TensorflowAPI的环境搭建

最新推荐文章于 2022-08-24 15:46:48 发布

地瓜埋地下

最新推荐文章于 2022-08-24 15:46:48 发布

阅读量256

点赞数 1

本文链接：https://blog.csdn.net/weixin_44268208/article/details/107758213

版权

@ [TOC]（TensorflowAPI的环境构建）

＃下载对应tensorflow版本的API

1.首先要明确自己下载其中tensorflow版本的API

[tensorflow各版本的CUDA和Cudnn版本对应关系]（https://blog.csdn.net/qq_27825451/article/details/89082978）！[在这里插入图片描述（https://img-blog.csdnimg.cn /2020080310452154.png?x-oss-process=图像/水印，type_ZmFuZ3poZW5naGVpdGk，shadow_10，text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA ==，FF_16，color_

2.下载Tensorflow对象检测

[API网址]（https://github.com/tensorflow/models）通过标签标签选择对应的版本，在这里我下载的是1.120的版本，进入此版本的目录之后，右上角下载zip就是对应的版本从github上下载项目（右上角“克隆或下载”-“ DownloadZIP”），下载到本地目录（避免中文），解压。

！[在这里插入图片描述（https://img-blog.csdnimg.cn/20200803104641123.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZGGGG_FA_L_N

我的下载目录如下，自己根据自己的需求选择目录即可！[在这里插入图片描述]（https://img-blog.csdnimg.cn/20200803104652267.png）##配置对应的tensorflow环境这一步的如果没有阿纳康达，CUDA，CUDNN，参考链接进行配置]（https://blog.csdn.net/weixin_44268208/article/ details / 96455642）使用Windows + R：运行窗口，输入cmd打开命令窗口：命令窗口中输入以下命令，进行环境配置

这里我配置的是3.6的python环境，不写版本默认下载最高版本，tfAPI是我给这个环境起的名字。

康达创建--name tfAPI蟒= 3.6 ```激活环境```畅达激活tfAPI ```下载对应版本的tensorflow，注意命名和之前有所变化，-i后面是更多源大的网址，可以自行选择[参考连接]（https://blog.csdn.net/panyingzeng/article/details/105000714）```PIP安装-i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow GPU的== 1.12.0 ```4.验证tensorflow安装成功，从命令窗口进入蟒蛇进行验证，出现以下内容都是安装成功[在这里插入图片描述（HTTPS：// IMG-博客csdnimg CN / 20200803104954632.png？X-oSS-过程=图像/水印，type_ZmFuZ3poZW5naGVpdGk，shadow_10，text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2OFFwOA，颜色为[107-oss-过程=图像/水印，type_ZmFuZ3poZW5naGVpdGk，shadow_10，text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA ==，size_16，color_FFFFFF，t_70）＃ ＃5。Protobuf安装与配置









 








在https://github.com/google/protobuf/releases网站中选择windows版本（最下面），解压后将bin文件夹中的【protoc.exe】放到C：\ Windows
在模型\研发\目录下打开命令行窗口，输入：输入下面这个命令不报错即为成功```。＃来自tensorflow /模型/ protoc object_detection / PROTOS / * .proto --python_out = ```在这一步有时候会出错，可以尝试把/*.proto这部分改成文件夹下特定的文件名，一个一个试，每运行一个，文件夹下应该出现对应的.py结尾的文件。不报错即可。## 6.PYTHONPATH环境变量设置在'此电脑'-'属性'-'高级系统设置'-'环境变量'-'系统变量'中新建称为'PYTHONPATH'的变量，将模型/研究/及模型/研究/ slim两个文件夹的完整目录添加，分号替换，效果如下图：！[在这里插入图片描述（https://img-blog.csdnimg.cn/20200803105127646.png?x- OSS-过程=图像/水印，type_ZmFuZ3poZW5naGVpdGk，shadow_10，text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA ==，size_16，color_FFFFFF，t_70）可以测试的API，在模型/科研/文件夹下测试：盒品带在目录模型\研究\ object_detection找到object_detection_tutorial.ipynb文件，可以使用jupyter进行运行，也可以使用Pycharm进行运行` `






 


 







在numpy为np的ossix.moves.urllib为urllib的sys文件中导入tar文件流tensorflow为tf的zip文件从distutils.version开始从集合StrictVersion从io传递defaultdict从matplotlib到StringIO从matplotlib到pyplot作为从PIL到图像的PLT＃这是必需的，因为笔记本存储在object_detection文件夹中。来自object_detection.utils的sys.path.append（“..”）如果StrictVersion（TF。__版本__）<StrictVersion（“ 1.9.0'）：导入（'请升级TensorFlow安装到v1.9。*或更高版本！）＃需要显示图像。＃％matplotlib从utils内联约会utils✓label_map_util从vissutil视觉化_utils＃要下载的模型。'http ://download.tensorflow.org/models/object_detection/'#冻结检测图的路径。这是对象检测的实际模型。PATH_TO_FROZEN_GRAPH= MODEL_NAME +'/ Frozen_inference_graph .pb'＃用一个框PATH_TO_LABELS = os .path.join（'数据'，'mscoco_label_map.pbtxt'）打开器= urllib.request.URLopener（）打开器。获取（DOWNLOAD_BASE + MODEL_FILE，MODEL_FILE）tar_file = tarfile。 getmembers（）：文件名= os.path.basename（文件名）如果文件名中的'frozen_inference_graph.pb'：tar_file.extract（文件，os.getcwd（））detection_graph = tf.Graph（），带有detection_graph .as_default（）：od_graph_def = tf.GraphDef（），带有tf。“” category_index = label_map_util.create_category_IMAGET_IMAGET_IMAGET =














































































