1、搭建深度学习图像识别开发环境

最新推荐文章于 2024-06-09 00:46:40 发布

真的只是略懂而已

最新推荐文章于 2024-06-09 00:46:40 发布

阅读量7k

点赞数 20

分类专栏：深度学习图像识别文章标签： python tensorflow anaconda git

本文链接：https://blog.csdn.net/lemon4869/article/details/106818808

版权

深度学习图像识别专栏收录该内容

10 篇文章 15 订阅

订阅专栏

1、前言

1.1 本文章约定

操作 ：表示你需要跟着说明进行相应的操作。
输入命令 xxxxxx：表示你需要在控制台键入命令。

1.2 开始条件

为了方便大家，我已把相关软件都打包至百度云盘了，就大家就不用挨个去下载了，网盘下载地址：
链接：https://pan.baidu.com/s/12coly8nikksg2jSzizxCbA
提取码：iubd
在这里插入图片描述

1.3 视频教程

视频教程请看：https://www.bilibili.com/video/BV1k5411W7cS/

1.4 整个流程概览

在这里插入图片描述

1.5 所需硬件

Nvidia 显卡，并且计算能力 >= 3.5，GeForce GTX 1050/1060/1070 等都是性价比都是非常高的 GPU。显卡计算能力参考地址：https://developer.nvidia.com/cuda-gpus#compute
在这里插入图片描述

1.6 软件版本概览

软件	版本
Anaconda	Anaconda3-5.2.0-Windows-x86_64.exe
Python	3.6（Anaconda 自带）
tensorflow-gpu	1.13
PyCharm	2019.1.2
Git	最新版
TensorFlow Object Detection API	1.13
COCO API	最新版
LabelImg	最新版

对于开源软件，下载最新版不一定是最好的选择。开源软件在不断迭代过程中，所依赖的软件包有的迭代快、有的迭代慢，版本之间还不一定兼容。就我们学习来说，上面的软件版本已经完全够用，并且经过开源社区的充分测试，问题较少。

2、安装 Anaconda

下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，下载的版本为：Anaconda3-5.2.0-Windows-x86_64.exe，该 Anaconda 对应 Python3.6。
操作 下载完成后，双击进行安装，一切默认设置。
在这里插入图片描述

2.1 创建环境 tf_gpu

操作 1、Anaconda 安装完成后，打开 Anaconda Navigator -> Environments -> Create
在这里插入图片描述
操作 2、创建一个名为 tf_gpu 的环境，选择 Python 版本为 3.6，点击 Create，然后耐心等待 Anaconda 创建新环境。

操作 3、左键单击我们刚刚创建的环境 tf_gpu 的启动按钮，选择 Open Terminal

操作 4、打开控制台后，你就能看到你已经进入叫 tf_gpu 的环境了，接下来的操作都在这个环境里操作。
在这里插入图片描述

2.2 配置 Anaconda 镜像源

输入命令 因为 Anaconda 官方的下载服务器在国外，我们下载十分缓慢，所以我们设置清华的镜像源为默认下载源，可以大大提高下载效率。
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

一行一行的复制过去，Ctrl+ V 粘贴在控制台，然后回车运行。

在这里插入图片描述

2.3 配置虚拟环境 tf_gpu

输入命令 镜像源配置完成后，就可以开始安装 tensorflow-gpu 这个库了。直接把下面的安装命令复制到控制台，回车运行，然后根据提示输入 y。
conda install tensorflow-gpu=1.13

在这里插入图片描述

可能运行安装命令一段时间后控制台没有任何反应，这个时候按一下回车，才会出现安装进度。

3、安装 PyCharm（非必要选项）

PyCharm 是一个用来开发 Python 程序的工具。
可以参考：https://blog.csdn.net/lemon4869/article/details/106834450

4、安装Git

Git 是一个版本控制软件，可以让我们很方便地克隆别人的开源项目。这个安装很简单，百度下载一个，然后全部默认安装。

5、安装 TensorFlow Object Decetion API 框架

TensorFlow Object Decetion API 是一个在 TensorFlow 基础上开发出来的用于图像检测并定位的软件框架。

5.1 下载 TensorFlow Object Decetion API

在这里我们就需要上一步刚刚安装的 Git。

操作 1、首先新建一个文件夹 tf_train，再在里面创建两个文件夹：addons 和 workspaces，然后在空白处右键，选择 Git Bash Here。

在这里插入图片描述

输入命令 2、在 Git Bash 中输入：git clone -b r1.13.0 https://github.com.cnpmjs.org/tensorflow/models.git ，回车后等待下载完成。

5.2 安装依赖的 Python 软件包

输入命令1、打开 tf_gpu 的 terminal（参考 1.1 节），先设置 pip 镜像源，使用国内清华镜像源，速度可以提高很多。 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

输入命令 2、安装相关包，pip install matplot lib pillow lxml contextlib2 cython opencv-python

