win10下搭建object_detection模型调用环境

参考资料：

• How To Train an Object Detection Classifier for Multiple Objects Using TensorFlow (GPU) on Windows 10

安装所需软件/库

• vs2015;
• Anaconda3;
• CUDA 10.0;
• cuDNN 7.6;

Step1. 安装vs2015，CUDA 10.0和cuDNN 7.6

vs2015的安装就不赘述了，Anaconda3、CUDA和cuDNN的安装可参考cmake编译opencv： Win10+cmake3.14.4+cuda10.0+cudnn7.6+opencv-4.0.0+contrib+vs2015。
注意，先安装vs2015，再安装后续软件。

Step2. 安装tensorflow-gpu

打开 Anaconda Prompt 命令窗口（图标已经被玩坏，正常应该像cmd命令窗口图标）：

创建虚拟空间。
输入如下命令，创建一个名为 tensorflow_gpu 的虚拟空间，中途有需要选择是否安装某些库，输入 y 然后回车：

conda create -n tensorflow1 pip python=3.7

如果遇到CondaHTTPError的问题，可参阅CondaHTTPError: HTTP 000 CONNECTION FAILED for url提供的方法解决。然后运行如下命令，升级conda：

conda update conda

升级完成后，重新输入命令创建虚拟空间。

创建成功之后，可以在 D:\Anaconda3\envs 目录下看到刚才创建的虚拟空间：

在命令窗口输入如下命令，激活虚拟空间：

activate tensorflow_gpu

安装 tensorflow-gpu：

pip install tensorflow-gpu==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

该命令的后半部分：

-i https://pypi.tuna.tsinghua.edu.cn/simple

表示使用清华开源镜像进行下载，可以提高文件下载速度。如果对自己的网速有信心，也可以不加这部分命令。

输入以下命令，查看 tensorflow-gpu 是否成功安装：

conda list

如果如下图所示，则说明安装成功。

tensorflow-gpu 安装成功后，我们可以输入：

python

进入 python 命令行，然后执行下面的一小段程序，来进一步验证 tensorflow 安装是否成功：

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

如果系统输出以下红框所示内容，说明可以用 python 编写 tensorflow 程序了：

到此，tensorflow 的基本环境配置完成！

Step3. 图像检测环境搭建

在D盘根目录下新建一个名为 tensorflow_gpu 的文件夹：

接着进入 tensorflow models下载页（点此链接），下载模型。如果 github 网站下载慢，也可以进入我的网盘下载：tensorflow models。

将下载的 models-master.zip 解压到刚创建的 D:\tensorflow_gpu 目录下，并把文件夹的名字改为 models，如下图所示：

回到 Anaconda Prompt 命令窗口，开始配置环境。
首先输入以下命令，退出 python：

exit()

如果窗口已经关闭，需要重新打开，然后激活 tensorflow_gpu 虚拟空间即可。

接着安装如下依赖包：

conda install -c anaconda protobuf

中间出现提问是否安装某些库，输入 y 然后回车。

继续安装依赖库：

pip install pillow lxml Cython jupyter matplotlib pandas opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

以上依赖库都安装完成后，添加系统环境变量 PYTHONPATH。
先从C盘转到D盘，在命令窗口中输入：

D:

然后设置路径：

set PYTHONPATH=D:\tensorflow_gpu\models;D:\tensorflow_gpu\models\research;D:\tensorflow_gpu\models\research\slim

将路径添加到系统环境变量中：

set PATH=%PATH%;PYTHONPATH

这样，环境变量就设置好了。
我们可以通过输入以下语句来确认环境变量是否设置成功。
先输入：

echo %PATH%

再输入：

echo %PYTHONPATH%

出现下图所示结果，则说明环境变量添加成功。

接下来，我们要做的是编译 Protobuf 文件。
由于 proto 文件不能直接在Windows下被调用，所以需要做如下变换：
首先需要将路径变为 D:\tensorflow_gpu\models\research，在 Anaconda Prompt 命令窗口中输入：

cd tensorflow_gpu\models\research

然后输入命令：

protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\train.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\multiscale_anchor_generator.proto .\object_detection\protos\graph_rewriter.proto

如下图所示：

以上命令执行结束，会产生如下两个 _pb2.py 文件：

Protobuf 文件编译结束，我们可以开始编译安装需要测试的项目。
输入如下两句命令进行项目的编译和安装：

• 项目编译生成：

python setup.py build

• 项目安装：

python setup.py install

项目的编译安装完成后，我们还需要给模型的路径做一下配置。
打开 D:\Anaconda3\Lib\site-packages 文件夹，在该文件夹下新建一个 .txt 文件，内容编辑为：

D:\tensorflow_gpu\models\research
D:\tensorflow_gpu\models\research\slim

如下图所示：

然后将该 .txt 文件重新命名为 model_path.pth，如下图所示：

以上，图像检测环境搭建完毕！

Step4. 运行测试文件

首先进入 object_detection 目录，在刚才未关闭的 Anaconda Prompt 命令窗口中输入 ：

cd object_detection

使用 Jupyter 打开测试文件 object_detection_tutorial.ipynb，命令如下：

jupyter notebook object_detection_tutorial.ipynb

这时，会打开一个网页版的 python 调试工具，每点击下图红框部分的 Run一下，选中的代码将会往下移动一段，同时 In 后面方括号中数字将会变成星号，比如：In [0] $\to$ In [*] ，表示当前代码段正在运行；星号变回数字，则表示当前代码段运行完成。有些代码段需要下载模型，或者运算的时间较长，需要耐心等待。

代码段运行到 Imports 部分时，可能会出现以下错误：

解决办法是将出错部分的代码注释掉（在代码前添加#号）。
即，将以下两句代码

if tf.__version__ < '1.4.0':
   raise ImportError('Please upgrade your tensorflow installation to v1.4.* or later!')

改为

#if tf.__version__ < '1.4.0':
#   raise ImportError('Please upgrade your tensorflow installation to v1.4.* or later!')

如下图所示：

如果遇到from . import ft2font ImportError: DLL load failed: 找不到指定的模块的问题，可以通过降低matplotlib版本的方法解决：

pip uninstall matplotlib
pip install matplotlib==3.0.3

之前的错误不再出现，一直点击Run直到代码段结尾，等待星号变成数字即可。第一次所有代码段运行结束，可能还不会显示识别结果，如下图所示，最后一段代码段的星号已经变成数字，但是没有显示结果图：

我们需要重新回到第一段代码的位置，先点击选择代码段，然后再像之前一样，一下一下地点击Run运行后面的代码段，直到代码结尾处：

耐心等待程序运行，出现下图检测结果，证明模型安装成功！

object_detetion模型调用环境搭建完毕！