像源，因为直接访问官方 PyPI 源速度可能很慢，甚至超时。清华源是实测速度最稳的镜像之一。安装完成后，强烈建议验证一下环境，新建一个 Python 文件，写下面这段：

import cv2 print(cv2.__version__)

如果你能成功输出版本号，比如4.10.0，那么恭喜，OpenCV 的核心环境已经装好了。如果这一步报错ModuleNotFoundError: No module named 'cv2'，通常是你装到了另一个 Python 环境里，或者 pip 命令对应的不是同一个解释器。最常见的解决方法是改用python -m pip install opencv-python，这样能确保装到你正在使用的 Python 解释器里；检查了一下实际环境，这个问题有九成是虚拟环境混淆导致的，我建议你在一个干净的虚拟环境里从头操作一遍。

注意：cv2是 OpenCV 在 Python 中的模块名。不管是opencv-python还是opencv-contrib-python，导入时用的都是import cv2，这个名称沿用了 OpenCV 1.x 时代的命名习惯，一直保留到今天。

1.3 其他主流环境的安装思路

如果你是在 Linux 服务器或树莓派上折腾，pip install opencv-python同样适用，但树莓派官方系统有时会因为缺少依赖库报错。这时候先用一句命令把基础依赖补齐：

sudo apt-get update sudo apt-get install -y libopencv-dev python3-opencv

python3-opencv是 Ubuntu/Debian 的官方软件源里预编译好的版本，虽然版本可能不是最新，但胜在稳定，系统库和依赖都帮你处理好了。而 Windows 上的坑主要在 vs2022 安装什么版本的 OpenCV，如果你只是用 C++ 做课后练习，直接去官网下载对应 Windows 版本的预编译包，解压后配置好环境变量就行。记住，只需要在系统变量 Path 里添加D:\opencv\build\x64\vc16\bin这样的路径，然后在 VS 的项目属性里配置附加包含目录和附加库目录。新手最容易忽略的是调试器选 x64，默认的 x86 会导致链接库位数不匹配，报一堆无法解析的外部符号错误。

2. 图片处理基本功：读取、显示、保存

环境弄好之后，就可以开始正经的 OpenCV 图像处理了。OpenCV 处理图像的本质，就是处理数字矩阵。一张灰度图其实是一个二维数组，每个元素代表一个像素点的亮度，取值从 0（黑色）到 255（白色）；一张彩色图则是一个三维数组，多出来的维度就是颜色通道。掌握这个思维，你就理解了一半的 OpenCV。

2.1 读取图片：路径与颜色通道的坑

读取图片是入门第一课，也是最容易出问题的环节。我用一个实际例子说明：

import cv2 img = cv2.imread("photo.jpg") print(type(img)) # <class 'numpy.ndarray'> print(img.shape) # (高度, 宽度, 通道数)，如 (720, 1280, 3) print(img.dtype) # uint8，像素值的类型

imread返回的是一个 NumPy 数组，这是 OpenCV 和 Python 生态结合的核心点。你可以用 NumPy 的切片、索引、数学运算直接操作图像，完全不需要自己去写像素循环。

这里有三个新手最容易踩的坑：

第一个坑是路径问题。在 Python 字符串里，\是转义字符，如果你在 Windows 上写cv2.imread("C:\Users\test\photo.jpg")，会被解析成奇怪的东西，读取结果变成 None。解决办法是使用正斜杠C:/Users/test/photo.jpg，或者把字符串写成原始字符串r"C:\Users\test\photo.jpg"。更省心的做法是把图片放到代码同级目录，直接用文件名photo.jpg。

第二个坑是颜色问题。OpenCV 读进来的彩色图，通道顺序是 BGR 而不是常见的 RGB。你在屏幕上看到的图颜色正常，是因为 OpenCV 显示函数内部也遵循同样的 BGR 顺序，但在和其他库对接时就会出问题。比如你用 matplotlib 的plt.imshow()直接显示 OpenCV 读入的图，会发现红蓝互换，画面变得很诡异。解决办法是使用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换后再显示。这一点记住，包括执行物体识别、目标检测时，模型预处理常常也要注意颜色通道顺序，不然识别结果总是不对劲。

2.2 像素操作、裁剪与灰度转换

既然图像是 NumPy 数组，那么裁剪、区域提取、像素修改就非常灵活。比如你想把图片左上角 100x100 的区域变成纯白色，直接切片加赋值就能完成：

img[0:100, 0:100] = (255, 255, 255)

