全流程机器视觉工程开发（一）环境准备，paddledetection和labelme

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：

1. 安装anaconda
2. 安装paddle库
3. 安装CUDA库
4. 去github上下载paddledetection仓库
5. 给自己安装pycocotools和lap库
6. 直接安装paddledetection的依赖包requirements.txt
7. 安装paddledetection

流程

1. 安装anaconda
   这步略，不知道的可以浏览：Anaconda安装教程（超详细版）

2. 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

3. 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

4. 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。

5. 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。

6. 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

7. 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