5.3 配置环境变量

给系统添加一个 PYTHONPATH 环境变量，这个变量的作用是告诉 Python 解释器可以到哪里寻找我们依赖的包。

操作1、进入新建系统环境变量界面
在这里插入图片描述
操作2、新建变量名为：PYTHONPATH，变量值为之前下载的 TensorFlow Object Decetion API 的路径。比如我的为：
E:\tf_gpu\models\research
E:\tf_gpu\models\research\slim
E:\tf_gpu\models\research\object_detection
然后将这三个路径粘贴在变量值那里，记得用英文逗号隔开。
在这里插入图片描述

6、安装 COCO API

输入命令1、下载 COCO API

我们将使用 COCO API 来作为 TensorFlow Object Detection API 的评估指标，用来评估我们模型的表现能力。

进入之前创建的 addons 文件夹，打开 Git Bash，输入下面命令：
git clone https://github.com.cnpmjs.org/philferriere/cocoapi.git

在这里插入图片描述

（本图有错误：目录 `18-test` 应为 `tf_gpu`，博主忘记改了）
输入命令 2、安装 COCO API 安装 COCO API 要依赖 Visual C++ Build Tools 2015，所以我们先安装 Visual C++ Build Tools 2015。如果没有的话直接进行下一步就会出现 unable to find vcvarsall.bat 错误。下载地址：http://go.microsoft.com/fwlink/?LinkId=691126。

Visual C++ Build Tools 2015 安装完成后，打开 tf_gpu 的 terminal（参考 1.1 节），进入 cocoapi\PythonAPI 目录下：cd E:\tf_gpu\addons\cocoapi\PythonAPI （根据自己实际情况修改），
然后运行安装命令：python setup.py install

7、编译 proto 文件

TensorFlow Object Detection API 框架使用 protobuf 工具来配置模型和训练参数，我们在安装 tensorflow-gpu 的时候已经附带安装好了。但是没有经过编译，该工具无法使用，所以接下来的操作就是对 proto 文件进行编译。

输入命令 打开 tf_gpu 的 terminal（参考 1.1 节），输入命令：
cd E:\1-tf_train\models\research（进入 research 目录下进行操作）
for /f %i in ('dir /b object_detection\protos\*.proto') do protoc object_detection\protos\%i --python_out=.（直接复制过去运行）

8、测试安装

8.1 下载 ssd_inception_v2_coco 模型

操作 从 TensorFlow 预训练模型库下载 ssd_inception_v2_coco 模型，地址：
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md
在这里插入图片描述
操作解压出来后放到 E:\1-tf_train\models\research\object_detection

8.2 创建 object_detection_example_1.py 文件

操作 在 E:\1-tf_train\models\research\object_detection 目录下创建一个 object_detection_example_1.py 文件
在这里插入图片描述
操作 然后用记事本打开，复制以下代码进去：

# object_detection_example_1.py演示一个完整的推理(Inference)过程

# -----------------------------------------------------------
# 第一步，导入相关的软件包
# -----------------------------------------------------------
import numpy as np 
import os
import tensorflow as tf 
import matplotlib.pyplot as plt 
from PIL import Image 
from utils import label_map_util
from utils import visualization_utils as vis_util 
from utils import ops as utils_ops

# 检查tensorflow 版本，须≥1.12.0
from pkg_resources import parse_version
if parse_version(tf.__version__) < parse_version('1.12.0'):
    raise ImportError("parse_version:Please upgrade your TensorFlow to V1.12.* or higher")
print("The version of installed TensorFlow is {0:s}".format(tf.__version__))

# GPU 按需分配
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.3
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))

# -----------------------------------------------------------
# 第二步，导入模型ssd_inception_v2_coco_2018_01_28到内存
# ssd_inception_v2_coco_2018_01_28文件夹应与本程序放在models\research\object_detection文件夹下
# -----------------------------------------------------------
MODEL_NAME = 'ssd_inception_v2_coco_2018_01_28'
PATH_TO_FROZEN_GRAPH = MODEL_NAME + '/frozen_inference_graph.pb'
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')

detection_graph = tf.Graph()
with detection_graph.as_default():
    od_graph_def = tf.GraphDef()
    with tf.gfile.GFile(PATH_TO_FROZEN_GRAPH, 'rb') as fid:
        serialized_graph = fid.read()
        od_graph_def.ParseFromString(serialized_graph)
        tf.import_graph_def(od_graph_def, name='')

# -----------------------------------------------------------
# 第三步，导入标签映射文件(Label map)，这样假如神经网络输出'5',我
# 们就知道对应的是'airplane'
# -----------------------------------------------------------
category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True)

# -----------------------------------------------------------
# 第四步，执行推理(Inference)，检测图片中的对象
# -----------------------------------------------------------

# ## 导入图像数据到numpy array 子程序
def load_image_into_numpy_array(image):
    (im_width, im_height) = image.size 
    return np.array(image.getdata()).reshape((im_height,im_width,3)).astype(np.uint8)

