YOLO实践应用之搭建开发环境（Windows系统、Python 3.8、TensorFlow2.3版本）

ゝ一纸荒年。 2022-12-10 11:28 800阅读 0赞

## 前言 ##

基于YOLO进行物体检测、对象识别，先和大家分享如何搭建开发环境，会分为CPU版本、GPU版本的两种开发环境，本文会分别详细地介绍搭建环境的过程。

**主要使用TensorFlow2.3、opencv-python4.4.0、Pillow、matplotlib ****等依赖库。**

## 搭建环境参数 ##

> **系统**：Windows      ** 编程语言**：Python 3.8           
> 
> **深度学习框架**：TensorFlow 2.3        **整合开发环境**：Anaconda        **开发代码IDE**：PyCharm

推荐理由：1）Anaconda +PyCharm，能适应较多的开发环境，比如，创建一个TensorFlow2.3的环境，创建一个TensorFlow1.5的环境，是不会相互影响的，而且切换很方便。相对来说VScode在环境配置和切换就差一些了，尽管我也挺喜欢VScode的。

2）使用Python语言相对C、C++更好上手，易于理解。

**目录**

前言

搭建环境参数

一、安装Anaconda

二、安装TensorFlow

1、YOLO开发环境——CPU版本

2、YOLO开发环境——GPU版本

三、安装PyCharm

四、安装YOLO3用到的依赖库

五、配置PyCharm开发环境

测试环境

--------------------

## 一、安装Anaconda ##

大家到官网下载Windows 版本的Anaconda，选择电脑的位数（32位 / 64位）：目前最新默认使用Python 3.8了，没关系的，等下我们可以创建一个独立的conda开发环境，安装Python 3.6就好啦。

[https://www.anaconda.com/products/individual][https_www.anaconda.com_products_individual]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70][]

在网页中拉到底下，即可看到上图页面；比如，电脑系统是Windows的64位，选择红色框框的；如果是32位的，选择红框下一个。下载好后，其是一个可执行文件，例如：Anaconda3-2020.07-Windows-x86\_64.exe。

双击可执行文件，进行安装，过程安装引导安装即可；（同意，下一步）

> 需要注意：添加环境变量的需要勾上√，如果默认使用PYthon3.8的第二个勾上，

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1][]

后面默认直至安装完成。

## 二、安装TensorFlow  ##

这里是在Anaconda中安装TensorFlow 2.3的，大家可以想象Anaconda为一个资源管理器，在支持PYthon3 的基础上，安装许多深度学习用到的包或依赖库，然后封装成一个独立的开发环境；最好后在PyCharm直接使用封装好的开发环境。

首先在应用程序中打开“Anaconda Prompt（naconda3）”：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2][]

大家先选择一下，是安装CPU环境，还是GPU环境，建议尽量安装GPU环境，这样做YOLO的物体检测、目标识别时会更快和流畅。先看下是否符合GPU环境的要求：

GPU **前提条件：**电脑中有显卡，NVIDIA品牌；而且在windows中的显卡驱动的版本 >=418.96

1）如果满足这个条件的朋友，恭喜你可以布置GPU加速环境，训练神经网络时可以用到GPU进行加速。

2）如果不满足这个条件的朋友，先去看看我这边博客：[一篇文章清晰了解NVIDAI显卡驱动（包括：CUDA、CUDA Driver、CUDA Toolkit、CUDNN、NCVV）][NVIDAI_CUDA_CUDA Driver_CUDA Toolkit_CUDNN_NCVV] 这里面有介绍较旧的显卡（例如我的旧电脑是GTX950M），安装较新版本的显卡驱动（445.87版本）；从而实现使用GTX950M显卡进行加速神经网络训练等。新电脑的显卡是GTX1660了。

3）如果电脑没显卡，或不想使用GPU加速的朋友，可以跳过**布置GPU加速环境**

### 1、YOLO开发环境——CPU版本 ###

**1）新建一个名为** YOLO3-CPU-TensorFlow2 **的开发环境，使用PYthon3.8**

> conda create  -n YOLO3-CPU-TensorFlow2  python=3.8

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3][]

