如何用 AI 和计算机视觉月入 11,000 美元

给零编程基础新手的一份完整指南。

面向国际市场，收入按美元计算。

如何使用这份指南。 按顺序读。

第 1–3 部分帮你理解这件事到底是什么，以及该怎么思考。

第 4–5 部分是实操：你会跑起第一段代码。

第 6–8 部分讲怎么把这项技能变成收入。

最后有常见问题和术语表（遇到不懂的词，就去那里查）。

这是什么，以及为什么有人愿意付钱
你的工具 -> 它们是什么、为什么需要它们（通俗解释）
如何跟 AI 协作 -> 你的主要技能不是编程
在 Google Colab 跑起第一段代码 -> 分步指南
现成脚本包（附每个脚本的用途说明）
作品集 -> 三个能卖钱的项目
去哪里找客户，以及该收多少钱（附英文模板）
你的前 90 天计划
收入基准
常见问题（FAQ）
不要做什么
术语表

第 1 部分。这是什么，以及为什么有人愿意付钱

计算机视觉（Computer vision） 是一种让计算机能「看」照片或视频，并理解里面有什么的技术：有哪些物体、它们在哪里、往哪儿移动、数量是多少。本质上，它做的是人眼和大脑做的事 -> 只是变成了自动化，而且可以同时处理任意数量的摄像头。

开头那四个视频不是玩具教程 -> 它们是 四个真实的商业任务：

物体计数 -> 仓库、库存、存货管理。
追踪并统计人/车辆 -> 商店（进来多少人）、道路（经过多少车）。
速度估算 -> 交通执法、道路和工地安全。
体育分析 -> 追踪球员、拆解比赛（这是一个很大的行业）。

企业一直在为这类东西付钱：零售、安防、道路交通、制造业（缺陷控制）、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这个？ 因为出现了两样东西：

现成工具，已经会「看」了（不用你自己发明 -> 你只要运行它们）。
AI 助手，可以替你写代码、修代码。

这件事以前需要有多年经验的工程师。现在你的工作是 把现成模块拼起来，并向 AI 说清楚你需要什么。

坦白说，哪条路真的更走得通：

这条路 最适合 做 自由职业和交钥匙项目 -> 你给客户搭一个能用的系统（比如访客计数），按结果收钱。这是主路线（下文的 Path B）。
去公司做全职工程岗位 更难、更慢：面试时他们还是会让你现场写代码，光靠 AI 不够。通常是先有项目经验，再往那条路走（Path A）。

换句话说，钱来得最快的方式，是 客户为完成的工作付费，不是等大公司给你 offer。

第 2 部分。你的工具 -> 它们是什么、为什么需要它们

别被这些名字吓到。用大白话说，它们分别是：

YOLO -> 「眼睛」。一个现成模型，能在图像里找到物体，给它画框并打标签（「person」「car」）。一行命令就能下载，马上能用。
ByteTrack -> 「记忆」。YOLO 自己是每一帧都从头看。ByteTrack 会把不同帧里的物体串起来，并给它们编号（ID），所以它知道：第 1 秒的这个人和第 5 秒的那个人是同一个人。没有它，你就没法计数，也没法测运动。
Supervision -> 「积木箱」。一个现成模块库：画框、加计数线、定义区域、统计穿越次数。它把「模型看到了物体」变成「程序统计进出」。
Roboflow -> 「几乎无代码的平台」。在浏览器里，你用鼠标标注数据，点几下就能训练模型，然后得到现成 API。而且 Roboflow Universe 里有成千上万个已经训练好的模型 -> 很多时候你根本不用训练，直接拿一个现成的就行。
Google Colab -> 「浏览器里的电脑」。一个免费环境，代码跑在 Google 的服务器上。你不需要强力电脑，也不用安装任何东西：打开页面、粘贴代码、点按钮。
AI 助手（Claude、ChatGPT、Gemini）->「你的程序员」。它会为你的任务写代码、改代码、修错误。如果你想做一个真正的应用，还有 Cursor -> 这是一个编辑器，AI 几乎可以自己写完整个代码。

