Mikel
来源： 全流程机器视觉工程开发（一）环境准备，paddledetection和labelme-CSDN博客
前言
我现在在准备做一个全流程的机器视觉的工程，之前做了很多理论相关的工作。大概理解了机器视觉的原理，然后大概了解了一下，我发现现在的库其实已经很发展了，完全不需要用到非常多的理论，只需要知道开发过程就可以了，甚至paddlex已经直接有了傻瓜式模型训练的软件，所以我现在准备来做一个全流程机器视觉工程开发，不涉及过多理论。
准备
现在准备一下机器视觉工程的前情提要。
我准备使用paddledetection来做机器视觉。什么是paddleDetection？你可以理解为paddlepaddle对于目前主流的机器学习模型做了一些整合，只需要使用paddleDetection库就可以做一个很方便的训练、预测等工作。
准备好paddledetection之后，也就是我们的模型工具之后，还需要对现有图片做一些简单的划分工作，这里就需要用到labelme工具来进行.
环境安装
我这个教程和别的教程不太一样。因为年代久远，paddledetection库的原始安装方式已经不太适用了，所以我这里重新写一个paddledetection安装方式。
主要流程大概如下：
安装anaconda
安装paddle库
安装CUDA库
去github上下载paddledetection仓库
给自己安装pycocotools和lap库
直接安装paddledetection的依赖包requirements.txt
安装paddledetection
流程
安装anaconda
这步略，不知道的可以浏览：Anaconda安装教程（超详细版）
安装paddle库
这步略，参考paddle官网，不行就自己在csdn上搜，或者看我往期
这里给出官网链接：开始使用
安装CUDA库
这步略，参考本人往期文章：简易机器学习笔记（十）Windows下 PaddlePaddle配置CUDA加速环境
去github上下载paddledetection仓库
github链接：PaddleDetection
你要做的就是直接把这个仓库clone到本地，拉下来的项目大概是这样的
里面是这一大堆东西，暂时先不管是干嘛的，只需要先放在这里就可以了。
pycocotools和lap库
到一般的教程了，这里会告诉你直接去安装requirements.txt，但是很多人现在可能会直接报错numpy的问题，这个可能是因为库实在是年久失修了，主要出问题的库实际上就那么两个，一个是pycocotools，一个是lap
首先可以尝试一下能不能直接安装这两个库，也就是直接尝试以下两条命令
pip install pycocotools
pip install lap
一般情况下这个pycocotools是没问题的，出问题的是这个lap库，我这里主要演示lap库怎么手动安装，pycocotools也是同理
首先我们找到两个库的github地址：
pycocotools
lap
把这两个库clone到本地，大概是这样
在cmd中使用python尝试安装这个setup.py文件，指令大概是：
#path/to/setup.py指代setup.py的路径
python path/to/setup.py install
注意这条指令需要使用setuptools，怎么安装这个库不过多赘述了
一般这样手动安装就可以正常安装成功了，pycocotools和lap库都是这样安装的。
直接安装paddledetection的依赖包requirements.txt
lap库和pycocotools安装完毕后，基本上问题就不大了。现在只需要使用以下指令来对paddledetection包中的requirements进行安装就行了
#path/to/requirements.txt 指代paddledetection库下的requirements.txt的路径
pip install -r path/to/requirements.txt
我们可以打开requirements.txt来看一看，里面也只有一些库的名字而已
安装paddledetection
到这里基本上就快安装完了，只需要最后一步，就是安装paddledetection，流程和安装lap库差不多
#path/to/setup.py 指代paddledetection库下的setup.py的路径
python path/to/setup.py install
数据标注工具labelme
刚刚我们安装完了paddledetection库，也就是准备好模型，接下来要准备的就是数据标注工具labelme
这个比较简单，直接参考博客：添加链接描述
————————————————
版权声明：本文为CSDN博主「Leventure_轩先生」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Andius/article/details/135675515