这里第一个维度是 y 坐标（高度方向），第二个维度是 x 坐标（宽度方向），刚上手时特别容易搞反。我建议你用一个小习惯来防止这种错误：先看img.shape，记住它返回的顺序是(高度, 宽度, 通道数)，然后切片时按这个顺序来写。

灰度转换是入门必会的操作。把彩色图转成灰度图，本质上是在做通道加权合并，OpenCV 内部按0.299R + 0.587G + 0.114B这样的权重计算亮度值。这样处理的好处是数据量直接从三维降到二维，后面很多图像处理算法（边缘检测、轮廓提取等）都主要针对灰度图或二值图运行，运算速度更快、干扰更少：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

再进一步，还能转成二值图。比如把灰度大于 127 的像素变成白色 255，小于等于 127 的变成黑色 0，这就是所谓的阈值分割。它是很多图像处理项目的基础步骤，比方说你拍了一张纸上的文字照片，先转灰度、再阈值化，白纸黑字就会变成纯粹的黑白两色，后续轮廓检测会容易很多倍。

提示：cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)是最基础的固定阈值方法，适合光照均匀的图片。如果你拍的图片明暗不均，需要考虑自适应阈值cv2.adaptiveThreshold，效果会好很多。这也是为什么网上很多“OpenCV 图像处理项目”的实战案例都会首先做灰度化和二值化，因为这是把复杂图像问题简化的关键一步。

2.3 显示与保存：waitKey 的玄机

初学者经常在显示这一环节卡住。窗口弹出来一下就没了，或者程序卡住不动，都是同一个原因造成的——waitKey的机制没搞明白：

cv2.imshow("window", img) cv2.waitKey(0) cv2.destroyAllWindows()

waitKey(0)的含义是无限等待键盘输入，参数单位是毫秒。窗口显示之后真的需要一个事件循环来持续刷新画面，而 waitKey 就是驱动这个事件循环的引擎。你把 waitKey 去掉，窗口闪一下就消失，逻辑上其实很容易理解：程序执行完就直接退出了，窗口还没来得及显示画面就被系统回收。而如果你写cv2.waitKey(30)，则意味着每 30 毫秒刷新一次界面。

waitKey 的返回值也很重要。它返回按键的 ASCII 码，比如按 q 键退出，标准写法就是：

key = cv2.waitKey(1) & 0xFF if key == ord('q'): break

后面的& 0xFF是为了兼容不同平台的返回值位数，算是 OpenCV 的一个老传统，照着写就好。保存图片用cv2.imwrite("out.jpg", img)，但要注意中文路径在部分旧版本 OpenCV 上不支持，会静默失败。建议所有路径都统一用英文和数字，这是我在实际项目里踩过坑之后总结出来的经验。

3. 视频处理：一帧一帧地看世界

图片处理搞明白之后，视频处理就顺理成章了。视频本质上就是快速切换的连续图片序列，你在电视上看到的 50 帧每秒的节目，其实就是每秒播放 50 张静止图片，进度条在飞快地切图而已。所以 OpenCV 处理视频的思路和图片高度一致：视频的每一帧都是一张图像，视频处理就是循环地读取帧、处理帧、输出帧。

3.1 读取摄像头与本地视频文件

使用摄像头和读取视频文件用的是同一个 API——VideoCapture，只是参数不同。这个 API 设计得很巧妙，像是一个统一的读取接口：传数字 0 代表打开第一个摄像头，传视频文件路径则代表读取文件。

# 读取摄像头 cap = cv2.VideoCapture(0) # 读取视频文件 cap = cv2.VideoCapture("test.mp4")

打开之后，要检查一下是否成功，否则可能是摄像头被占用，或者文件路径写错了：

if not cap.isOpened(): print("无法打开摄像头/视频文件") exit()

一切正常之后，就进入标准的读取循环。下面的代码演示了实时显示摄像头画面的基本框架：

while True: ret, frame = cap.read() if not ret: break cv2.imshow("Camera", frame) if cv2.waitKey(25) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

cap.read()返回两个值：ret是布尔值，表示是否成功读到一帧；frame是这一帧的图像数组。在视频文件正常播放结束前ret会变为 False，循环就该结束了。这套框架的意义在于，frame拿到手里，你就可以用第二节学的所有图片处理函数去处理它。你在网上看到的“OpenCV 识别物体”“实时人脸检测”等视频项目，本质上都是在这个循环里对 frame 做各种算法处理。视频里的运动目标检测，也是逐帧做差分、做背景建模，再结合图像处理算法来完成的。

