Win10+Anaconda+Tensorflow-gpu+目标识别

简介：

  本文主要介绍如何在Win10系统上利用Anaconda安装Tensorflow框架。并在此搭建好的环境上运行Darknet53+yoloV3的深度学习框架。对VOC数据集进行一个训练以及最终的预测。因为第一次接触深度学习框架方面的知识，所以本文会非常详细的介绍我在搭建环境时候遇到的问题以及解决方案。现在我们开始吧！

一、环境的搭建

  很多同学一开始接触深度学习，就会从Github上寻找一些开源的代码。有了代码之后，应该如何运行呢？下面我就以Github上这个项目为例进行讲述。
  在下载的过程中可能有点慢，这是因为github站点在境外，只要耐心等待即可。此外还需要下载数据库文件，提取码：na2p；以及权重h5文件，提取码：adrx；
  我的电脑配置如下：

  电脑配置仅供参考。因为有gpu，所以我就选择了计算速度更快的gpu运行方式。

1.安装Anaconda

  取网上搜索Anaconda的官网：https://www.anaconda.com/distribution/

  我的操作系统是64位的，所以选择64-bit的进行下载。安装的位置不一定在C盘，可以任意变更。建议这里吧Add Anaconda to my PATH environment variable勾上，我觉得这样子用起来更方便。

2.安装CUDA和Cudnn

  我这里使用的是tensorflow-gpu=1.13.2，因此用到cuda10.0，与cuda10.0对应的cudnn是7.4.1.5。这个组合是OK的，可以放心使用。其他显卡，可以参考官网的介绍，选择适合自己电脑显卡的版本进行安装，官网的下载速度有点慢，所以我这里有百度网盘的链接：
链接：https://pan.baidu.com/s/1zStiNT8dSmbw0QwBApobug
提取码：jkhm
下载好之后可以打开cuda_10的exe文件进行安装。

  这里选择自定义：

  然后直接点下一步就行了。

  这里有个坑，可能有人会遇到安装失败的情况。这是因为你的电脑里安装了VS，需要将其卸载干净才能安装成功，在这里我把Visual Studiontegration的勾给去掉了，因为我电脑之前已经装过同一版本的VS了。

  安装完后在C盘这个位置可以找到根目录。C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
  然后大家把Cudnn的内容进行解压。

把这里面的内容直接复制到C盘的根目录下就可以了。

3.配准Tensorflow-gpu环境

  Win+R启动cmd，在命令提示符内输入以下命令：
  这里也有一个坑，记住一定要以管理员方式进行运行，否则后面可能会出现问题。

conda create –n tensorflow-gpu python=3.6

  运行后选择y，创建好Python3.6的环境。这里不要选择3.7或者更高的版本，否则程序运行会出错。接着激活环境：

activate tensorflow-gpu 

  安装TensorFlow-gpu

pip install tensorflow-gpu==1.13.1

  安装keras

pip install keras==2.1.5

  我用的编译器是Pycharm，这个可以到官网自行下载。

二、程序运行

  对于程序上面有添加了注解，慢慢看就能看懂。在运行的时候可能会出现一些找不到模块的错误，这是因为这个程序还需要一些其他的模块库，比如Matplotlib，h5py等等。只需要按照上述的方法进行安装即可，记得要在管理员方式下打开哦！
  首先我们打开Pycharm后可以看到这样一个界面

  选择File----New projects settings----setting for new projects…

  找到Python Interpreter选项，点击右上角的设置按钮，点击add。

  将上一小节搭建好的环境添加进来（我这里把配置好的环境删了，你们在选择的时候会自动跳出配置好的环境）

  注意，将刚才下载好的数据库放在目录yolo3-keras-master\yolo3-keras-master\VOCdevkit\VOC2007\JPEGImages下。把下载好的h5文件放在model_data下。运行过程如下：

  训练的过程中loss值会不断下降，刚开始下降的会很快，后来下降的速度越来越慢。当训练到loss值不在有较大变化时，就可以停止训练了。训练好之后会在logs文件夹下生成训练好的数据模型。在train.py中选取合适的训练模型就可以进行预测了。我的预测结果图如下：

  如果有什么其他问题，可以在留言区相互交流。