FastDeploy在Windows平台上使用C++开发介绍

已于 2024-05-17 11:47:13 修改
阅读量2k 收藏 10
点赞数
分类专栏： 深度学习环境配置 文章标签： windows c++ 人工智能
于 2023-06-02 12:01:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhuhuijiehao/article/details/130991923
版权

1 FastDeploy库环境准备

1.1 预编译库安装

FastDeploy提供各平台预编译库，供开发者直接下载安装使用。当然FastDeploy编译也非常容易，开发者也可根据自身需求编译FastDeploy。

本文分为两部分：

1.1.1 GPU部署环境

环境要求
  • CUDA >= 11.2
  • cuDNN >= 8.0
  • python >= 3.6
  • OS: Linux(x64)/Windows 10(x64)

支持CPU和Nvidia GPU的部署，默认集成Paddle Inference、ONNX Runtime、OpenVINO以及TensorRT推理后端，Vision视觉模型模块，Text文本NLP模型模块

版本信息：
Paddle Inference：2.4-dev5
ONNXRuntime：1.12.0
OpenVINO：2022.2.0.dev20220829
TensorRT：8.5.2.2

C++ SDK安装

Release版本

平台文件说明
Linux x64fastdeploy-linux-x64-gpu-1.0.7.tgzg++ 8.2, CUDA 11.2, cuDNN 8.2编译产出
Windows x64fastdeploy-win-x64-gpu-1.0.7.zipVisual Studio 16 2019, CUDA 11.2, cuDNN 8.2编译产出

Develop版本（Nightly build）

平台文件说明
Linux x64fastdeploy-linux-x64-gpu-0.0.0.tgzg++ 8.2, CUDA 11.2, cuDNN 8.2编译产出
Windows x64fastdeploy-win-x64-gpu-0.0.0.zipVisual Studio 16 2019, CUDA 11.2, cuDNN 8.2编译产出

需要注意的是，使用的FastDeploy脚本的版本要与下载的版本一致，如果是SDK是Release建议FastDeploy库也选用Release。

1.1.2 CPU部署环境

https://www.intel.cn/content/www/cn/zh/developer/tools/openvino-toolkit/download.html?VERSION=v_2024_1_0&OP_SYSTEM=WINDOWS&DISTRIBUTION=ARCHIVE
在这里插入图片描述

1.2 自行编译C++ SDK

详见链接：打开学习
建议使用编译好的库，效率较高，少花时间。

以win10下编译简单讲解一下
Windows编译需要满足条件

  • Windows 10/11 x64
  • Visual Studio 2019
  • cuda >= 11.2
  • cudnn >= 8.2

注意：安装CUDA时需要勾选Visual Studio Integration, 或者手动将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions\文件夹下的4个文件复制到C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\MSBuild\Microsoft\VC\v160\BuildCustomizations\文件夹。否则执行cmake命令时可能会遇到No CUDA toolset found报错。

在Windows菜单中，找到x64 Native Tools Command Prompt for VS 2019打开，执行如下命令

官方示例如下：

git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy
mkdir build && cd build
cmake .. -G "Visual Studio 16 2019" -A x64 ^
         -DENABLE_ORT_BACKEND=ON ^
         -DENABLE_PADDLE_BACKEND=ON ^
         -DENABLE_OPENVINO_BACKEND=ON ^
         -DENABLE_TRT_BACKEND=ON ^
         -DENABLE_VISION=ON ^
         -DENABLE_TEXT=ON ^
         -DWITH_GPU=ON ^
         -DTRT_DIRECTORY="D:\Paddle\TensorRT-8.4.1.5" ^
         -DCUDA_DIRECTORY="C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2" ^
         -DCMAKE_INSTALL_PREFIX="D:\Paddle\compiled_fastdeploy"
% nuget restore  （please execute it when WITH_CSHARPAPI=ON to prepare dependencies in C#)
msbuild fastdeploy.sln /m /p:Configuration=Release /p:Platform=x64
msbuild INSTALL.vcxproj /m /p:Configuration=Release /p:Platform=x64