3.2 摄像头打不开？常见原因排查

摄像头打不开是把很多新手卡住的经典问题，我自己也在这里折腾了很久。责任通常不在代码本身，而在使用环境。最常见的几种情况是：

• 摄像头被其他软件占用：浏览器、会议软件、手机模拟器后台都在抢占摄像头，OpenCV 自然就打不开。
• 笔记本摄像头权限没开启：在 Windows 的隐私设置里，需要允许桌面应用访问摄像头，否则不管怎么调参都是黑屏。
• 虚拟机环境里未把物理摄像头映射到虚拟机系统：如果你是在虚拟机里跑代码，还得在虚拟机设置里把 USB 摄像头或集成摄像头添加进去，操作上比较复杂。
• 摄像头编号不对：VideoCapture(0)打开的是默认摄像头，如果你有外接摄像头，可能需要改成VideoCapture(1)或VideoCapture(2)。

排查时，我建议写一个简单的脚本逐个编号测试：

for i in range(3): cap = cv2.VideoCapture(i) if cap.isOpened(): ret, frame = cap.read() if ret: print(f"摄像头 {i} 可以正常使用") cap.release()

这个脚本我用了很多次，非常实用，比在代码里反复改编号测试要高效得多。等确认了哪个编号有效，再把这个编号填进正式代码里。如果你把上面所有方法都试了一遍还是黑屏，还有一个可以快速分辨问题原因的办法：用系统自带的相机应用打开测试摄像头。如果系统相机正常但 OpenCV 打不开，那就是权限或者占用问题；如果系统相机也打不开，那就是硬件或驱动问题。循着这个方向排查，思路清晰很多。

3.3 保存视频：编码器的选择

处理完视频流之后，往往需要保存结果。OpenCV 保存视频需要指定编码器，这里也有很多小名堂：

fourcc = cv2.VideoWriter_fourcc(*'XVID') out = cv2.VideoWriter("output.avi", fourcc, 30.0, (width, height))

fourcc是四字符编码格式，XVID对应 MPEG-4 编码，MP4V对应 MP4 格式，MJPG是 Motion JPEG，兼容性好、文件稍大。新手最容易犯的错误是把VideoWriter的尺寸和原视频尺寸写得不一致，比如原视频是 1280x720，你随手写了(640, 480)，打开输出文件时要么报错要么画面异常。正确做法是直接从源视频读取宽高：

width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

另一个要注意的点是VideoWriter的 fps 最好也沿用源视频的帧率，不然保存出来的视频会出现变速播放的效果，画面忽快忽慢，整体观感是变调的。我自己测试时发现，用VideoWriter_fourcc(*'mp4v')搭配.mp4后缀是最稳妥的组合，播放兼容性很好。需要注意，VideoWriter_fourcc(*'XVID')中的*号是把字符串解包成四个独立的字符参数，你直接写'XVID'字符串进去是识别不出来的，必须加*。这个语法糖让我刚学时困惑了很久，现在想想还挺好笑，其实是 Python 函数传参的基础知识。

4. 图形界面交互与进阶玩法思路

跑通了显示和保存，很多朋友会想做一些带交互的小项目，比如用鼠标在图像上画框选区域、按键切换滤镜模式等。这些其实并不难，它能让你的 OpenCV 项目从“控制台脚本”升级为真正可操作的小工具，对后续做项目实践很有帮助。

4.1 鼠标回调、滑块与按键控制

OpenCV 的窗口系统自带一套简单的交互机制，你可以给窗口注册鼠标事件回调函数。实现思路是先定义一个普通函数，函数签名固定为(event, x, y, flags, param)，然后通过cv2.setMouseCallback("window", callback)绑定到窗口。当你在窗口上按下、拖动、松开鼠标时，OpenCV 就会调用这个函数并传入对应的事件类型和坐标。举例说，如果你希望用户在图像上用鼠标拖出一个矩形框来标注区域，你就可以在回调函数里记录按下时的起点坐标和松开时的终点坐标：

def on_mouse(event, x, y, flags, param): if event == cv2.EVENT_LBUTTONDOWN: print(f"按下坐标：({x}, {y})") elif event == cv2.EVENT_MOUSEMOVE and flags == cv2.EVENT_FLAG_LBUTTON: print(f"拖动中：({x}, {y})") cv2.setMouseCallback("window", on_mouse)

