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