搭建深度學習開發環境
所需硬件
Nvidia 顯卡,並且計算能力 >= 3.5,GeForce GTX 1050/1060/1070 等都是性價比都是非常高的 GPU。顯卡計算能力參考地址:https://developer.nvidia.com/cuda-gpus#compute
軟件版本概覽
軟件 | 版本 |
---|---|
Anaconda | Anaconda3-5.2.0-Windows-x86_64.exe |
Python | 3.6(Anaconda 自帶) |
tensorflow-gpu | 1.13 |
PyCharm | 2019.1.2 |
Git | 最新版 |
TensorFlow Object Detection API | 1.13 |
COCO API | 最新版 |
LabelImg | 1.8.0 |
對於開源軟件,下載最新版不一定是最好的選擇。開源軟件在不斷迭代過程中,所依賴的軟件包有的迭代快、有的迭代慢,版本之間還不一定兼容。就我們學習來說,上面的軟件版本已經完全夠用,並且經過開源社區的充分測試,問題較少。
1. 安裝 Anaconda
下載地址:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下載的版本爲:Anaconda3-5.2.0-Windows-x86_64.exe
,該 Anaconda 對應 Python3.6。下載完成後,雙擊進行安裝,一切默認設置。
1.1 創建環境 tf_gpu
Anaconda 安裝完成後,打開 Anaconda Navigator -> Environments -> Create
第一步:創建一個名爲 tf_gpu 的環境,選擇 Python 版本爲 3.6,點擊 Create,然後耐心等待 Anaconda 創建新環境。
第二步:左鍵單擊我們剛剛創建的環境 tf_gpu 的啓動按鈕,選擇 Open Terminal
打開控制檯後,你就能看到你已經進入叫 tf_gpu
的環境了,接下來的操作都在這個環境裏操作。
1.2 配置 Anaconda 鏡像源
因爲 Anaconda 官方的下載服務器在國外,我們下載十分緩慢,所以我們設置清華的鏡像源爲默認下載源,可以大大提高下載效率。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
一行一行的複製過去,Ctrl+ V 粘貼在控制檯,然後回車運行。
1.3 配置虛擬環境 tf_gpu
鏡像源配置完成後,就可以開始安裝 tensorflow-gpu
這個庫了。直接把下面的安裝命令複製到控制檯,回車運行,然後根據提示輸入 y。
conda install tensorflow-gpu=1.13
可能運行安裝命令一段時間後控制檯沒有任何反應,這個時候按一下回車,纔會出現安裝進度。
2. 安裝 PyCharm
PyCharm 是一個用來開發 Python 程序的工具。
可以參考:https://blog.csdn.net/lemon4869/article/details/106834450
3. 安裝Git
Git
是一個版本控制軟件,可以讓我們很方便地克隆別人的開源項目。這個安裝很簡單,百度下載一個,然後全部默認安裝。
4. 安裝 TensorFlow Object Decetion API 框架
TensorFlow Object Decetion API
是一個在 TensorFlow
基礎上開發出來的用於圖像檢測並定位的軟件框架。
4.1 下載 TensorFlow Object Decetion API
在這裏我們就需要上一步剛剛安裝的 Git
。
第一步:首先新建一個文件夾 tf_train
,再在裏面創建兩個文件夾:addons
和 workspaces
,然後在空白處右鍵,選擇 Git Bash Here。
第二步:在 Git Bash
中輸入 :git clone -b r1.13.0 https://github.com.cnpmjs.org/tensorflow/models.git
,回車後等待下載完成。
4.1 安裝依賴的 Python 軟件包
第一步:打開 tf_gpu 的 terminal(參考 1.1 節),先設置 pip 鏡像源,使用國內清華鏡像源,速度可以提高很多。
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
第二步:安裝相關包
pip install matplot lib pillow lxml contextlib2 cython opencv-python
4.2 配置環境變量
給系統添加一個 PYTHONPATH 環境變量,這個變量的作用是告訴 Python 解釋器可以到哪裏尋找我們依賴的包。
第一步:新建系統環境變量
第二步:變量名爲:PYTHONPATH
,變量值爲之前下載的 TensorFlow Object Decetion API 的路徑。比如我的爲:
E:\tf_gpu\models\research
E:\tf_gpu\models\research\slim
E:\tf_gpu\models\research\object_detection
然後將這三個路徑粘貼在變量值那裏,記得用英文逗號隔開。
4.3 安裝 COCO API
第一步:下載 COCO API
我們將使用 COCO API 來作爲 TensorFlow Object Detection API 的評估指標,用來評估我們模型的表現能力。
進入之前創建的 addons 文件夾,打開 Git Bash,輸入下面命令:
git clone https://github.com.cnpmjs.org/philferriere/cocoapi.git
第二步:安裝 COCO API
打開 tf_gpu 的 terminal(參考 1.1 節),進入 cocoapi\PythonAPI 目錄下:cd E:\tf_gpu\addons\cocoapi\PythonAPI
(根據自己實際情況修改)
然後運行安裝命令:python setup.py install
4.4 編譯 proto 文件
TensorFlow Object Detection API 框架使用 protobuf 工具來配置模型和訓練參數,我們在安裝 tensorflow-gpu 的時候已經附帶安裝好了。但是沒有經過編譯,該工具無法使用,所以接下來的操作就是對 proto 文件進行編譯。
打開 tf_gpu 的 terminal(參考 1.1 節),輸入命令:
for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.
(直接複製過去運行)
5. 測試安裝
第一步:從 TensorFlow 預訓練模型庫下載 ssd_inception_v2_coco 模型
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
6. 安裝 LabelImg
LabelImg 是一個圖像標註工具,其標註結果會以 PASCAL VOC 格式存成 XML 文件。
第一步:下載,http://tzutalin.github.io/labelImg/
第二步:解壓。該軟件是一個綠色軟件,解壓後即可使用,但是必須解壓到 addons 目錄下才可使用,否則無法運行。
第三步:運行。進入 windows_v1.8.0 目錄,然後運行程序。
如果本文章對你有所幫助,可以悄悄地給我點個贊,讓我開心一下嗎<( ̄︶ ̄)>
如果本文章有所錯誤,還請多多指教つ﹏⊂
如果你對本文章有疑惑,歡迎留言討論(ง •_•)ง