前言

经过几次的系统重装，已经感受到配置环境的绝望…哈哈哈，夸张了。言归正传，在Ubuntu下搭建深度学习图像处理开发环境还是较为顺利的。

摘要

在做数据分析时，很多同学都推荐使用Anaconda作为基础开发环境。由于个人习惯，比较喜欢使用virtualenv作为Python环境包管理器。下面主要围绕着机器视觉方向搭建开发环境。

ubuntu 16.04 + python3

1.环境搭建

1.1.Virtualenv相关

virtualenv是管理不同Python环境的工具，这里介绍如何建立一个cv环境

• 首先安装该包
  pip3 install virtualenv
• 建立虚拟环境目录
  mkdir $HOME/.virtualenvs
• 在该目录内建立cv环境
  python3 -m virtualenv cv
• 启动运行keras环境
  source cv/bin/activate

• 停止运行
  deactivate
  
  至此已经结束，但是每次打开这个cv环境都要source /../..activate 是不是有点费事呢，下面使用virtualenvwrapper工具辅助管理虚拟环境，详细如下：

• 安装该包 sudo pip install virtualenvwrapper

• 在~/.bashrc中添加行：export WORKON_HOME=$HOME/.virtualenvs
• 指定Python路径：export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
• 在~/.bashrc中添加行：source /usr/local/bin/virtualenvwrapper.sh
  
• 运行： source ~/.bashrc
• 列出所有虚拟环境 workon
• 启动运行虚拟环境 workon keras
• 退出当前虚拟环境 deactivate

验证单独的环境

1.2.常用包安装就不多作说明了

完成上述第一部分后，切换至我们搭建的cv环境，开始下面步骤

pip install jupyter
pip install numpy
pip install pandas
pip install matplotlib
pip install scikit-learn
·
·
待续

1.3.图片处理的相关库

常用：
- Opencv-python
- Scikit-image
- PIL

其他：
- Pillow
- SimpleCV

注：pip默认安装opencv版本为3.4。使用pip安装opencv较低版本，在视频处理，摄像头调用模块会有问题，源码安装无碍。

1.4.深度学习框架

常用 tensorflow、theano、caffe、pytorch 在此不多做介绍。在这里安利几款专注于机器视觉的深度学习框架。

• darknet:是一个较为轻型的完全基于C与CUDA的开源深度学习框架,其主要特点就是容易安装,没有任何依赖项（OpenCV都可以不用）,移植性非常好,支持CPU与GPU两种计算方式。使用其搭建的YOLO(You Only Look Once)网络架构是目前为止最先进的实时图像识别系统