windows下搭建yolo识别（anaconda+anaconda+TensorFlow+python3.9）

Windows上配置YOLOv5环境及TensorFlow-GPU搭建指南

原创已于 2023-06-18 23:09:33 修改 · 634 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #计算机视觉 #视觉检测

于 2023-04-11 12:24:29 首次发布

文章介绍了在Windows环境下，使用Anaconda创建YOLOv5的GPU加速TensorFlow开发环境的过程，包括Python和OpenCV的安装，TensorFlow-GPU的版本选择与安装，CUDA和cuDNN的配置。作者推荐使用YOLOv5替代YOLOv3，因为YOLOv5更简单且效果更好。文章提供了详细步骤，包括错误处理和环境验证，并提供了识别图像和视频的命令示例。

部署运行你感兴趣的模型镜像

此方法基本弃用吧——首先yolov3本身就不好配环境，识别效果其实也是一般般的。
我直接重写一份yolov5的，非常的简单，并且好用。

（这里面的配置方法对Ubuntu也同样适用）

开发环境：windows
编程语言python3.9
深度学习框架TensorFlow
整合开发环境anaconda
代码IDE：pycharm
这里直接考虑用gpu加速的图像处理
安装python3.9
python官网
安装opencv
opencv官网
安装anaconda
anaconda和pycharm安装
安装方法不做过多说明。

搭建TensorFlow开发环境：
进入anaconda prompt
在这里插入图片描述
新建一个YOLO-GPU-TensorFlow2的开发环境

conda create -n YOLO-GPU-TensorFlow2 python=3.9

注意这里是错误之源，太高的python版本会导致
直接y进入安装在这里插入图片描述
接着进入空间中

conda activate YOLO-GPU-TensorFlow2

直接pip下载：

pip install tensorflow-gpu==2.5.1 -i https://mirrors.aliyun.com/pypi/simple/

这里建议用清华源比较快

pip install tensorflow-gpu==2.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

在这里插入图片描述
这里是可以选版本的，因为是镜像，速度也是比较慢的。
并且我没有一次装好。多输入几次相同的命令，确保没有任何报错。

验证是否环境安装成功：（非必要）

python
import tensorflow as tf
tf.__version__

安装cuda

conda install cudatoolkit=11.3.1
注意：这里可以直接用11，然后他会自己安装最新版。必须要出现y选项才算安装。遇到错误重新安装即可

在这里插入图片描述

安装cudnn

conda install cudnn==8.*
遇到错误重新安装即可

在这里插入图片描述
（注意，对于Ubuntu而言这里不管你之前有没有下载过cuda，cudnn，这里都建议再安装一次）
测试cuda加速（必要）在TensorFlow的环境下：

python
import tensorflow as tf
tf.__version__

在这里插入图片描述
只有success才行。
下载yolov3的开源代码和权重文件（打包）
百度网盘
链接: https://pan.baidu.com/s/1w4ZrawH2acAB344H2EncJQ 提取码: mr6c
–来自百度网盘超级会员v1的分享
请添加图片描述
配置pycharm环境

选择解释器：刚才创建的yolo-gpu-tensorflow
在这里插入图片描述
这部分在打包文件中已经生成了。
下载权重文件（权重文件的意义自己去了解）

~~将权重文件放到./data中。~~

~~pycharm中调出终端convert权重文件，输出到checkpoint~~

python convert.py --weights ./data/yolov3.weights --output ./checkpoints/yolov3.tf

（如果用tiny的权重：python convert.py --weights ./data/yolov3-tiny.weights --output ./checkpoints/yolov3-tiny.tf --tiny）这里面的output必须要加一个–tiny才能生成tf
可以看到checkpoint中多了这几个文件:
在这里插入图片描述
接下来是用detect.py进行识别：

python detect.py --image ./data/street.jpg

当然也可以指定output

python detect.py --image ./data/street.jpg --output ./data/test1.jpg

在这里插入图片描述
上述的命令完全不需要死记硬背。python 函数 --weights 位置 --image 位置 --output 位置
除了调用图片之外，还可以调用其它的：

yolov3 检测图片的对象（默认权重就是yolov3.weights）

python detect.py --image ./data/cat.jpg

yolov3-tiny

python detect.py --weights ./checkpoints/yolov3-tiny.tf --tiny --image ./data/street.jpg

webcam 摄像头实时检测对象（默认权重就是yolov3.weights）

python detect_video.py --video 0
(当然也是可以指定weights的)

video file 检测视频文件的对象

python detect_video.py --video path_to_file.mp4 --weights ./checkpoints/yolov3-tiny.tf --tiny --output 位置

基本的命令也就这些了。

后面会对原理，代码做进一步的分析。同时也包含自己打标签等

经过·一段时间的学习我发现这里最难得就是配置合适的环境，很多时候都是因为环境不对我才出现各种问题。
后面又重新安装了一个cuda，11.7版本，cudnn8.4
当然最关键的就是cuda安装后
python
import tensorflow as tf
我最喜欢看到了：successful
在这里插入图片描述
但是，到后面的依赖依然有问题，迄今为止，我的环境只要一个是完全没问题。但是还没有试过自己的数据集进行训练的。所以有些焦躁。