它们怎么配合（流水线）：

视频 → YOLO 找到物体 → ByteTrack 给物体编号 → Supervision 按线/区域统计 → 你得到结果（标注后的视频 + 数字）。这一切都跑在 Colab 里，代码由 AI 来写和修。如果你需要识别非标准物体，就在 Roboflow 里训练一个模型。

第 3 部分。如何跟 AI 协作 -> 你的主要技能

在这套流程里，你真正的技能不是 Python -> 而是 清楚地向 AI 说明任务，并把各个模块拼起来。这就像跟一个很能干的助手共事：任务说得越清楚，结果越好。

黄金规则： Colab 抛出的任何错误，你都 完整复制，交给 AI -> 它会针对当前版本的库来修代码。版本会变，代码有时会坏 -> 这很正常，AI 就是用来处理这个的。永远不要自己坐在那里死磕错误。

覆盖 90% 任务的 prompt 模板：

为自己改脚本：「这是一个使用 supervision 库、可以运行的 Python 脚本：[粘贴代码]。我不是程序员。请把它改成只统计人，不统计所有物体。返回完整代码。」

修错误：「我在 Google Colab 里运行了这段代码：[粘贴代码]，得到这个错误：[粘贴完整错误文本]。请针对当前版本的库修好代码，并返回完整的修正版。」

理解代码在做什么：「用通俗的话解释这个脚本在做什么，以及我会看到什么输出，不要用行话。」

针对具体视频调参数：「帮我为一个宽 1280、高 720 的视频设置计数线坐标。计数线应该水平穿过画面中心。」

加新功能：「基于这个脚本，增加按类型分别计数：经过了多少辆小汽车、多少辆卡车。返回完整代码。」

写文本（简历、README、客户方案）：「为我的 GitHub 写一段简短的英文访客计数项目介绍：问题是什么、解决方案是什么、用了哪些技术、怎么运行。」

新手跟 AI 协作时常犯的错误：

只给 AI 一小段代码，而不是完整代码 -> 它只能盲修。给它整个脚本。
只写「跑不起来」，不粘错误文本。永远粘贴 完整错误。
自己随手乱改代码。不要这样 -> 让 AI 做修改，并返回 完整可用 的版本。

最重要的是 -> 永远检查结果。 AI 可能很自信地写出能运行、但数错东西的代码。打开输出视频，用眼睛确认框是不是框在正确物体上，数字看起来是否合理。这是你的责任，不是 AI 的责任。

第 4 部分。在 Google Colab 跑起第一段代码 -> 分步指南

这对新手来说是「最吓人」的部分，但实际上只要 5 分钟。弄懂一次就行。

打开 colab.research.google.com（用 Google 账号登录）→ 点击 New notebook。
你会看到一个空框 -> 那是一个 cell。代码就放在那里。cell 左边有 ▶ 按钮（运行）。
把 Script 0（安装库）粘到第一个 cell 里，然后点 ▶。等 20–60 秒 -> 会有很多文本滚出来，这是正常的。
拿一个测试视频。 最简单的方式是用内置样例。新建一个 cell（点「+ Code」按钮），运行：

from supervision.assets import download_assets, VideoAssets
path = download_assets(VideoAssets.PEOPLE_WALKING)
print("Video downloaded:", path)   # this is the file people-walking.mp4

或者上传你自己的视频：

from google.colab import files
uploaded = files.upload()   # pick a file; remember its name and put it in the script instead of input.mp4

把你需要的脚本（比如 Script 3）粘到新的 cell 里。必要时改好输入文件名。点 ▶。
把结果下载到你的电脑：

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

如果出了问题：

「No such file」/ file not found -> 脚本里的视频名和真实文件名不一致。检查文件名。
很慢、很卡 -> 打开免费 GPU：菜单 Runtime → Change runtime type → GPU。
任何红色错误 -> 完整复制，交给 AI（黄金规则）。

