项目开发使用教程和常见问题和解决方法

一、Python开发环境搭建

1. 安装cuda cudnn（深度学习入门必装）

(1)Windows安装方法

(2)Ubuntu18.04安装方法

2. 安装Python(推荐使用Anaconda)

(1)Windows安装python方法

(2)Ubuntu18.04安装python方法

(3)Python开发工具(IDE): 强烈推荐Pycharm

3. Pytorch安装（深度学习入门必装）

4. 安装项目依赖包

5. 运行项目Demo

6. 可视化工具：TensorBoard使用方法

二、常见问题和解决方法

（1） No module named的问题

（2）目录路径填写错误问题

（3）中文路径问题（特别注意）

（4）图片格式问题

（5）OSError: 页面文件太小，无法完成操作

这AI吃大瓜相关项目的开发入门基础教程，凡是从公众号【AI吃大瓜】下载的源码，都可以参考本博文进行开发环境搭建

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

项目开发使用教程和常见问题和解决方法

视频教程：1 手把手教你安装CUDA和cuDNN(1)

视频教程：2 手把手教你安装CUDA和cuDNN(2)

视频教程：3 如何用Anaconda创建pycharm环境

视频教程：4 如何在pycharm中使用Anaconda创建的python环境

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/129163343

一、Python开发环境搭建

如果项目涉及深度学习，如Pytorch，TensorFlow等深度学习框架，那么必须配置好GPU开发环境

1. 安装cuda cudnn（深度学习入门必装）

深度学习模型算法比较复杂，如果使用CPU计算，速度会很慢，因而需要使用GPU进行并行计算加速。深度学习框架，如Pytorch，TensorFlow都支持GPU训练，使用GPU设备需要显卡的支持，比如常见1080显卡，2070显卡等，同时需要安装对应的显卡驱动，以及CUDA和cuDNN库。CUDA 是 NVIDIA 发明的一种并行计算平台和编程模型，它通过利用图形处理器 (GPU) 的处理能力,可大幅提升计算性能。而cuDNN(CUDA Deep Neural Network library)是NVIDIA打造的针对深度神经网络的加速库,是一个用于深层神经网络的GPU加速库。

(1)Windows安装方法

视频教程：1 手把手教你安装CUDA和cuDNN(1)
视频教程：2 手把手教你安装CUDA和cuDNN(2)
参考安装教程：Windows10系统下CUDA和cuDNN安装教程

(2)Ubuntu18.04安装方法

参考安装教程：ubuntu18.04安装cuda和cudnn
安装好NVIDIA显卡可通过nvidia-smi查看cuda的最高支持版本，下载CUDA安装包时，只有小于或者等于该版本号即可

# 安装NVIDIA显卡：# 安装cuda：注意Driver去掉[x],不要安装Driver
sudo sh cuda_12.0.0_525.60.13_linux.run# 在~/.bashrc添加环境变量
export PATH=/usr/local/cuda-12.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-12.0# 激活环境变量后，可输入：nvdia-smi验证显卡使用情况
source ~/.bashrc# 安装cudnn：下载对应cuda版本的cudnn,然后解压，拷贝cudnn文件
sudo cp include/cudnn*.h /usr/local/cuda-12.0/include
sudo cp lib/libcudnn*  /usr/local/cuda-12.0/lib64/
sudo chmod a+r  /usr/local/cuda-12.0/include/cudnn.h

2. 安装Python(推荐使用Anaconda)

(1)Windows安装python方法

视频教程：3 如何用Anaconda创建pycharm环境
视频教程：4 如何在pycharm中使用Anaconda创建的python环境
参考安装教程：Anaconda超详细安装教程（Windows环境下）
conda使用教程：Windows中Conda 创建和使用虚拟环境

(2)Ubuntu18.04安装python方法

参考安装教程：ubuntu 18.04 安装conda环境及创建虚拟环境

(3)Python开发工具(IDE): 强烈推荐Pycharm

PyCharm 是由 JetBrains 打造的一款 Python IDE,可以支持调试、语法高亮、Project 管理、代码跳转、智能提示、自动完成、单元测试、版本控制等等