# ## 从单张图片中检测对象子程序
# ## 图片名称：image1.jpg, image2.jpg,存放在
# ## models\research\object_detection\test_images文件夹下
PATH_TO_IMAGES_DIR = 'test_images'
TEST_IMAGE_PATHS = [os.path.join(PATH_TO_IMAGES_DIR, 'image{0:d}.jpg'.format(i)) for i in range(1,3)]

# 显示图像的尺寸，单位inches
IMAGE_SIZE = (12, 8)

def run_inference_for_single_image(image, graph):
    with graph.as_default():
        with tf.Session() as sess:
            ops = tf.get_default_graph().get_operations()
            all_tensor_names = {output.name for op in ops for output in op.outputs}
            tensor_dict = {}
            for key in ['num_detections', 'detection_boxes', 'detection_scores',
                'detection_classes', 'detection_masks']:
                tensor_name = key + ':0'
                if tensor_name in all_tensor_names:
                    tensor_dict[key] = tf.get_default_graph().get_tensor_by_name(tensor_name)
            if 'detection_masks' in tensor_dict:
                detection_boxes = tf.squeeze(tensor_dict['detection_boxes'], [0])
                detection_masks = tf.squeeze(tensor_dict['detection_masks'], [0])
                real_num_detection = tf.cast(tensor_dict['num_detections'][0], tf.int32)
                detection_boxes = tf.slice(detection_boxes, [0, 0], [real_num_detection, -1])
                detection_masks = tf.slice(detection_masks, [0, 0, 0], [real_num_detection, -1, -1])
                detection_masks_reframed = utils_ops.reframe_box_masks_to_image_masks(
                    detection_masks, detection_boxes, image.shape[1], image.shape[2])
                detection_masks_reframed = tf.cast(tf.greater(detection_masks_reframed, 0.5), tf.uint8)
                tensor_dict['detection_masks'] = tf.expand_dims(detection_masks_reframed, 0)
            image_tensor = tf.get_default_graph().get_tensor_by_name('image_tensor:0')

            # 运行推理(Inference)
            output_dict = sess.run(tensor_dict,feed_dict={image_tensor: image})

            output_dict['num_detections'] = int(output_dict['num_detections'][0])
            output_dict['detection_classes'] = output_dict['detection_classes'][0].astype(np.int64)
            output_dict['detection_boxes'] = output_dict['detection_boxes'][0]
            output_dict['detection_scores'] = output_dict['detection_scores'][0]
            if 'detection_masks' in output_dict:
                output_dict['detection_masks'] = output_dict['detection_masks'][0]
    return output_dict

for image_path in TEST_IMAGE_PATHS:
    image = Image.open(image_path)
    image_np = load_image_into_numpy_array(image)
    # 扩展维度，因为模型要求图像的形状为：[1, None, None, 3]
    image_np_expanded = np.expand_dims(image_np, axis=0)
    # 运行检测程序.
    output_dict = run_inference_for_single_image(image_np_expanded, detection_graph)
    # 可视化检测结果.
    vis_util.visualize_boxes_and_labels_on_image_array(
        image_np,
        output_dict['detection_boxes'],
        output_dict['detection_classes'],
        output_dict['detection_scores'],
        category_index,
        instance_masks=output_dict.get('detection_masks'),
        use_normalized_coordinates=True,
        line_thickness=8)
    plt.figure(figsize=IMAGE_SIZE)
    plt.imshow(image_np)
plt.show()

8.3 注释 visualization_utils.py 第 29 行

操作 打开 E:\1-tf_train\models\research\object_detection\utils\visualization_utils.py，注释掉第 29 行： import matplotlib; matplotlib.use(‘Agg’) # pylint: disable=multiple-statements
在这里插入图片描述

8.4 运行 object_detection_example_1.py

输入命令 打开 tf_gpu 的 terminal（参考 1.1 节），
cd E:\1-tf_train\models\research\object_detection（进入 object_dection 目录）
python object_detection_example_1.py（运行程序）
运行成功会得到如下结果：
在这里插入图片描述

9、安装 LabelImg

LabelImg 是一个图像标注工具，其标注结果会以 PASCAL VOC 格式存成 XML 文件。
操作第一步：下载，http://tzutalin.github.io/labelImg/
在这里插入图片描述

操作第二步：解压。该软件是一个绿色软件，解压后即可使用，但是必须解压到 addons 目录下才可使用，否则无法运行。
在这里插入图片描述

（本图有错误：目录 `18-test` 应为 `tf_gpu`，博主忘记改了）

操作第三步：运行。进入 windows_v1.8.0 目录，然后运行程序。
在这里插入图片描述

真的只是略懂而已

关注

20
点赞
踩
92

收藏

觉得还不错? 一键收藏
10
评论
1、搭建深度学习图像识别开发环境

0. 所需硬件Nividia显卡，并且计算能力>=3.5，GeForce GTX 1050/1060/1070等都是性价比都是非常高的GPU。参考地址：https://developer.nvidia.com/cuda-gpus#compute1. 安装Anaconda下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/下载的版本为：Anaconda3-5.2.0-Windows-x86_64.exe，该Anaconda对应P
复制链接

扫一扫