ubuntu 下 anaconda安装环境跑通Tensorflow Object Detection API

最新推荐文章于 2020-09-24 18:15:46 发布
原创 最新推荐文章于 2020-09-24 18:15:46 发布 · 1.5k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Tensorflow Object Detection AP #anaconda #ubuntu

本文详细介绍了如何使用Anaconda在Linux环境下创建独立的虚拟环境，避免环境间的相互影响，并逐步指导如何搭建TensorFlow Object Detection API所需的所有依赖，包括安装COCO API、编译Protobuf以及设置GPU模式。

由于本人linux环境比较多，为了避免互相影响，使用anaconda进行环境管理

目录

anaconda安装及环境搭建

软件下载：

创建虚拟环境

激活环境

Tensorflow Object Detection API 环境搭建

下载tensorflow Models：

安装相关环境：

安装tensorflow

COCO API 安装

Protobuf 编译

Protobuf手动安装编译方式

将 slim库目录添加到python路径

测试安装

GPU模式

cuda安装

cudnn安装

 

anaconda安装及环境搭建

软件下载：

anaconda官网下载地址

ubuntu下安装的anaconda3 为了避免影响其他环境，我没有把anaconda加入系统目录

 

创建虚拟环境

用conda创建虚拟环境 在anconda3安装目录里使用命令

./anconda3/bin/conda create --name py35tf python=3.5

 

激活环境

source anaconda3/bin/activate py35tf

如果想退出环境 运行

source deactivate

 

Tensorflow Object Detection API 环境搭建

下载tensorflow Models：

linux 终端运行命令：

git clone --recursive https://github.com/tensorflow/models.git

 

安装相关环境：

按照官方说明，安装如下环境

  1. Protobuf 3.0.0
  2. Python-tk
  3. Pillow 1.0
  4. lxml
  5. tf Slim (which is included in the "tensorflow/models/research/" checkout)
  6. Jupyter notebook
  7. Matplotlib
  8. Tensorflow (>=1.9.0)
  9. Cython
  10. contextlib2
  11. cocoapi

安装tensorflow

# For CPU

pip install tensorflow==1.9.0

# For GPU

pip install tensorflow-gpu==1.9.0

 

COCO API 安装

git clone https://github.com/cocodataset/cocoapi.git

cd cocoapi/PythonAPI

make

make成功后生成pycocotools文件夹 将其拷贝到 /models/research/文件夹内

cp -r pycocotools <path_to_tensorflow>/models/research/

 

Protobuf 编译

在 tensorflow/models/research/ 目录下运行 protoc object_detection/protos/*.proto --python_out=.

我测试没有编译成功 改用手动安装编译方式

 

Protobuf手动安装编译方式

下载protobuf.zip并解压，在 tensorflow/models/research/ 目录运行

wget -O protobuf.zip https://github.com/google/protobuf/releases/download/v3.0.0/protoc-3.0.0-linux-x86_64.zip

unzip protobuf.zip

在 tensorflow/models/research/目录运行

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

编译成功

 

将 slim库目录添加到python路径

在 tensorflow/models/research/ 目录运行

export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim

这句话每次重新进入终端环境都要运行一次

 

测试安装

在 tensorflow/models/research/目录运行

python object_detection/builders/model_builder_test.py

测试成功

 

GPU模式

GPU模式需要安装 cuda 及cudnn

cuda安装

搜索cuda版本

conda search cuda

我这里安装了9.0版本

conda install cudatoolkit==9.0

cudnn安装

搜索cudnn版本

conda search cudnn

cudnn版本要和cuda版本对应上，这里选择安装 7.3.1版本

conda install cudnn==7.3.1

 

anaconda可以直接安装cuda及cudnn到虚拟环境，不会影响其它环境，还是比较方便的。

 

