tensorflow-gpu安装并构建Tensorflow object detection API（Win10+Tensorflow1.14.0+CUDA10.0+cuDNN7.5.1)(详细)

参考博客：
https://blog.csdn.net/dy_guox/article/details/79081499
https://blog.csdn.net/liuyong5573/article/details/85472808
https://blog.csdn.net/u010618587/article/details/82940528
https://blog.csdn.net/zhaoyoulin2016/article/details/80615687

1 本机开发环境

本机配置如下：
操作系统 Win10；
内存8G；
显卡 NVIDIA GeForce GTX 1050Ti；

2 Anaconda虚拟环境配置

由于python对tensorflow的支持较好，此处采用Anaconda 的tensorflow虚拟环境python版本为3.6.8；

首先建立一个名为tensorflow的虚拟环境：

conda create -n tensorflow python=3.6

之后激活虚拟环境：

conda activate tensorflow

通过以下语句可显示当前环境python版本：

python --version

将得到以下输出，验证python环境。

3 安装tensorflow-gpu版

之后的流程在激活的tensorflow虚拟环境中进行.
此处选择 的Tensorflow版本为1.14.0.

3.1 安装对应版本的CUDA

CUDA的版本应当根据Tensorflow-gpu和显卡的版本综合选择，CUDA版本必须高于显卡支持的最低要求。
在以下网址确认显卡的最低CUDA版本要求：
https://developer.nvidia.com/cuda-gpus

本机的GTX 1050Ti未列出，参考网上意见应当与GTX 1050相同最低需要6.1的CUDA版本。同时根据tensorflow官网的介绍，1.13.0以上tensorflow支持CUDA10，故选择CUDA10：
https://tensorflow.google.cn/install/gpu

根据官网要求，CUDA 10.0 需要NVIDIA GPU驱动程序有 410.x 或更高版本。此处可手动先行更新驱动，或者在CUDA安装过程中注意附加选项，以升级驱动程序。此处建议自行先行确认并升级驱动。
之后进入网页下载CUDA10.0:
https://developer.nvidia.com/cuda-10.0-download-archive
或者：
https://developer.nvidia.com/cuda-toolkit-archive

按图选择，下载安装包。图中的local表示完整安装包，下载后直接安装；network表示在线安装包，本体较小，而安装中需要联网下载资源。此处建议使用local完整安装包。

双击安装包进行安装，安装选择自定义：

之后在选择安装项时一般不安装GeForce Experience。CUDA是核心组件必须勾上，剩下两个选项的当前版本如果比新版本低的话也可以勾选上。接着点击下一步开始安装。
安装过程请记住安装路径，此路径在后续需要使用。

3.2 安装对应版本CuDNN

进入网址下载对应CuDNN版本，注意下载前需要简单注册。
https://developer.nvidia.com/rdp/cudnn-download
同意以下条款：


选择下方Archived cuDNN Releases，获取更多可用版本。

其中CUDA10.0对应的cuDNN v7.6.0版本经实机安装试验表明会出错，选择对应的cvDNN v7.5.1在后续的安装中证明没有出错，故选择cuDNN v7.5.1 for CUDA 10.0。

解压压缩包cudnn-10.0-windows10-x64-v7.5.1.10.zip，得到三个文件夹：

将这三个文件夹中文件复制到CUDA的安装路径下的对应同名文件夹中。CUDA的安装路径一般在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0中。

3.3 安装tensorflow-gpu主程序

首先更新pip程序：

conda install pip

之后安装自动适配的最新版tensorflow-gpu版本：

pip install --upgrade tensorflow-gpu

现在是2019年7月，自动适配的tensorflow-gpu版本为1.14.0

3.4 环境变量配置

参考于 https://blog.csdn.net/u010618587/article/details/82940528

首先，计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V10_0两个系统环境变量。接下来，还要在系统中添加以下几个系统环境变量：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0(这是默认安装位置的路径)
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

然后，再在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;
%CUDA_BIN_PATH%;
%CUDA_SDK_LIB_PATH%;
%CUDA_SDK_BIN_PATH%;
再添加如下4条（默认安装路径）：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\bin\win64；

之后，可以验证配置情况：
在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\demo_suite中打开cmd命令提示符，然后分别执行bandwidthTest.exe和deviceQuery.exe。

如果以上两步都返回了Result=PASS，那么即配置成功。

在cmd中，输入nvcc -V可查看当前CUDA版本。

3.5 安装其他一些必要的包
进入tensorflow虚拟环境

pip install matplotlib
pip install Cython
pip install pillow
pip install lxml
pip install jupyter

3.6 tensorflow-gpu安装验证

重新打开一个命令行，在tensorflow的虚拟环境下，输入python，进入python环境，输入

import tensorflow as tf
tf.Session()

无报错则安装成功。

要测试是否启用了GPU加速，可以用以下两行代码测试：

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

如果输出有GPU的信息，说明GPU加速已经启用。

4 下载Tensorflow object detection API

从github上下载项目（右上角“Clone or download”-“DownloadZIP”），下载到本地目录（避免中文），之后解压。
下载地址：https://github.com/tensorflow/models
注意此处不需要下载release版本，release版本中无后文中的research文件夹。

5 Protobuf 安装与配置

下载Protobuf，版本必须为3.4，高版本会带来后续步骤错误。此处windows无论为64位或是32位均下载3.4.0-win32 版本。
Protobuf下载地址：https://github.com/google/protobuf/releases

网站中选择3.4.0-win32版本，解压后将bin文件夹中的【protoc.exe】放到第4步中解压的文件夹的 \research目录下。
在该目录下打开命令行窗口，输入：

protoc object_detection/protos/*.proto --python_out=.

无报错则已完成配置。

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’ 中新建名为‘PYTHONPATH’的变量，将\research及\research\slim以及根目录三个文件夹的完整目录添加，分号隔开，效果如下图：

接下来可以测试API，进入tensorflow环境，在 research/ 文件夹下运行命令行：

python object_detection/builders/model_builder_test.py

不报错说明运行成功。

7 测试自带案例

进入tensorflow虚拟环境，cd到 \research 的文件夹下，执行命令:

Jupyter notebook

然后找到object_detection文件下的object_detection_tutorial.ipynb在浏览器中自动生成如下内容：

找到cell然后运行Run All,如果你的网速够快电脑性能够好，顺利的情况下将会出现正常的带识别框选的图片。

如果出现HTTP error表示预训练模型被墙，需要将程序中DOWNLOAD_BASE的值改为DOWNLOAD_BASE=‘http://storage.googleapis.com/download.tensorflow.org/models/object_detection/’

若一遍运行后无报错error但无输出，则重新run all一遍，则易得输出图像。原因未明，有待进一步寻找。