第 5 部分。现成脚本包

你不需要逐行理解这些脚本。先跑起来；如果有错误，就交给 AI。每个脚本都附有通俗解释。

Script 0 -> 安装（永远先跑这个）

!pip install ultralytics supervision -q

它做什么：安装「眼睛」（YOLO）和「积木箱」（Supervision）。每个 session 做一次。

Script 1 -> 在视频里找出并标注物体

它做什么：给所有物体画框并加标签。这是最基础的检查，用来确认一切能正常工作。

from ultralytics import YOLO
import supervision as sv

model = YOLO("yolov8n.pt")          # the "eye" model, downloads automatically
box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

def callback(frame, index):
    results = model(frame)[0]
    detections = sv.Detections.from_ultralytics(results)
    labels = [f"{results.names[c]} {conf:.2f}"
              for c, conf in zip(detections.class_id, detections.confidence)]
    out = box_annotator.annotate(frame.copy(), detections=detections)
    out = label_annotator.annotate(out, detections=detections, labels=labels)
    return out

sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
print("Done: output_detect.mp4")

Script 2 -> 带编号（ID）的追踪

它做什么：给每个物体分配一个持续编号，并在物体还在画面里时一直保持这个编号。这是计数和运动分析的基础。

from ultralytics import YOLO
import supervision as sv

model = YOLO("yolov8n.pt")
tracker = sv.ByteTrack()
box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

def callback(frame, index):
    results = model(frame)[0]
    detections = sv.Detections.from_ultralytics(results)
    detections = tracker.update_with_detections(detections)
    labels = [f"#{tid}" for tid in detections.tracker_id]
    out = box_annotator.annotate(frame.copy(), detections=detections)
    out = label_annotator.annotate(out, detections=detections, labels=labels)
    return out

sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
print("Done: output_track.mp4")

Script 3 -> 统计穿线次数（最主要、最商业化的那个）

它做什么：统计有多少物体从两个方向穿过一条虚拟线。这正是「进来了多少访客」或「经过了多少辆车」。

from ultralytics import YOLO
import supervision as sv

model = YOLO("yolov8n.pt")
tracker = sv.ByteTrack()

# Counting line: tune the coordinates (x, y in pixels) to your video.
line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))

box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()
line_annotator = sv.LineZoneAnnotator()

def callback(frame, index):
    results = model(frame)[0]
    detections = sv.Detections.from_ultralytics(results)

    # TO COUNT ONLY PEOPLE — remove the # on the line below (0 = person):
    # detections = detections[detections.class_id == 0]

    detections = tracker.update_with_detections(detections)
    line_zone.trigger(detections)
    labels = [f"#{tid}" for tid in detections.tracker_id]
    out = box_annotator.annotate(frame.copy(), detections=detections)
    out = label_annotator.annotate(out, detections=detections, labels=labels)
    out = line_annotator.annotate(out, line_counter=line_zone)
    return out

sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
print(f"In: {line_zone.in_count} | Out: {line_zone.out_count}")

把计数结果保存到文件（可以交给客户）

在视频处理完成后，把这段加到最后：

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

更难的东西 -> 交给 AI（不要自己写）

车速估算： 「基于 YOLO 和 supervision 库，写一个用于 Google Colab 的脚本，用行车记录仪/道路摄像头视频估算汽车速度。请用通俗的话详细解释，如何为我的画面设置透视。我不是程序员，请给我完整、现成的代码。」
区域内计数（不是按线计数） -> 比如等候区里有多少人：「重写脚本，让它统计视频里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（产品、缺陷、标准模型里没有的动物）：在浏览器里用 Roboflow 标注数据集，在那里训练，拿到你的模型，然后让 AI 把它接入 Script 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，人们看的是 你展示出来的结果，不是证书。你需要 3 个针对真实细分场景的短 demo。

去哪里找免费视频做 demo（不用担心版权）：

Supervision 内置样例（见第 4 部分）-> 最快的起点。
Pexels 和 Pixabay -> 免费素材视频，有人、街道、汽车，并且授权可用。

三个项目：

商店访客计数。 用 Script 3，加上只统计人的过滤器，把线放在入口处。你展示：带框和计数器的视频 + 最终数字。卖给谁：零售店、咖啡馆、商场。
车辆计数和追踪。 在道路/停车场录像上跑 Script 3。卖给谁：停车场运营商、道路服务方、交通分析公司。
用 Roboflow 做自定义物体。 你标注一种非标准物体（比如生产线上的瓶子，或某类缺陷），然后统计它。这能证明你可以处理客户自己的数据。卖给谁：制造业、仓库、农业。