ubuntu16.04下Anaconda3环境中安装TensorFlow object Detection API
wuliangcai_的博客
02-11 1200
我的配置：Anaconda3 5.2.0、tensorflow-gpu1.9、cuda9、cuDNN7，以上具体安装过程可参考我以前的博文。下面具体讲一下 我在Anaconda3环境中安装TensorFlow object Detection API的过程： 1、TensorFlow Model模型库下载 下载链接：https://github.com/tensorflow/models 下...
（Tensorflow Object detection Api）安装
ljyt2的博客
08-28 3294
这里首先来说一下tensorflow object detection api的安装。 1、安装Tensorflow 建议使用anaconda进行安装，这样可以很方便的调整tensorflow的版本：以下是一些参考资料 在 Windows 平台安装 NVIDIA GPU 加速的 TensorFlow 使用 Anaconda 进行安装Tensorflow TensorFlow安装 - A...
ubuntu 18 tensorflow object detection API
Kalenn212的博客
05-22 311
下载 在https://github.com/protocolbuffers/protobuf/releases下载protoc-3.10.0-linux-x86_64.zip 在https://github.com/tensorflow/models下载models-master.zip 在https://github.com/cocodataset/cocoapi下载cocoapi-master.zip $ pip3 install ipython[notebook] $ pip3 install .
anaconda tf 环境搭建object detection api
weixin_44353942的博客
05-13 230
https://www.geek-share.com/detail/2756662233.html https://blog.youkuaiyun.com/qq_34213260/article/details/85239929
Ubuntu 16.04下安装TensorFlow Object Detection API--从头开始训练自己的数据集（一）
古月的博客
12-10 1863
一、TensorFlow Object Detection API 环境搭建      TensorFlow Object Detection API 默认提供了 5 个预训练模型,官们都是使用 coco 数据集训练完成的,结构分别为 SSD+Mobi leNet 、 SSD+Inception 、R-FCN+ ResNet101 、 FasterRCNN+ResNet101、 Faster R...
Ubuntu18.04使用Anaconda虚拟环境运行tensorflow-object-detection-api（GPU版）
YIOH的博客
07-16 1549
安装完Mac主题风格后，心情大好，hh，终于可以干正事了。下面进入正题。 0.安装Anaconda 去官方地址下载对应的压缩包，然后通过bash命令安装。 注意点 安装地址最好选择默认的，比较方便。 需要将环境变量添加到PATH里面，如果没有的话，进行如下操作 sudo gedit ~/.bashrc 然后在文件最后加上 export PATH=/home/(你的用户名)/anaconda3...
TensorFlow Object Detection API 超详细教程和踩坑过程（安装）
qq_38593211的博客
09-23 1万+
目录 1.配置环境     cuda安装     cudnn安装     anaconda安装并创建环境     tensorflow环境     2.API安装     Tensorflow.models下载     Protobuf配置与测试 1.配置环境       首先说一下我的环境：Ubuntu16.04 + nvidia384 + cuda9.0 + cudnn...
Ubuntu下tensorflow2.2 object detection api训练环境的搭建
l13022736018的博客
09-24 2437
Ubuntu下tensorflow2.2 object detection api训练环境的搭建 年初早些时候因为疫情在家，偶然看到一篇Android手机端实时运行深度学习目标检测模型，很感兴趣。网上搜集了一些有关的论文和资料，结合正在做的实验室工作开始了应用Tensorflow object detection API做自己的深度学习项目，那时候由于电脑里的anaconda环境中先安装了tensorflow2，配置object detection api过程中遇到各种奇怪的问题，后来发现是tensorfl
tensorflow object detection api 详细实践教程
热门推荐
csdn_6105的博客
10-04 2万+
最近由于研究方向的更换，接触到了目标检测（Object Detection）领域，觉得很有意思，并且阅读了该方向的相关经典文献，包括Fast-RCNN、Faster-RCNN、SSD、YOLO以及RetinaNet等。但是对于读研狗或者读博狗的我们来说，复现别人代码并且能够得到在公开数据集上和原作者相近甚至相同的实验结果对于我们做研究甚至以后的工作来说是至关重要的。个人觉得目标检测方向是多个细化方...
window7+tensorflow object detection api配置(tensorflow,anaconda安装)
qq_31290747的博客
03-13 203
1. 安装Anaconda,64位，这里选python3.5的（这个随便）。 2.打开Anaconda Navigator，点击Create新建环境，名为objapi(名字任意)。 创建好之后，上方会出现： 点击绿色的三角，选择Open Terminal,进入环境。 3. 安装Tensorflow 在进入的环境终端窗口中输入指令： pip install --upgrade t...
win10中anaconda环境调用tensorflow的object_detection api，环境配置问题及其解决
weixin_39153202的博客
08-25 1106
1. 在系统环境变量中，添加anconda的安装路径，使得系统可以在CMD中调用python、spyder、notebook等； 2. 下载的文件 protoc-3.4.0-win32.zip（版本很重要，试了3.5 3.6都报错），提取 bin\ 下的 protoc.exe，放在research目录下， 并在CMD中运行 protoc object_detection\protos\*.p...
from nets.mobilenet import mobilenetv2 ModuleNotFoundError: No module named 'nets' conda安装slim
乱七八糟的笔记
08-27 4388
之前提供过一种解决方案。但是需要在代码中增加路径，并不是很通用。 第二种解决方案： https://github.com/tensorflow/models/tree/master/research/slim 下载这个包，解压后，找到setup.py所在目录：（如果你用conda，启用你的环境） python setup.py build python setup.py install...