一个典型的基于GPU的编译如下：

git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy
mkdir build && cd build
cmake .. -G "Visual Studio 16 2019" -A x64 ^
         -DENABLE_ORT_BACKEND=OFF ^
         -DENABLE_PADDLE_BACKEND=ON ^
         -DENABLE_OPENVINO_BACKEND=ON ^
         -DENABLE_TRT_BACKEND=ON ^
         -DENABLE_VISION=ON ^
         -DENABLE_TEXT=OFF ^
         -DWITH_GPU=ON ^
         -WITH_CSHARPAPI=ON  ^
         -DTRT_DIRECTORY="D:\TensorRT-8.5.1.7" ^
         -DCUDA_DIRECTORY="C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8" ^
         -DCMAKE_INSTALL_PREFIX="D:\fastdeploy-gpu"  ^
         -OPENCV_DIRECTORY="D:\book_maskrcnn\opencv"
         

msbuild fastdeploy.sln /m /p:Configuration=Release /p:Platform=x64
msbuild INSTALL.vcxproj /m /p:Configuration=Release /p:Platform=x64

一个典型的基于CPU的编译如下：

git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy
mkdir build && cd build
cmake .. -G "Visual Studio 16 2019" -A x64 ^
         -DENABLE_ORT_BACKEND=OFF ^
         -DENABLE_PADDLE_BACKEND=ON ^
         -DENABLE_OPENVINO_BACKEND=ON ^
         -DENABLE_TRT_BACKEND=OFF ^
         -DENABLE_VISION=ON ^
         -DENABLE_TEXT=OFF ^
         -DWITH_GPU=OFF ^
         -DOPENCV_DIRECTORY=D:\bushu\opencv\build ^
         -DCMAKE_INSTALL_PREFIX=D:\fastdeploy_cpu

msbuild fastdeploy.sln /m /p:Configuration=Release /p:Platform=x64
msbuild INSTALL.vcxproj /m /p:Configuration=Release /p:Platform=x64

编译完成后，即在CMAKE_INSTALL_PREFIX指定的目录下生成C++推理库

如您使用CMake GUI可参考文档Windows使用CMakeGUI + Visual Studio 2019 IDE编译

2 下载FastDeploy代码

FastDeploy库里面包含了许多代码示例，还有文档的讲解，强烈建议您下载。

git clone https://github.com/PaddlePaddle/FastDeploy
# 如果上面网站速度比较慢，也可以使用国内的Gitee下载
git clone https://gitee.com/paddlepaddle/FastDeploy

本示例中使用的是分割代码，C++代码的目录如下：

FastDeploy/ examples / vision / segmentation / paddleseg / semantic_segmentation / cpu-gpu /

这段代码一会需要拷贝到visual studio编译器中，提前准备好。

3 深度学习模型

您可以自己训练深度学习模型，这里使用预训练好的模型，模型下载地址为：

https://bj.bcebos.com/paddlehub/fastdeploy/PP_LiteSeg_B_STDC2_cityscapes_without_argmax_infer.tgz

测试图片下载地址为：

https://paddleseg.bj.bcebos.com/dygraph/demo/cityscapes_demo.png

创建Visual studio工程

下载并安装Visual Studio 2019，点击新建，选择C++控制台应用，点击下一步。

在这里插入图片描述
填入项目名称，选择项目的位置，点击创建。
在这里插入图片描述
在上面状态栏将项目设置为Release，选择x64平台。
在这里插入图片描述
删除代码，将FastDeploy/ examples / vision / segmentation / paddleseg / semantic_segmentation / cpu-gpu /infer.cc中的代码拷贝到编辑器中，代码如下：

// Copyright (c) 2022 PaddlePaddle Authors. All Rights Reserved.
//
// Licensed under the Apache License, Version 2.0 (the "License");
// you may not use this file except in compliance with the License.
// You may obtain a copy of the License at
//
//     http://www.apache.org/licenses/LICENSE-2.0
//
// Unless required by applicable law or agreed to in writing, software
// distributed under the License is distributed on an "AS IS" BASIS,
// WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
// See the License for the specific language governing permissions and
// limitations under the License.