如何打包每个项目：

录一段结果演示视频（10–30 秒）。录屏播放输出视频 -> 任何录屏软件都行，或者直接把短片上传到 YouTube，设为「不公开」。
放到 GitHub 上（一个免费的代码和项目网站）。让 AI 写文件和说明文字（README）：「用英文为一个视频访客计数项目写 README。分成：问题、解决方案做什么、用了哪些技术（YOLO、ByteTrack、Supervision）、如何在 Google Colab 运行。简短清楚。」
可选 -> 在线 demo。 你可以免费部署到 Hugging Face Spaces（一个让你的 demo 在线运行、别人点链接就能打开的平台），或者使用 Roboflow 的现成 API。这会大幅提高客户信任。具体怎么做 -> 问 AI。

第 7 部分。去哪里找客户，以及该收多少钱

美国/欧洲客户按美元付费。刚开始最主要的平台是 Upwork。

第 1 步。你的 Upwork 个人资料

标题应该是 一个很窄的专长，而不是泛泛的「AI developer」。例子（你可以直接用）：

Computer Vision Engineer -> Object Detection, Tracking & People/Vehicle Counting

「Overview」文本 -> 英文示例：

I build computer vision systems that detect, track, and count objects in video -> people counting for retail, vehicle counting for traffic and parking, and custom object detection for manufacturing and inventory.Stack: YOLO, ByteTrack, Supervision, Roboflow, Python. I deliver working solutions with annotated output video and exportable counts (CSV/report).See my demos below. Tell me your use case and I'll show you exactly what's possible.

在个人资料的作品集里 -> 放你的三个 demo，带视频和 GitHub 链接。

第 2 步。你的第一批评价

起步阶段，这件事决定一切。前 3–5 个活可以略低于市场价 接下来（比如 $30–45/hr，而不是 $60+），用来快速拿评价和评分。然后马上涨价 -> 有了好评价还停在低价上，就是把钱留在桌上。

第 3 步。回应一个工作（proposal）

不要写一大堵文字。结构是：「我理解任务 → 我做过这个 → 我会怎么做、多少钱做」。英文示例：

Hi! You need to count [people/vehicles] in your video footage -> I've built exactly this. Here's a 20-second demo of my counting system: [link].For your project I'll: detect and track the objects, set up a counting line/zone, and give you the annotated video plus the final counts in a report.I can deliver a first working version in [3–5] days. Happy to do a quick test on a short clip of your footage first, free of charge.

用客户的一小段素材做免费测试，能消掉一半疑虑，通常也能促成成交。

第 4 步。先问客户什么（避免做错）

我们到底要统计/检测什么（人、车、某个特定产品）？
视频来自哪里：现成文件、摄像头、在线流（RTSP）？
需要什么输出：标注后的视频、表格里的数字、实时仪表板、告警？
什么样的准确率算够用，截止日期是什么？
预算是多少？

第 5 步。价格和费用

时薪： 起步 $30–45（为了拿评价）→ 然后自信地向市场价靠近：junior $50–80，middle $80–120，senior $120–200+。ML 自由职业的中位费率约为 $100/hr。
按项目（固定价）： 一个简单的交钥匙计数系统，起步基准是 $300–1500；严肃系统从 $5k 起，而且可以高得多（市场上项目能到 $250k+）。
Upwork 费用 -> 0–15% 不等，通常约 10%（$50 的报价，你到手约 $45）。把这部分算进你的价格里。

第 6 步。往哪里发展

Toptal -> 一个有 top-3% 筛选的平台，费率更高，客户也更扎实。等你已经有作品集和评价，再去那里。
Fiverr -> 你可以设置一个「产品化服务」（比如「我会在你的视频上搭好访客计数，收费 $X」），更被动地接单。

