安裝Python3.7.1
此處再也不贅述安裝過程,做爲記錄html
安裝Anaconda3.5.3
Anaconda3-5.3.0-Windows-x86_64.exepython
方案1. 能夠直接從官網https://www.anaconda.com/distribution/,默認下載最新版本,19年3月27日爲python3.7.1版本
方案2. 清華鏡像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/,速度快不少,找到對應版本便可git
具體安裝步驟參考博文:Anaconda的安裝和詳細介紹(帶圖文)
( https://www.cnblogs.com/IT-LearnHall/p/9486029.html )github
安裝完成以後,在Anaconda裏新建一個虛擬環境machinelearn(這裏是圖形界面建立環境)
shell
切換倉庫地址
命令窗口裏輸入以下代碼,載入清華鏡像以提升加載速度:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
三段代碼分三次輸入並執行。api
命令行建立虛擬環境
conda create -n tl_1 python=3.7.1
activate tl_1(激活切換到tl_1)
conda deactivate(退出激活)
微信
安裝Tensorflow 1.13.1
pip安裝
經過pip安裝TensorFlow指定版本命令:
cpu版本:pip install tensorflow==1.13.1(==後面爲所要安裝的版本號)
gpu版本相似:pip install tensorflow-gpu==1.2.1網絡
切換到machinelearn文件下app
1activate machinelearn #切換到目標虛擬環境
2conda install tensorflow==1.13.1
查看Tensorflow版本及路徑
版本:
cmd窗口中輸入:
python
import tensorflow as tf
tf.__version__
路徑:
tf.__path__
機器學習
下載tensorflow model1.13
https://codeload.github.com/tensorflow/models/zip/v1.13.0
下載完成後,解壓,重命名爲models,拷貝到TensorFlow的安裝路徑下面,即放到:./site-packages/tensorflow文件夾裏面
(C:\ProgramData\Anaconda3\envs\machinelearn\Lib\site-packages\tensorflow)
安裝cython
conda install cython
Cython是讓Python腳本支持C語言擴展的編譯器,Cython可以將Python+C混合編碼的.pyx腳本轉換爲C代碼,主要用於優化Python腳本性能或Python調用C函數庫。因爲Python固有的性能差的問題,用C擴展Python成爲提升Python性能經常使用方法,Cython算是較爲常見的一種擴展方式。
下載cocoapi
下載地址:https://codeload.github.com/cocodataset/cocoapi/zip/master,下載完成後, 解壓。打開cocoapi-master\PythonAPI\setup.py文件,將第12行中的 ['-Wno-cpp', '-Wno-unused-function', '-std=c99'] 改爲 ['-std=c99']。
進入到 cocoapi-master/PythonAPI路徑下面
執行命令:python setup.py build_ext --inplace
可能出現異常信息 cocoapi - error: pycocotools/_mask.c: No such file or directory
是由於沒有安裝cython
pip install cython以後便可
命令執行成功後會看到在cocoapi-master/PythonAPI/pycocotools文件夾裏面生成了一個_mask.cp36-win_amd64.pyd文件,
最後把整個pycocotools文件夾copy到 \tensorflow\models\research文件夾裏面
編譯
在models/research路徑下cmd執行命令:protoc object_detection/protos/*.proto --python_out=.
可能出現錯誤object_detection/protos/*.proto: No such file or directory
將默認的路徑:
protoc object_detection/protos/*.proto --python_out=.
更換protoc的路徑以下:
D:\MachineLearning\protoc-3.4.0-win32\bin\protoc object_detection\protos\*.proto --python_out=.
protoc 下載地址: https://github.com/protocolbuffers/protobuf/releases
若是出現錯誤:ModuleNoFoundError:No module named 'matplotlib'
安裝matplotlib包:conda install matplotlib若是出現錯誤:ModuleNoFoundError:No module named 'absl'
安裝absl包:conda install
absl-py若是出現錯誤:ModuleNoFoundError:No module named 'pillow'
安裝pillow包:conda
install pillow
測試環境是否配置成功:
進入到./tensorflow/models/research路徑,而後執行命令:
python object_detection/builders/model_builder_test.py
若是輸出ok,則環境配置成功
Anaconda經常使用命令
activate // 切換到base環境
activate learn // 切換到learn環境
conda create -n learn python=3.7.1 //建立一個名爲learn的環境並指定python版本爲3(的最新版本)
conda env list // 列出conda管理的全部環境
conda list // 列出當前環境的全部包
conda install requests 安裝requests包
conda remove requests 卸載requets包
conda remove -n learn --all // 刪除learn環境及下屬全部包
conda update requests //更新requests包
conda env export > environment.yaml // 導出當前環境的包信息
conda env create -f environment.yaml // 用配置文件建立新的虛擬環境
Windows10 + Anaconda安裝LabelImg1.8.3
LabelImg簡介:
LabelImg是一個可視化的圖像標定工具。使用該工具前需配置環境python + lxml。Faster R-CNN,YOLO,SSD等目標檢測網絡所須要的數據集,均須要藉此工具標定圖像中的目標。生成的 XML 文件是遵循 PASCAL VOC 的格式的。
下載 https://github.com/tzutalin/labelImg/tree/v1.8.3
解壓以後,cd到D:\MachineLearning\labelImg-1.8.3,激活切換到ml_1: ctivate ml_1
確保安裝了 PyQt五、PyQt5_tools、lxml
1conda install pyqt=5
2conda install PyQt5_tools
3conda install lxml
4
5pyrcc5 -o resources.py resources.qrc
而後將labelImg-1.8.3文件夾下的resources.py複製到文件夾libs裏面
而後在運行:python labelImg.py
就能彈出labelImg的界面了
接下來就能夠愉快的進行標註了,更多機器學習的文章後續更新,請持續關注。
如有相關安裝問題能夠留言交流。
獲取軟件測試資源——免費
本文分享自微信公衆號 - 軟測小生(ruancexiaosheng)。
若有侵權,請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」,歡迎正在閱讀的你也加入,一塊兒分享。