#include "fastdeploy/vision.h"

#ifdef WIN32
const char sep = '\\';
#else
const char sep = '/';
#endif

void CpuInfer(const std::string& model_dir, const std::string& image_file) {
  auto model_file = model_dir + sep + "model.pdmodel";
  auto params_file = model_dir + sep + "model.pdiparams";
  auto config_file = model_dir + sep + "deploy.yaml";
  auto option = fastdeploy::RuntimeOption();
  option.UseCpu();
  auto model = fastdeploy::vision::segmentation::PaddleSegModel(
      model_file, params_file, config_file, option);

  if (!model.Initialized()) {
    std::cerr << "Failed to initialize." << std::endl;
    return;
  }

  auto im = cv::imread(image_file);

  fastdeploy::vision::SegmentationResult res;
  if (!model.Predict(im, &res)) {
    std::cerr << "Failed to predict." << std::endl;
    return;
  }

  std::cout << res.Str() << std::endl;
  auto vis_im = fastdeploy::vision::VisSegmentation(im, res, 0.5);
  cv::imwrite("vis_result.jpg", vis_im);
  std::cout << "Visualized result saved in ./vis_result.jpg" << std::endl;
}

void GpuInfer(const std::string& model_dir, const std::string& image_file) {
  auto model_file = model_dir + sep + "model.pdmodel";
  auto params_file = model_dir + sep + "model.pdiparams";
  auto config_file = model_dir + sep + "deploy.yaml";

  auto option = fastdeploy::RuntimeOption();
  option.UseGpu();
  auto model = fastdeploy::vision::segmentation::PaddleSegModel(
      model_file, params_file, config_file, option);

  if (!model.Initialized()) {
    std::cerr << "Failed to initialize." << std::endl;
    return;
  }

  auto im = cv::imread(image_file);

  fastdeploy::vision::SegmentationResult res;
  if (!model.Predict(im, &res)) {
    std::cerr << "Failed to predict." << std::endl;
    return;
  }

  std::cout << res.Str() << std::endl;
  auto vis_im = fastdeploy::vision::VisSegmentation(im, res, 0.5);
  cv::imwrite("vis_result.jpg", vis_im);
  std::cout << "Visualized result saved in ./vis_result.jpg" << std::endl;
}

void TrtInfer(const std::string& model_dir, const std::string& image_file) {
  auto model_file = model_dir + sep + "model.pdmodel";
  auto params_file = model_dir + sep + "model.pdiparams";
  auto config_file = model_dir + sep + "deploy.yaml";

  auto option = fastdeploy::RuntimeOption();
  option.UseGpu();
  option.UseTrtBackend();
  // If use original Tensorrt, not Paddle-TensorRT,
  // comment the following two lines
  option.EnablePaddleToTrt();
  option.EnablePaddleTrtCollectShape();
  option.SetTrtInputShape("x", {1, 3, 256, 256}, {1, 3, 1024, 1024},
                          {1, 3, 2048, 2048});

  auto model = fastdeploy::vision::segmentation::PaddleSegModel(
      model_file, params_file, config_file, option);

  if (!model.Initialized()) {
    std::cerr << "Failed to initialize." << std::endl;
    return;
  }

  auto im = cv::imread(image_file);

  fastdeploy::vision::SegmentationResult res;
  if (!model.Predict(im, &res)) {
    std::cerr << "Failed to predict." << std::endl;
    return;
  }

  std::cout << res.Str() << std::endl;
  auto vis_im = fastdeploy::vision::VisSegmentation(im, res, 0.5);
  cv::imwrite("vis_result.jpg", vis_im);
  std::cout << "Visualized result saved in ./vis_result.jpg" << std::endl;
}

int main(int argc, char* argv[]) {
  if (argc < 4) {
    std::cout
        << "Usage: infer_demo path/to/model_dir path/to/image run_option, "
           "e.g ./infer_model ./ppseg_model_dir ./test.jpeg 0"
        << std::endl;
    std::cout << "The data type of run_option is int, 0: run with cpu; 1: run "
                 "with gpu; 2: run with gpu and use tensorrt backend; 3: run "
                 "with kunlunxin."
              << std::endl;
    return -1;
  }

  if (std::atoi(argv[3]) == 0) {
    CpuInfer(argv[1], argv[2]);
  } else if (std::atoi(argv[3]) == 1) {
    GpuInfer(argv[1], argv[2]);
  } else if (std::atoi(argv[3]) == 2) {
    TrtInfer(argv[1], argv[2]);
  }
  return 0;
}