安装过程询问y / n； 输入y 同意安装

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4][]

等待安装完成即可。

**2）进入刚才创建的环境**

> conda activate YOLO3-CPU-TensorFlow2

**3）安装TensorFlow2.3.1**

> pip install tensorflow==**2.3.1**   -i https://mirrors.aliyun.com/pypi/simple/

这里等待安装完成即可; 分析-i https://mirrors.aliyun.com/pypi/simple/  是指定国内的软件源来下载，这样比较快。

## ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5][]

**4）验证是否环境安装成功**

进入Python环境：

> python

输入命令导入TensorFlow库：import tensorflow as tf

查看其版本：tf.\_\_version\_\_

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6][]

### 2、YOLO开发环境——GPU版本 ###

**前提条件：**电脑中有显卡，NVIDIA品牌；而且在windows中的显卡驱动的版本 >=418.96

**1）新建一个名为** YOLO3-GPU-TensorFlow2 **的环境，使用PYthon3.8**

> conda create  -n YOLO3-GPU-TensorFlow2  python=3.8

安装过程询问y / n； 输入y 同意安装

等待安装完成即可。

**2）进入刚才创建的环境**

> conda activate YOLO3-GPU-TensorFlow2

**3）安装TensorFlow2.3.1**

> pip install tensorflow-gpu==2.3.1   -i https://mirrors.aliyun.com/pypi/simple/

这里等待安装完成即可; 分析 -i https://mirrors.aliyun.com/pypi/simple/ 是指定国内的软件源来下载，这样比较快。

![20200926054705400.png][]

等待安装完成；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7][]

下面安装**英伟达的**cudatoolkit**、和英伟达深度学习软件包**cudnn

**a）安装英伟达的cudatoolkit 10.1版本**

> conda install cudatoolkit=10.1

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8][]

安装过程需要选择y，等待安装完成。

**b）安装英伟达深度学习软件包7.6版本**

> conda install cudnn==7.6.\*

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9][]

如果上面cudatoolkit、cudnn两条语句顺利安装没报错，恭喜你啊，布置GPU加速环境成功啦。

**4）验证是否环境安装成功**

进入Python环境：

> python

输入命令导入TensorFlow库：import tensorflow as tf

查看其版本：tf.\_\_version\_\_

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10][]

完成啦！！

## 三、安装PyCharm ##

我们到官方下载社区版的PyCharm，无需在网上找破解版的；

[https://www.jetbrains.com/pycharm/download/\#section=windows][https_www.jetbrains.com_pycharm_download_section_windows]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11][]

然后来到下图页面：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12][]

下载好后是一个可执行文件，例如：pycharm-community-2020.1.exe

双击可执行文件进行安装，默认安装即可，需要注意的下图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 13][]

然后等待安装完成后，需要重启电脑哦。

## 四、安装YOLO3用到的依赖库 ##

主要安装python版本的OpenCV、Keras、Pillow、matplotlib；建议大家根据下面的命令进行安装，下面的依赖库指定的版本是通过测试的。其中 -i https://pypi.mirrors.ustc.edu.cn/simple 主要是指定pip 为国内软件源安装，提升安装速度。

下面依赖库安装通常是没什么问题的，就不截图安装过程了

> pip install opencv-python==4.4.0.44 -i https://mirrors.aliyun.com/pypi/simple/

> pip install Pillow -i https://mirrors.aliyun.com/pypi/simple/

> pip install matplotlib -i  https://mirrors.aliyun.com/pypi/simple/

## 五、配置PyCharm开发环境 ##

1）打开PyCharm，新建工程；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 14][]

2）然后选择 1 工程所放目录路径；2 点击查看详情配置； 3点击选择创建的开发环境

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 15][]

3）设置开发环境，使用之前在Anaconda创建好的环境：YOLO3-GPU-Tensoflow2

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 16][]