鼠标回调的意义在于，它把 OpenCV 从“批处理”工具变成了“交互式”工具。你在网上看到的目标检测 demo 里，用户画框选目标区域，背后基本都是这套机制。滑块控件cv2.createTrackbar则很适合做参数实时调节，比如实时调节图像处理的阈值，让你直观看到不同参数对结果的影响，这种调试方式比反复改代码重跑快太多了。我建议你早点掌握这三个交互手段：鼠标回调、按键事件、滑动条。也许它们看起来和“图像处理”没关系，但碰到实际项目时能解决大问题。

4.2 小试牛刀：实时边缘检测演示

把交互和图像处理结合起来，可以做一个实时边缘检测的小工具。Canny 边缘检测是最经典、最简单有效的边缘提取算法，用几十行代码就能实现一个实时版本的演示。核心思路是在视频循环里，对每一帧先转灰度、高斯模糊去噪，再用cv2.Canny提取边缘，最后把原图和边缘图拼接显示。如果你加两个滑动条来调节 Canny 的两个阈值参数，你就能非常直观地感受到阈值变化对边缘提取效果的影响。运行效果很有意思，你把摄像头对准自己的手、对准桌上的钥匙，边缘图里线条勾勒的轮廓清晰分明，这种直观反馈特别适合建立对图像处理的信心。

其实到这里，你已经完整掌握了 OpenCV 的核心工作流：图像作为矩阵来处理，视频就是帧的循环，交互就是事件循环配合回调。后续进阶方向比如目标检测、物体识别、人脸比对，乃至在树莓派上部署摄像头项目，用的都是这套底座。

5. OpenCV 项目实战：识别物体到底要做什么

很多初学者看完入门教程会问：为什么我能显示图像、能截取视频帧，但做物体识别还是没头绪？OpenCV 里加载一张图片容易，但让程序判断出图片里是一把椅子还是一只猫，就是完全不同的逻辑了。

5.1 传统视觉方法与深度学习的边界

在网上搜索“opencv 识别物体”时，大量结果会引导你去用 Haar Cascade、HOG+SVM 这些传统方法，或者引导你直接上深度学习模型比如 YOLO、SSD。这两条路有本质区别。传统方法靠人手动设计特征：颜色、边缘、纹理、角点，然后用统计分类器判断；深度学习则是把大量样本喂给神经网络，让它自动学习特征。以前做物体检测确实得从 Haar、HOG 起步，但现在已经不是最优路径了。深度学习模型精度更高，且对未知场景泛化能力强很多。

我建议初学者把 OpenCV 当作“图像处理基础设施”，把物体识别当成一个独立的领域去学习。具体到实践路线，你可以先在 OpenCV 里完成数据预处理：统一图片尺寸、做数据增强（旋转、缩放、颜色抖动）、调整亮度对比度。这些步骤用你已经学会的图像处理知识就能完成，同时又为后续目标检测模型训练打下了坚实基础。等到模型训练好之后，你再用 OpenCV 的dnn模块加载模型、执行推理、绘制检测框，整个流程就串起来了。

5.2 特征检测与 solvePnP 这些词是什么意思

在学习过程中，你大概率会遇到 SIFT、ORB、solvePnP 这些概念。SIFT 和 ORB 是特征点提取算法，作用是找到图像中具有代表性的关键点，并用一个描述子向量来表征这些点的特征。它们最常见的应用场景是拼接全景图、图片检索、双目视觉匹配等。而cv2.solvePnP是一个相机位姿估计函数，输入是 3D 世界坐标点和它们对应的 2D 图像坐标点，输出是相机的旋转向量和平移向量。说得直接一点，solvePnP 能够帮助你判断一个已知大小的物体在相机面前处于什么姿态——这就是增强现实（AR）和机器人抓取任务的核心基础。如果你以后要做二维码定位、工件抓取、AR 贴图，这个概念你会频繁打交道。它不属于入门必学内容，但了解它对你的整体知识框架很有帮助，下次看到相关术语不至于一头雾水，并且能帮你明确自己进阶的方向。