设置

在这里插入图片描述

  1. 附件包含目录

在弹出来的属性页中选择：C/C++ —> 常规 —> 附加包含目录，然后在添加 fastdeploy 、 opencv 以及cuda的头文件路径。如：

在这里插入图片描述

根据您存放的路径进行适当更改：

D:\fastdeploy-win-x64-gpu-0.0.0\include
D:\fastdeploy-win-x64-gpu-0.0.0\third_libs\install\opencv\build\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include
  1. 配置lib路径

在这里插入图片描述

添加附加库目录如下：

D:\fastdeploy-win-x64-gpu-0.0.0\third_libs\install\opencv\build\x64\vc15\lib
D:\fastdeploy-win-x64-gpu-0.0.0\lib
  1. 添加库文件
    分别将
fastdeploy.lib
opencv_world3416.lib

添加到库文件中。
在这里插入图片描述

  1. 生成解决方案
    在这里插入图片描述
    可执行文件生成目录为：工程目录\x64\Release

  2. 拷贝依赖的dll

对于版本高于0.2.1的SDK，提供了 fastdeploy_init.bat 工具来管理FastDeploy中所有的依赖库。可以通过该脚本工具查看(show)、拷贝(install) 和 设置(init and setup) SDK中所有的dll，方便用户快速完成运行时环境配置。

进入SDK的根目录，运行install命令，可以将SDK 中所有的 dll 安装到指定的目录（如exe所在的目录）。我们推荐这种方式来配置exe运行所需要的依赖库。比如，可以在SDK根目录下创建一个临时的bin目录备份所有的dll文件。以下命令中 %cd% 表示当前目录（SDK的根目录）。

# `install`为拷贝安装dll，`%cd%`表示当前目录，即SDK目录，`.\dir_to_copy`为拷贝的目录
D:\path-to-fastdeploy-sdk-dir>fastdeploy_init.bat install %cd% .\dir_to_copy

运行命令：
生成的项目地址为D:\Cplus\cjiajia\targetsdk\x64\Release
执行如下命令拷贝dll

fastdeploy_init.bat install %cd% D:\Cplus\cjiajia\targetsdk\x64\Release
# fastdeploy_init.bat install %cd%  D:\Cplus\cjiajia\maskrcnn\maskrcnn\x64\Release

在这里插入图片描述
6. 拷贝模型和测试图片

将下载好的模型和测试图片拷贝到生成的可执行文件目录。
需要注意的是，模型文件的子目录即为模型，如果直接下载可能还多了一层目录。

  1. 运行测试代码
# 运行部署示例
# CPU推理
./infer_demo PP_LiteSeg_B_STDC2_cityscapes_without_argmax_infer cityscapes_demo.png 0
# GPU推理
./infer_demo PP_LiteSeg_B_STDC2_cityscapes_without_argmax_infer cityscapes_demo.png 1
# GPU上Paddle-TensorRT推理
./infer_demo PP_LiteSeg_B_STDC2_cityscapes_without_argmax_infer cityscapes_demo.png 2

在这里插入图片描述
结果如vis_result.jpg所示。
在这里插入图片描述
8. 自定义代码
官方示例代码过于繁琐，可以使用如下自定义代码：

#include "fastdeploy/vision.h"

#ifdef WIN32
const char sep = '\\';
#else
const char sep = '/';
#endif

int infer(const std::string& model_dir, const std::string& image_file)
{
std::cout << "============开始测试==============" << std::endl;

//模型初始化
auto model_file = model_dir + sep + "model.pdmodel";
auto params_file = model_dir + sep + "model.pdiparams";
auto config_file = model_dir + sep + "deploy.yaml";
auto option = fastdeploy::RuntimeOption();


//设置后端
option.UseOpenVINOBackend();
option.SetCpuThreadNum(12);
//option.EnablePinnedMemory();   
//option.SetOpenVINOShapeInfo({ {"x",{1,3,800,800}} });

// 初始化模型
auto model = fastdeploy::vision::segmentation::PaddleSegModel(
    model_file, params_file, config_file, option);

if (!model.Initialized()) {
    std::cerr << "初始化失败." << std::endl;
    return 0;
}
else {
    std::cout << "初始化成功" << std::endl;
}

fastdeploy::vision::SegmentationResult res;
//读取样例图片进行预热
auto im = cv::imread("./5.jpg");
for (int count = 1; count <= 20; count++)
{
    model.Predict(im, &res);
}