3. Pytorch安装（深度学习入门必装）

PyTorch是基于Torch的开源Python机器学习库

官网：https://pytorch.org/
安装：Previous PyTorch Versions | PyTorch

请选择自己的版本进行安装，比如如果你安装cuda=11.0,那么则安装对应的版本torch

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

4. 安装项目依赖包

项目python依赖包，Windows和Ubuntu安装方法一致；一般项目都自带requirements.txt文件，里面包含了项目开发所需要的python依赖包已经对应的版本号，比如下图第一个依赖包numpy==1.18.5，说明项目使用了numpy库，对应的版本是1.18.5，你可选择使用pip安装对应的版本：

pip install numpy==1.18.5

# 或者

pip install numpy==1.18.5 -i https://pypi.tuna.tsinghua.edu.cn/simple

其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度

其他安装包也可以用pip一个一个的安装，或者直接安装所有依赖包：

pip install -r requirements.txt

PS：一般依赖包是向下兼容的，只需要安装比requirements版本号大于或者等于的版本即可

5. 运行项目Demo

项目一般都自带的demo.py文件，支持argparse的命令行输入，命令行可在终端（Terminal）运行。

项目一般会给出Linux运行脚本（bash）,如下图所示，如果你在Linux开发，可直接复制粘贴到终端运行（注意要cd进入项目根目录，否则找不到文件）

# 测试图片
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

上面bash脚本中，其中$image_dir,$weights和$out_dir都是取image_dir,weights和out_dir的值，跟python的变量复制语句是一个意思，

但Windows系统不支持这种变量赋值语法哦！！！！

如果你Windows系统已经安装git ,则可以在git的终端中，直接输入上面的命令，无需修改

如果你在Windows开发，请去掉变量，修改为：

# 这种命令在Linux和Windows终端都支持，但语句比较长就不太美观了
python demo.py --image_dir 'data/test_image'  --weights "data/model/yolov5s_640/weights/best.pt" --out_dir "runs/test-result"

6. 可视化工具：TensorBoard使用方法

安装：使用pip安装依赖包：tensorboard==2.5.0和tensorboardX==2.1
使用方法：在终端(Terminal)输入命令：

# 需要安装tensorboard==2.5.0和tensorboardX==2.1
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/mobilenet_v2_1.0_CrossEntropyLoss_20230228174645/log

点击http://localhost:6006/ 浏览器打开

可以看到训练过程的可视化效果：

二、常见问题和解决方法

（1） No module named的问题

如果出现“No module named ***”的错误，请使用pip install *** 即可,例如出现下面的错误

Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ModuleNotFoundError: No module named 'basetrainer'

请使用pip安装：

pip install basetrainer -i https://pypi.tuna.tsinghua.edu.cn/simple

其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度

（2）目录路径填写错误问题

Windows开发初学者，经常犯的错误！！！！填写路径时，搞不清楚路径分隔符，注意Windows和Linux的路径的分隔符

Windows路径分割符：【\】或者【//】 ,在python中某些库也可以使用【/】,那到底怎么写呢？绝大部情况，使用【/】分隔符即可！！！

Linux(Ubuntu)路径分割符号：只能是【/】

（3）中文路径问题（特别注意）

Windows环境中，项目文件和数据目录都不要出现中文路径，否则会出现opencv读取图片异常等问题

（4）图片格式问题

项目默认只支持*.jpg *.png两张格式，如果你的图片是bmp, tif或者其他的图片，请在postfix参数中添加对应的图片格式即可，

比如设置函数传入参数postfix=["*.jpg", "*.png"] ，

如果你不知道哪里修改，搜索一下postfix就可以找到了

（5）OSError: 页面文件太小，无法完成操作

当你电脑配置太差时，训练时可能会出现一下错误；

问题说明： 这是因为你电脑性能太差了，内存不足

解决方法：修改训练参数workers和batch-size，例如设置--batch-size=8 --workers=0

batch_size: 8

num_workers: 0