第 8 部分。你的前 90 天计划

时期	你做什么	结果
第 1 周	搞懂 Colab，在测试视频上跑 Scripts 1–3	代码真的能在你手里跑起来
第 2–3 周	用你自己的视频做 3 个细分场景 demo，并录成短片	demo 准备好了
第 4 周	GitHub + 英文包装（文本由 AI 写）	作品集上线
第 5 周	Upwork 个人资料，第一批 proposal	第一批 proposal 发出
第 6–10 周	主动投 proposal（每周 10–20 个），给客户做免费测试	拿到第一个活和评价
第 11–13 周	交付项目，收集评价，涨价	第一笔收入，费率提高

如果第一个活没有马上来，不要灰心 -> 刚开始这很正常；这条路通常需要 1–3 个月的持续投入。

第 9 部分。收入基准（美元，2026）

渠道	Junior	Middle	Senior
自由职业（$/hr）	$50–80	$80–120	$120–200+
交钥匙项目	从 ~$10k 起	—	最高 $250k+
美国全职岗位（$/yr）	~$102k	~$130–165k	$200k–266k+

计算机视觉市场正在增长：2024 年约 220 亿美元 → 预测到 2033 年约 1110 亿美元。需求在你这边。

第 10 部分。常见问题（FAQ）

我需要一台强力电脑吗？ 不需要。Google Colab 让你免费使用云端带 GPU 的强力服务器。哪怕你只有一台性能很弱的笔记本，甚至平板，也可以工作。

我需要付钱吗？ 基本上都免费：Colab（免费层）、YOLO/Supervision（开源）、Roboflow（免费计划）、GitHub。只有当项目变大时，你才开始付费（付费 Colab/云服务）。

这合法吗？ 工具本身 -> 合法，它们是开放、合法的。但只要你处理真实摄像头和真实的人，就会涉及隐私和数据法律。不要未经许可发布别人的视频，并且要跟客户确认他们有权使用这些数据。

如果客户的任务和这些脚本不一样怎么办？ 这正是 AI 的用处：把任务拆成几部分，然后向它求助。如果任务真的超出你的能力范围，诚实拒绝比拖到错过截止日期更好。

第一笔钱多久能来？ 现实一点说 -> 积极推进的话，从几周到几个月不等。这不是一个「按下就来钱」的按钮，而是一项你需要卖出去的技能。

我需要数学和理论吗？ 对这条 AI 辅助路径来说 -> 不需要。理解基础知识以后会有帮助，尤其是当你想接复杂项目，或者进入全职岗位时。

它能实时运行 / 接实时摄像头吗？ 免费 Colab 足够做 demo 和处理文件。要处理在线流（RTSP）和实时画面，就需要更多资源 -> AI 会告诉你怎么搭。

第 11 部分。不要做什么

不要在还不能「交付结果」的时候就去市场上接活。「它在我机器上跑起来了」还不够 -> 客户需要明确成果（视频 + 数字 + 简短报告）。
不要一比一复制纯教程。 你需要用自己的视频、针对具体细分场景做 demo。
不要卡在低费率上。 拿到第一批评价后就涨价。
不要盲信 AI 写的代码。 永远打开结果，用眼睛检查它是不是真的数对了。
不要把自己摊薄在泛泛的「AI」上。 窄专长（计数/追踪/视频分析）更好卖，也更容易让客户理解。

第 12 部分。术语表

Model -> 训练过的程序，可以识别某种东西（比如 YOLO 识别物体）。
Dataset -> 一组图像/视频，模型从里面学习。
Labeling / annotation -> 你用鼠标在图像里框出需要的物体，让模型知道要找什么（在 Roboflow 里完成）。
Bounding box -> 检测到的物体周围那个矩形框。
Class -> 物体类别：「person」「car」「bottle」。
Confidence -> 模型对一次检测有多确定（从 0 到 1）。
Inference -> 模型运行并识别出东西的那个过程（相对于训练而言）。
Training -> 模型针对你的任务，从数据集里学习的过程。
Tracking / ID -> 跨帧跟踪同一个物体，并给它一个持续编号。
API -> 一种「通过互联网」调用模型的方式：发一张图，拿到结果，不需要你自己写模型代码。
FPS -> 每秒帧数；越高，视频处理越接近「实时」。
RTSP -> 监控摄像头实时流的格式。
GPU -> 显卡里的强力处理器；它可以加速模型（在 Colab 里，云端免费提供）。