//计时
auto start = std::chrono::system_clock::now();
//读取测试图片
im = cv::imread(image_file);

// 预测
if (!model.Predict(im, &res)) {
    std::cerr << "Failed to predict." << std::endl;
    return 0;
}

std::cout << res.Str() << std::endl;
auto vis_im = fastdeploy::vision::VisSegmentation(im, res, 0.5);
cv::imwrite("vis_result.jpg", vis_im);
std::cout << "结果保存在 ./vis_result.jpg" << std::endl;


//计时
auto end = std::chrono::system_clock::now();
auto duration = std::chrono::duration_cast<std::chrono::microseconds>(end - start);
double costTime = double(duration.count()) * std::chrono::microseconds::period::num / std::chrono::microseconds::period::den;

printf("[%s][%d] 模型推理成功，耗费时间为: %lf s \n", __func__, __LINE__, costTime);
std::cout << "=============== 算法完成 ===============" << std::endl;

}

int main() {

    std::string model_dir = "./inference_model";  // 模型路径
    std::string image_file = "./5.jpg";  // 测速图片路径

    infer(model_dir, image_file);

 
}

生成项目工程，需要注意的是，如果您选择重新生成解决方案，需要重新执行步骤5. 拷贝依赖的dll，因为每次重新生成工程后，plugins.xml都会被自动删除。

在终端中输入targetsdk运行代码

在这里插入图片描述

七月之光
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Dev C++ 6.3安装包，DevC++智能开发平台
07-16
7. **跨平台**：尽管这个6.3版本相对较旧，但Dev C++系列原本设计为跨平台，可以在Windows、Linux和Mac OS上运行。不过，对于6.3版本，主要关注的是Windows平台。 8. **自定义配置**：用户可以根据自己的需求调整...
VS2008下C++开发Windows服务程序
08-18
使用VS2008开发环境C++编写的Windows服务程序，安装、启动、暂停、恢复、停止、重新启动服务 使用VS2008开发环境C++编写的Windows服务程序，安装、启动、暂停、恢复、停止、重新启动服务
Fastdeploy快速部署YOLOv8模型（含安装教程及源码）
2303_80018785的博客
04-25 1128
本文为笔者最近两天尝试使用FastDeploy进行一个快速的模型部署实践下面简单介绍一下关于FastDeploy是什么，相较于传统部署的优势，装的时候遇到的小问题，最后还有安装的教程以及简单的部署实战。
FastDeploy项目简介，使用其进行（图像分类、目标检测、语义分割、文本检测|orc部署）
a486259的博客
01-25 2174
FastDeploy是一款全场景、易用灵活、极致高效的AI推理部署工具， 支持云边端部署。提供超过 🔥160+ Text，Vision， Speech和跨模态模型📦开箱即用的部署体验，并实现🔚端到端的推理性能优化。包括 物体检测、字符识别（OCR）、人脸、人像扣图、多目标跟踪系统、NLP、Stable Diffusion文图生成、TTS 等几十种任务场景，满足开发者多场景、多硬件、多平台的产业部署需求。
【onnxruntime】【GPU】windows10下onnxruntime-win-x64-gpu-1.15.0 C++版本源码编译教程
最新发布
yangyu0515的博客
04-28 1902
【onnxruntime】【GPU】windows10下onnxruntime-win-x64-gpu-1.15.0 C++版本源码编译教程
PaddleOCR 使用 FastDeploy 服务化部署及postman、java调用服务的方法
qq_30946821的博客
06-27 3169
二、还是如果跟我一样使用的是cpu的版本，截至目前最新的fastdeploy:1.0.4-cpu-only-21.10版本，它默认的paddle推理引擎是有问题的，识别不出内容，需要更换其它支持cpu的引擎，比如OpenVINO 、ONNXRuntime。一、如果跟我一样选择的是cpu的版本，那么修改config.pbtxt配置文件时不仅得按官方说的需要修改kind: KIND_GPU为kind: KIND_CPU，还需要把后面的gpus: [0]这块也删掉。摸索了好久总算调用成功了，赶紧来总结一下。
