标签：object detection API conda 版本 Anaconda tensorflow 安装 tensorflow1.0
本教程分为3 Part
Part1：Anaconda&Tensorflow安装
Part2：tensorflow数据集生成
Part3：换一个模型训练
Part1分为3大块
-
Anaconda的安装
- 一、Anaconda安装
- 二、验证Anaconda安装是否成功
- 三、Anaconda环境创建
- 四、Anaconda环境激活 tensorflow的安装
- 五、Tensorflow1.0环境配置
- 六、检查tensorflow1.0的GPU/CPU版本是否已经安装好 tensorflow object detection api的安装
- 七、 安装tensorflow object detection api
- 八、 测试tensorflow object detection api是否安装成功
前言：为何要安装anaconda?
因为tensorflow2.0对tensorflow1.0的某些函数不向下兼容，而本次教程使用的模型仅支持tensorflow1.0。
并且，为了避免后期使用其他模型时需要用到tensorflow2.0，再安装tensorflow2.0时会与tensorflow1.0版本发生覆盖，所以需要使用anaconda创建虚拟环境（相当于一个虚拟机），可以通过创建不同的虚拟环境来容纳不同版本的tensorflow，使用anaconda的“切换环境”功能(“activate 环境名”)，可以方便地来回切换tensorflow1.0与2.0。
Anaconda的安装
一、Anaconda安装
打开该网址：https://www.anaconda.com/products/individual
打开该页面后按下图红色框下载anaconda
启动安装程序，点next
点I Agree
选择All Users，点Next
可以选择去修改安装文件夹，安装到自己想要安装的位置。也可以不修改下一步安装
勾选Add Anaconda3 to the syste PATH environment variable
假如你之前已经在系统里面安装过Python3，则不要勾选第二个勾选框：Register Anaconda3 as the system Python 3.9
然后点击install。
安装完成点Next
点Next
点击Finish，然后弹出的两个网站可以不用管他。
至此，Anaconda安装完成。
二、验证Anaconda安装是否成功
打开cmd，输入activate，回车，会出现如下画面
激活之后，在“当前目录”(“C:\Users\29533”，当然不同电脑显示的“当前目录”不一样)前会显示(base)，这样就已经进入了anaconda自带的基础虚拟环境。也证明anaconda安装成功。
在该状态下，如何切换回系统自带的（你自己之前安装的）python环境？
答：使用deactivate或者conda deactivate命令即可。
在该状态下，如何切换到其他环境？
答：使用“activate 环境名”或者“conda activate 环境名”即可，如下图所示。
在anaconda创建的环境里面，使用pip或者conda新安装的python函数包，与之前在系统安装的python包互不影响，相互隔离。
三、Anaconda环境创建
conda create -n 环境名 python=python版本
示例：conda create -n tensorflow1.0 python=3.7
(仅仅在本教程，推荐pyhton版本用3.7)
第一步输入：conda create -n tensorflow1.0 python=3.7，然后回车
看到以下界面，输入: y，然后回车
如果没有提示error，而提示了上图的done，即环境创建成功。
这样，就创建了一个名为tensorflow1.0的，带python3.7版本的环境。
（只是名字叫做tensorflow1.0，并不代表它自动了安装了tensorflow1.0版本）
四、Anaconda环境激活
输入conda activate tensorflow1.0 或者 activate tensorflow1.0，回车即可。
tensorflow的安装
五、Tensorflow1.0环境配置
环境配置分为GPU版本和CPU版本。
Tensorflow-GPU版本安装教程仅支持搭载Nvidia GPU的电脑，搭载AMD独立显卡的电脑可在网上搜索其他教程或使用下面的Tensorflow-CPU版本安装教程。
Tensorflow-CPU版本安装教程支持搭载x86架构的CPU的电脑，搭载Intel或AMD CPU的电脑均适用。
1、GPU版本
安装CUDA10.2和CUDNN7.6.5
首先安装CUDA10.2以及CUDNN7.6.5，安装和测试教程看以下链接博客的内容：https://blog.csdn.net/magic_ll/article/details/114652470
CUDA10.2和CUDNN7.6.5安装完成后，可以进行下面的步骤。
环境配置常规步骤
假如你的机器是使用Nvidia显卡，使用windows10系统，安装了最新的nvidia驱动，安装了CUDA10.2和CUDNN7.6.5，那么可以使用该流程。
首先激活conda创建的tensorflow1.0环境，然后输入以下命令：
conda install tensorflow-gpu=1.15.0
输入y，回车，安装。
使用conda list命令查看已经安装好的tensorflow及其他相关库：
使用conda list命令查看已经安装好的tensorflow及其他相关库：
会发现tensorboard版本是2.4.0，tensorflow-estimator版本为2.6.0
与当前tensorflow版本不匹配，假如使用当前的环境去运行测试文件，会报错。
（注意，报错仅会发生在八、测试tensorflow object detection api是否安装成功中，而不会在六、检查tensorflow1.0的GPU/CPU版本是否已经安装好这个步骤中发生。）
因此需要使用pip重新安装tensorflow-estimator(1.15.1)和tensorboard(1.15.0)
输入以下命令并且回车：
pip install tensorflow-estimator==1.15.1
pip install tensorboard==1.15.0
上述Tensorflow-gpu安装完成后，再输入以下命令，安装必要的包。
conda install Cython
conda install pillow
conda install lxml
conda install matplotlib
安装完成后，可以到六、检查tensorflow1.0的GPU/CPU版本是否已经安装好步骤。
六、检查tensorflow1.0的GPU/CPU版本是否已经安装好
启动了名为tensorflow1.0虚拟环境的cmd命令行，使用python命令，回车，进入python的环境
输入以下代码，每一行输入完按一次回车：
import tensorflow as tf
sess = tf.Session()
hello = tf.constant('hello, tensorflow!')
print(sess.run(hello))
七、安装tensorflow object detection api
新建一个models-r1.13.0文件夹
解压提供的打包文件models-r1.13.0.zip
下图为压缩包内的内容，把以下内容解压到models-r1.13.0文件夹
然后打开cmd，激活第六步创建的环境之后，把cmd的“当前目录”设置成“D:\models-r1.13.0\research”
（这是演示示例的文件夹路径，实际路径是你上一个步骤创建models-r1.13.0文件夹的路径）。
然后输入以下内容并按回车：
python setup.py install
所得结果如下图所示：
八、测试tensorflow object detection api是否安装成功
输入以下命令并回车：
python object_detection/builders/model_builder_test.py
假如最后结果显示ok，如下图所示，则表示tensorflow object detection api安装成功：
到这里，tensorflow object detection api的安装已经全部完成。
标签：object,detection,API,conda,版本,Anaconda,tensorflow,安装,tensorflow1.0 来源： https://blog.csdn.net/weixin_42362903/article/details/122747131
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。