提示：特征提取类算法 SIFT、SURF 在 OpenCV 主模块里已经移除了，需要安装opencv-contrib-python并显式调用cv2.SIFT_create()。这也是我一开始推荐 contrib 版本的原因。网上很多老教程用的还是cv2.xfeatures2d.SIFT_create()，在新版本里已经跑不通了，直接用新写法即可。

6. 常见报错与问题排查实录

开发 OpenCV 项目时，报错信息本质上是在告诉你三层问题：环境层面的依赖缺失、接口层面的调用方式不对、数据层面的值不符合预期。我把新手最常遇到的报错整理成一份速查表，按严重程度从上往下排，有同样问题可以直接对照。

6.1 环境类报错速查

你可能注意到，第一项报错ModuleNotFoundError: No module named opencv其实是拼写问题，正确的导入名是cv2而不是opencv。不少朋友照博客敲代码，把import opencv写成import cv2，少看了个注释，结果在网上搜了很久。这是新手阶段最容易踩的低级错误之一，非常真实。

6.2 调参与逻辑类问题的经验沉淀

除了报错，还有一类不报错但结果很怪的问题，堪称隐形坑。比如图像显示出来是全黑的，其实可能是你显示的是单通道灰度图，但用三通道窗口去显示；又比如你用imshow后立刻接了一个耗时的图像处理操作，窗口显示会变得很卡顿，原因是没有给窗口刷新的机会。还有一个很实际的问题：视频处理循环特别慢，原因通常是每一帧都做高分辨率 + 多步骤处理，可能还嵌套了不必要的循环。我处理这种问题通常先降分辨率，比如把 frame 缩放到原来一半大小来处理，速度立刻能提升好几倍，等你确认算法正确后再逐步调大尺寸。

判断图像处理算法的正确性时，有个非常有效的调试手段：把处理过程中的中间结果用imshow展示出来，或者用imwrite写进硬盘查看。很多朋友一上来就追求最终结果，中间过程是黑盒，出了问题完全不知道哪一步错了。我的习惯是“分步可视化”——灰度图看一眼，二值图看一眼，边缘图看一眼。别嫌麻烦，这一步省下的是调参和排查的一个小时。

6.3 编译 OpenCV 还是直接用现成库

搜索资料的你可能会看到“编译 opencv”这样的教程。编译源码在树莓派、嵌入式开发或者生产环境定制编译选项时确实有必要，因为官方预编译包无法覆盖所有硬件平台。但如果你只是初学者，在普通电脑上做学习项目，完全没有必要折腾源码编译。我见过太多人在这个环节上花了一整天，最后身心俱疲，其实对学习本身并没有太大帮助。这里有个边界问题：你不清楚什么时候该用源码安装、什么时候该用 pip。如果你不是搞嵌入式、不是特殊架构平台，也不是需要修改 OpenCV 源码深度定制，那用预编译包稳很多。等到真正需要时，再花时间读官方文档里的BUILD指南也不迟。

7. 写在最后的个人体会

如果你能跟着文章跑通图片读取、图片保存、摄像头打开、视频写入这四件事，你的 OpenCV 入门阶段就算顺利迈过去了。我在实际辅导新手的过程中，最常遇到的状况恰恰是卡在环境安装或摄像头占用问题上，代码反而是最难出问题的地方。所以不要觉得是自己笨，这很正常，熟练之后你会发现这些坑也就是那几类，闭着眼都能绕开。

以一个过来人的身份分享一个小技巧：学 OpenCV 最好的方式不是按部就班地学完整本教程，而是找一个具体小项目直接上手，比如做一个“实时滤镜相机”或“课间游戏中的运动检测器”。在完成项目的过程中，你会不断地查找函数、阅读文档、调试代码，这个过程获得的经验比单纯抄十篇教程深刻得多。我自己第一次真正理解 BGR 通道顺序，就是在做一个色块识别项目时发现的，自己调出来的认知永远不会忘。

OpenCV 能做的事情很多，从简单的图像处理、视频处理，到进阶的目标检测、姿态估计，到部署到树莓派做真实场景应用，就像一片足够广阔的森林。但所有复杂项目的基本功，还是读写图像、处理帧、调参数、看报错这些今天的核心操作，基础越扎实，后面进阶越快。希望你读完这篇内容后可以关上页面，立刻打开编辑器敲下第一行代码。动手这件事，比收藏十篇教程更有用。