Ubuntu 16.04下安装TensorFlow Object Detection API(对象检测API)
哈哈哈的技术博客
02-25 2万+
TensorFlow对象检测API是一个建立在TensorFlow之上的开源框架，可以轻松构建，训练和部署对象检测模型。 github地址下载TensorFlow Model模型库TensorFlow 模型库包含了很多开源的模型，包括图像分类、检测、自然语言处理NLP、视频预测、图像理解等等，我们要学习的对象检测ＡＰＩ也包括在这里面，可以用git checkout到本地，也可以直接在github下...
win7+Anaconda 安装Tensorflow Object Detection API
Melody
07-05 2690
网上的方法试了一圈，出现过两个错误：1. ImportError: No module named 'object_detection'2. ImportError: cannot import name 'string_int_label_map_pb2'第一个错误，是因为没有安装tensorflow\models造成的，第二个错误，是因为没有正确编译models\research\object...
如何在TensorFlow环境下安装object_detection
cq99312254的博客
06-25 1779
在anaconda环境下安装 google的object_detecthon,主要涉及Protoc的配置，object_detecthon环境变量配置等工作。 前期准备工作： （1）在anaconda环境下安装配置好TensorFlow，并且设置好并进入TensorFlow环境。由于机器原因，我使用的CPU版的TensorFlow。 A：检查Python的支持：condasearch --...
用conda搭建tensorflow-gpu（包含object detection api配置）
yuzaizhu的专栏
03-22 784
一、anaconda安装 bash ×××××.sh文件 二、虚拟环境 （1）conda env list 或 conda info -e：查看当前存在哪些虚拟环境，conda info --envs查所有环境 （2）conda create -n py36 python=3.6 创建虚拟环境 其中，py36为虚拟环境名称， PS：本机anaconda环境需要root权...
Ubuntu18.04下安装TensorFlow Object Detection API
m0_37857151的博客
11-13 652
安装步骤： 模型源码：https://github.com/tensorflow/models 1、下载源码后解压，修改文件夹名为models 2、安装protoc： 打开网址https://github.com/protocolbuffers/protobuf/releases，根据自己的ubuntu位数，下载想要的包，我这里下载的是proto-3.6.1-linux-x86_64。 ...
配置COCO API（安装COCO）
weixin_33950035的博客
02-24 918
仍旧是win10，Python3.5 从GitHub下载coco源码，解压到任意文件夹。（或者创建一个工程）coco源码链接 https://github.com/cocodataset/cocoapi 在cmd窗口，cd到PythonAPI目录，执行 python setup.py install 可能遇见的问题： 找不到vcversall.bat，解决办法：安装Vis...
Anaconda3 安装keras
coco的专栏
04-23 1566
Anaconda3如何安装keras，主要包括下面三步： 1.安装mingw libpython: 2.安装theano: 3.安装keras 1.命令行输入： conda install mingw libpython 前几次运行，均报连接错误： 过了一会再次尝试就好了。 2.conda install theano 3.conda install ker...
ubuntu下tensorflow 目标检测
最新发布
01-17
### 如何在Ubuntu上使用TensorFlow实现目标检测 #### 安装必要的软件和库 为了确保能够顺利安装并运行TensorFlow的目标检测API，在Ubuntu环境中需要先准备一些基本组件。对于操作系统的支持情况，建议确认当前使用的Ubuntu版本是否兼容所要安装的TensorFlow版本。 卸载已有的`tensorflow-gpu`和`keras`以防止版本冲突： ```bash pip uninstall tensorflow-gpu keras ``` 接着按照需求重新安装特定版本的`tensorflow-gpu`以及`keras`: ```bash pip install tensorflow-gpu==1.4.0 keras ``` 这一步骤有助于避免由于不同版本之间的不兼容而导致的问题[^1]。 #### 配置Anaconda环境（可选） 虽然可以直接利用系统自带的Python环境来部署项目，但是考虑到后续可能会涉及到多个项目的开发维护工作，推荐创建独立的工作空间。通过Anaconda可以轻松管理各个虚拟环境中的包及其依赖关系。可以从官方网站获取适合个人电脑的操作系统对应的Python 3.7版Anaconda发行版，并完成安装过程。之后可以根据实际情况决定是否建立新的名为tensorflow的新环境或是继续沿用现有的base环境来进行下一步操作[^3]。 #### 下载并设置TensorFlow Object Detection API 访问官方GitHub仓库克隆最新的Object Detection API源代码到本地计算机中。此步骤完成后还需要执行一系列脚本来编译Protobuf文件、安装额外所需的Python模块等前置条件才能使整个工具链正常运作。 ```bash git clone https://github.com/tensorflow/models.git cd models/research/ protoc object_detection/protos/*.proto --python_out=. export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim python setup.py build python setup.py install ``` 上述命令序列完成了对Object Detection API的基础构建任务，使得可以在接下来的任务里调用其功能接口。 #### 运行预训练模型进行快速测试 为了让开发者尽快熟悉这套框架的应用方式，提供了几种已经过充分训练的对象识别模型供即时体验。这些模型覆盖了多种应用场景，比如人物追踪、交通标志分类等等。挑选任意一款感兴趣的产品作为起点，加载至程序内即可立即观察效果。 