5分钟实战：YOLOv11+双目摄像头实现高精度实时测距（附避坑指南）

第一次尝试用双目摄像头测距时，我盯着屏幕上跳动的深度数据发愣——明明标定流程完全正确，实际测距误差却超过30%。直到发现OpenCV的stereoRectify函数对图像分辨率有隐藏要求，才意识到问题所在。本文将分享如何绕过这些"隐形陷阱"，用YOLOv11 ONNX模型快速搭建可落地的测距系统。

1. 环境配置与依赖安装

在Ubuntu 20.04和Windows 11双平台实测中，Python 3.8展现出最佳的库兼容性。新建conda环境避免依赖冲突：

bash复制conda create -n yolov11_3d python=3.8 -y
conda activate yolov11_3d

核心依赖库的版本锁定至关重要，不同版本的OpenCV处理双目图像时可能产生截然不同的结果：

python复制pip install opencv-contrib-python==4.5.5.64  # 必须包含contrib模块
pip install onnxruntime-gpu==1.12.0  # GPU加速版需CUDA 11.6+
pip install numpy==1.21.6  # 避免与ONNX Runtime的广播机制冲突

注意：若使用树莓派等ARM设备，需从源码编译OpenCV以启用SGBM加速，预编译版本可能缺失关键功能。

验证环境是否就绪：

python复制import cv2
print(cv2.getBuildInformation())  # 检查是否包含"Non-free algorithms: YES"
assert cv2.__version__ == "4.5.5"  # 版本必须严格匹配

常见报错解决方案：

• ImportError: libGL.so.1：在Linux中执行sudo apt install libgl1-mesa-glx
• DLL load failed：重装VC++ 2019运行库
• CUDA out of memory：在onnxruntime初始化时设置providers=['CUDAExecutionProvider']改为CPU模式

2. 双目标定与立体校正实战

标定板的选择直接影响参数精度。推荐使用非对称圆网格标定板（如7x9棋盘格），其角点检测稳定性比传统棋盘格高40%：

python复制criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
objp = np.zeros((6*8,3), np.float32