点击OK，然后点击create。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 17][]

## 测试环境 ##

新建一个python文件，编写测试程序：

测试代码：

import  tensorflow as tf
     
    tensorflow_version = tf.__version__
     
    #以下两行代码适合有“布置GPU环境的”
    gpu_available = tf.test.is_gpu_available()
    print("tensorflow version:", tensorflow_version, "\tGPU available:", gpu_available)
     
    #以下一行代码适合没有“布置GPU环境的”，纯CPU版本的
    #print("tensorflow version:", tensorflow_version)
     
    a = tf.constant([1.0, 2.0], name="a")
    b = tf.constant([1.0, 2.0], name="b")
    result = tf.add(a, b, name="add")
    print(result)

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 18][]

能看到YOLO的开发环境搭建成功了，恭喜啊。

先看一下LOYOv3 的效果：[YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）][YOLOv3_Windows_Python3_TensorFlow2]

1）有四只小猫被检测出来：

使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 19][]

2）一只小狗和一只小猫同时被检测出来：

小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；

小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 20][]

3）在复杂的十字路口，有许多行人和车辆被检测出来了：

大家可以看到大部分的行人、小汽车和公交车是被检测出来了，存在小部分没有被检测出来；如果是做特定场景的目标检测，建议大家后续采购特定场景的数据，重新训练网络，生成稳定且高精度的模型，保存权重文件，便于后续使用。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 21][]

希望对你有帮助，如果发现文章有误，欢迎指出。

[https_www.anaconda.com_products_individual]: https://www.anaconda.com/products/individual
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70]: /images/20221123/f52a8e55e7ec497aa7264efa80b441f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1]: /images/20221123/63519774751c4f809568f932af4cfd51.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2]: /images/20221123/bc8c60e6145b475285d8f6bc6310688c.png
[NVIDAI_CUDA_CUDA Driver_CUDA Toolkit_CUDNN_NCVV]: https://guo-pu.blog.csdn.net/article/details/105905747
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3]: /images/20221123/b122d56ada2c46e2ae55a6a6fc78aa9a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4]: /images/20221123/c27e917034654b0caa9697876726798a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5]: /images/20221123/31a95c6aa2c3497884f227979b4ad70c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6]: /images/20221123/e17cb135667a4fc690330c2321b69618.png
[20200926054705400.png]: /images/20221123/a46fd2d42682428ba5e7bc9c2a1744a9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7]: /images/20221123/22d2582da40c42ce80a10c0737cb0250.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8]: /images/20221123/ff30f724a94d4bae9be3633ff21be56c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9]: /images/20221123/76bb857ec1c949a786cb782ec8b44560.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10]: /images/20221123/1b8357ddfe6a4a7189f3aae907f62d49.png
[https_www.jetbrains.com_pycharm_download_section_windows]: https://www.jetbrains.com/pycharm/download/#section=windows
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11]: /images/20221123/972bc9c8927c44a4a3224fb92248365f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12]: /images/20221123/8079cc247ee84126b0cf079688901d2d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 13]: /images/20221123/dd4914a46cf84644b0f609e59e7480f3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 14]: /images/20221123/07dc1ecebb7a4d2e8d2c2afc7a08eac2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 15]: /images/20221123/2005355ffbf746c7b81f8be811628ba1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 16]: /images/20221123/5473cec728a745b0ab766151a4650c51.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 17]: /images/20221123/77d299449cb049c9b0eeb98a719655f4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 18]: /images/20221123/ee7e7c55eef04d71a8300c91f634bcf1.png
[YOLOv3_Windows_Python3_TensorFlow2]: https://blog.csdn.net/qq_41204464/article/details/108837246
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 19]: /images/20221123/ee904621c2114e1685230a24ba5e352c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 20]: /images/20221123/4a2dce11abe847c79c4a9a9442ea1d4f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 21]: /images/20221123/12c04403ad544899863754ee19ff462f.png