假设选择了MobileNet V2 SSD架构为例，则可以通过下面的方式启动预测流程： ```python import numpy as np import os import six.moves.urllib as urllib import sys import tarfile import tensorflow as tf import zipfile from collections import defaultdict from io import StringIO from matplotlib import pyplot as plt from PIL import Image from IPython.display import display # This is needed since the notebook is stored in the object_detection folder. sys.path.append("..") from object_detection.utils import ops as utils_ops from object_detection.utils import label_map_util from object_detection.utils import visualization_utils as vis_util # What model to download. MODEL_NAME = 'ssd_mobilenet_v2_coco_2018_03_29' MODEL_FILE = MODEL_NAME + '.tar.gz' DOWNLOAD_BASE = \ 'http://download.tensorflow.org/models/object_detection/' # Path to frozen detection graph. This is the actual model that is used for the object detection. PATH_TO_FROZEN_GRAPH = MODEL_NAME + '/frozen_inference_graph.pb' # List of the strings that is used to add correct label for each box. PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt') NUM_CLASSES = 90 opener = urllib.request.URLopener() opener.retrieve(DOWNLOAD_BASE + MODEL_FILE, MODEL_FILE) tar_file = tarfile.open(MODEL_FILE) for file in tar_file.getmembers(): file_name = os.path.basename(file.name) if 'frozen_inference_graph.pb' in file_name: tar_file.extract(file, os.getcwd()) detection_graph = tf.Graph() with detection_graph.as_default(): od_graph_def = tf.compat.v1.GraphDef() with tf.io.gfile.GFile(PATH_TO_FROZEN_GRAPH, 'rb') as fid: serialized_graph = fid.read() od_graph_def.ParseFromString(serialized_graph) tf.import_graph_def(od_graph_def, name='') label_map = label_map_util.load_labelmap(PATH_TO_LABELS) categories = label_map_util.convert_label_map_to_categories( label_map, max_num_classes=NUM_CLASSES, use_display_name=True) category_index = label_map_util.create_category_index(categories) def load_image_into_numpy_array(image): (im_width, im_height) = image.size return np.array(image.getdata()).reshape((im_height, im_width, 3)).astype(np.uint8) # For the sake of simplicity we will use only two images: # image1.jpg # image2.jpg # If you want to test the code with your images, just add path to the images to the TEST_IMAGE_PATHS. PATH_TO_TEST_IMAGES_DIR = 'test_images' TEST_IMAGE_PATHS = [ os.path.join(PATH_TO_TEST_IMAGES_DIR, 'image{}.jpg'.format(i)) for i in range(1, 3) ] IMAGE_SIZE = (12, 8) with detection_graph.as_default(): with tf.Session() as sess: # Get handles to input and output tensors ops = tf.get_default_graph().get_operations() all_tensor_names = {output.name for op in ops for output in op.outputs} tensor_dict = {} for key in [ 'num_detections', 'detection_boxes', 'detection_scores', 'detection_classes', 'detection_masks' ]: tensor_name = key + ':0' if tensor_name in all_tensor_names: tensor_dict[key] = tf.get_default_graph().get_tensor_by_name(tensor_name) while True: for image_path in TEST_IMAGE_PATHS: image = Image.open(image_path) # the array based representation of the image will be used later in order to prepare the result image with boxes and labels on it. image_np = load_image_into_numpy_array(image) # Expand dimensions since the model expects images to have shape: [1, None, None, 3] image_np_expanded = np.expand_dims(image_np, axis=0) # Actual detection. output_dict = sess.run(tensor_dict, feed_dict={tf.get_default_graph().get_tensor_by_name('image_tensor:0'): image_np_expanded}) # Visualization of the results of a detection. 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
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

蜡笔小心点

你的鼓励是我创造的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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