FastDeploy部署参考
baidu_41706898的博客
06-17 1056
FastDeploy Windows c++ 的部署流程
FastDeploy：PaddleSeg C++部署方式（一）
04-12 1635
paddleseg训练的模型通过fastdeploy c++进行部署
FastDeploy 安装教程
ch_ccc的博客
11-26 1855
FastDeploy 简单 部署
【C++ 图像处理 fastDeploy】20230912-fastDeploy安装测试
qq_37245700的博客
09-12 274
测试数据。
WCHBleLib Windows c/c++开发三方库
03-05
1、WCHBleLib是Windows平台BLE蓝牙开发的三方库，采用C语言编写，适用c/c++/qt开发。 2、内容包括WCHBleLib库，WCHBleLib的Demo源码，WCHBleLib开发的WCHBleDemo.exe样品。
onnxruntime gpu
05-31
onnxruntime gpu版本推理库文件，包含头文件，lib库文件，dll 动态库文件，用于c++开发
onnxruntime_gpu-1.2.0-cp36-cp36m-manylinux2010_x86_64.whl
05-06
onnxruntime_gpu-1.2.0-cp36-cp36m-manylinux2010_x86_64.whl是onnx模型推理用的pip包，GPU版本，可取官网下载，但是速度较慢
使用C++实现的Windows进程死锁查看工具
10-11
使用C++实现的Windows进程死锁查看工具 包含了源代码和可执行程序 使用场景： 监视进程状态 帮助快速分析进程与线程之间的关系 快速定位死锁 适合C++新手快速上手学习Windows系统层级的开发功能。
Linux Windows双平台下C++开发
11-10
Linux Windows双平台下C++开发
FastDeploy部署（C++ Win10）
流牧的博客
08-22 1037
点击开始菜单，找到x64 Native Tools Command Prompt for VS 2017命令工具（也可能叫做 “适用于 VS 2017 的 x64 本机工具命令提示”），并使用cd命令切换到项目目录FastDeploy_Test。FastDeploy是百度为了解决AI部署落地难题，发布的新一代面向产业实践的推理部署工具。注意：DFASTDEPLOY_INSTALL_DIR指定你的FastDeploy预编译库目录，DCUDA_DIRECTORY指定你的cuda目录。
飞桨生态之FastDeploy预编译库的使用方法
shengzhe8688的专栏
12-21 1876
飞桨FastDeploy预编译库的踩坑之旅
fastdeploy快速部署yolov5离线模型
码王吴彦祖的博客
11-14 3813
本篇主要是介绍了yolov5模型的快速部署，使用过yolov5训练过的兄弟都知道，训练完之后，无论你的模型是如何导出的，最后想要使用导出的模型，可能还脱离不了yolov5框架，因为，在使用导出的模型前，yolov5对输入层和输出层都做了较多的图像处理，导致，最后要么是调用yolov5中的detect.py，要么是自己手抠输入层和输出层的算法
【Gradio】基于FastDeploy部署通用物体检测模型
Derek_Robbie的博客
11-23 225
该项目默认已训练好一个目标检测模型，希望快速制作一个Demo进行体验。
在Windows上安装C++编译器和开发包
05-27
在Windows上安装C++编译器和开发包的步骤如下： 1. 安装 Visual Studio Community 您可以在 Microsoft 官网下载 Visual Studio Community。该软件是一个免费的 IDE（集成开发环境），提供了一个完整的开发环境，包括 C++ 编译器、调试器、文本编辑器和其他工具。 2. 安装 Windows 开发人员工具包 在 Visual Studio 中，选择“工具”>“获取工具和功能”，然后选择“Windows 10 SDK”和“C++ 工具”。 3. 安装 Python 您可以在 Python 官网下载最新版本的 Python。安装时，请确保勾选“Add Python to PATH”选项。 4. 安装 pip 打开命令提示符，输入以下命令安装 pip： ``` python -m ensurepip --default-pip ``` 5. 安装所需的库 打开命令提示符，进入项目文件夹，并输入以下命令安装所需的库： ``` pip install setuptools wheel pip install --upgrade setuptools pip install --upgrade wheel pip install -r requirements.txt ``` 其中，`requirements.txt` 是包含所需依赖项的文件。 如果您遇到任何问题，请查阅相应的文档以获取更多帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值