[os.path.join（PATH_TO_TEST_IMAGES_DIR，'image {}。jpg'.format（i））对于范围为i（1，3）的i）＃输出图像的尺寸，以英寸为单位。IMAGE_SIZE=（12， 8）def run_inference_for_single_image（图像，图形）：带有graph.as_default（）：tf.Session（）评估：＃获取输入和输出张量的句柄ops = tf.get_default_graph（）。get_operations（）all_tensor_names = {在tensor_dict = {}在['num_detections'，'detection_boxes'，'detection_scores，'detection_classes'，'detection_masks'中键入tensor_name = key +'：0'，如果all_tensor_names中的tensor_name：tensor_dict [key] =tf。get_default_graph（）。”] [0] ，tf。int32）detection_boxes = tf。切片（detection_boxes，[0，0]，[real_num_detection，-1]）detection_masks = tf。切片（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，图像）。形状[0]，图像。形状[1]）detection_masks_reframed =
































            .cast（tf.greater（detection_masks_reframed，0.5），tf.uint8）
        ＃顺序程序，按批处理尺寸
        tensor_dict ['detection_masks'] = tf.expand_dims（
            detection_masks_reframed，0）
      image_tensor = t（get_get_graph）.get_tensor_by_name（'image_tensor：0'）＃正在运行output_dict = sess.run（tensor_dict，feed_dict = {image_tensor：image，0）}）＃所有这些都是float32 numpy方法，因此将进行类型转换为适当的output_dict ['num_detections'] = int（output_dict ['num_detections'] [0]）output_dict ['detection_classes'] = output_dict ['detection_classes'] [0] .astype（np.uint8）output_dict ['detection_boxes' ] = output_dict ['detection_boxes'] [0] output_dict ['detection_scores'] = output_dict ['detection_scores'] [0]      如果        output_dict中的“ detection_masks” ：output_dict ['detection_masks'] = output_dict ['detection_masks'] [0]在TEST_IMAGE_PATHS中  返回image_path的output_dict ：  image = Image.open（image_path）




















  ＃稍后将使用基于数组的图像表示形式，以准备
  带有框和标签的＃结果图像。
  image_np = load_image_into_numpy_array（image）
  ＃扩展尺寸，因为模型期望图像具有以下形状：[1，None，None，3] 
  image_np_expanded = np.expand_dims（image_np，axis = 0）
  ＃实际检测。
  output_dict = run_inference_for_single_image（image_np，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）```


##在运行过程中如果出现以下问题：
###如果出现ModuleNotFoundError：没有名为“ object_detection”的模块
在win10上转到（\ model master \ models-master \ research）在此路径中打开cmd并键入python setup.py install如果出现ModuleNotFoundError：没有名为“ nets”的模块[参考链接]（https：// blog。 csdn.net/qq_37644877/article/details/92772820）


![在这里插入图片描述](https://img-blog.csdnimg.cn/20200803105338232.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA==,size_16,color_FFFFFF,t_70)
### 如果出现ModuleNotFoundError: No module named 'tensorflow.compat.v1'
[安装对应版本](https://blog.csdn.net/kudou1994/article/details/88427296)
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200803105415615.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA==,size_16,color_FFFFFF,t_70)
### 如果出现AttributeError: keypoints

[参考链接](https://stackoverflow.com/questions/62296937/attributeerror-keypoints-object-detection-using-tensorflow-1-14)
照着回答1的人修改 Visualzation_utils和 object_detection_tutorial.py里面的代码，可以直接把他里面的代码拷贝过来https://github.com/osrf/tensorflow_object_detector/blob/master/src/object_detection/utils/label_map_util.py#L58

### 如果没有出现框框
[参考链接]（https://blog.csdn.net/lalalanddd/article/details/105231015?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task -blog-BlogCommendFromMachineLearnPai2-1.channel_param）

### 如果出现ModuleNotFoundError: No module named 'nets'
[参考链接](https://blog.csdn.net/qq_37644877/article/details/92772820)
![在这里插入图片描述](https://img-blog.csdnimg.cn/20201222170631231.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDI2ODIwOA==,size_16,color_FFFFFF,t_70)


##注：整体文章参考链接[博客参考链接]（https://blog.csdn.net/dy_guox/article/details/79081499?utm_source=app）