tensorflow2.4与目标检测API在3060显卡上的配置安装

目前，由于3060显卡驱动版本默认>11.0，因此，其不能使用tensorflow1版本的任何接口，所以学习在tf2版本下的目标检测驱动是很有必要的，此配置过程同样适用于任何30系显卡配置tf2。

一般配置Anaconda比较简单，这里便跳过，选用的anaconda版本为Anaconda3-2020.11-Windows-x86_64，可以在清华镜像官网上下载。

1，配置安装conda

本次选用的tensorflow版本为2.4，cuda为11.0，cudnn为8.0，对应python为3.7

首先设置虚拟环境，输入如下指令：

conda create -n tensorflow24gpu python=3.7

进入环境：

conda activate tensorflow24gpu

离开环境：

conda deactivate

2，安装cuda与cudnn

输入如下指令安装cuda

conda install cudatoolkit=11.0

输入如下指令安装cudnn

conda install cudnn==8.0.5.39 -c conda-forge

如下输入指令安装tensorflow2.4.0

pip install tensorflow==2.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

之后执行测试程序，输入python test.py其中内容如下，输出GPUTrue则安装正常，test.py代码如下

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

3，tensorflow目标检测API配置运行

去官网https://github.com/tensorflow/models/tree/archive下载models-archve并解压文件到本地硬盘下的某一个盘符下，这里我解压到D盘，注意，解压路径不要有中文

配置protoc,下载网址[https://github.com/protocolbuffers/protobuf/releases]，这里我下载的为3.4.0版本win32位，解压后(位置任意)。接着将bin文件夹下的protoc.exe复制到C:\Windows即可

之后，在models-archive\research\目录下打开命令行窗口，输入：

protoc object_detection/protos/*.proto --python_out=.

若无错误，程序将不返回任何信息

添加环境变量。在Anaconda安装目录Anaconda\Lib\site-packages添加一个路径文件，如tensorflow_model.pth，必须以.pth为后缀，写上你要加入的模块文件所在的目录名称

D:\TensorflowModels\models-archive\research
D:\TensorflowModels\models-archive\research\slim

再将解压目录，D:\TensorflowModels\models-archive\research\object_detection\packages\tf2下的setup.py文件复制到D:\TensorflowModels\models-archive\research\，并在research目录下执行

python -m pip install .

若执行成功如图上所示。

之后安装运行模型所需要的一些必要的库，执行以下指令：

pip install tf_slim
pip install scipy
pip install tf-models-official==2.4.0

需要注意，执行最后一个指令时，会默认给当前环境安装最高版本的tensorflow2.8环境并卸载安装的tensorflow2.4因此，在执行完最后的安装tf-models-official后需要重新安装tensorflow2.4

pip install tensorflow==2.4.0

其中红包部分是由于部分库包与tensorflow2.4环境不匹配，降级版本或删除即可，这里google-cloud-bigquery一般不会用，删除即可，执行以下指令

pip install grpcio==1.32.0
pip uninstall google-cloud-bigquery
pip install grpcio-status==1.32.0

完成上述步骤后，执行测试文件，在research目录下输入以下指令：

python object_detection/builders/model_builder_tf2_test.py

输出以下结果，则配置安装正确

4，tensorflow目标检测API图片运行测试

在tensorflow24gpu的环境下执行以下语句：

conda install nb_conda

去tensorflow-model的github网站下载1.13版本https://github.com/tensorflow/models/tree/r1.13.0，并解压，将models-r1.13.0\research\object_detection下的object_detection_tutorial.ipynb拷贝到models-archive\research\object_detection下

在research文件夹目录下运行命令：jupyter notebook，

进入网页界面点击new后修改运行环境为tensorflow24gpu，如下

接着在jupyter中打开object_detection文件夹，并单击object_detection_tutorial.ipynb运行试例文件并在中间执行几处更改

在imports中插入以下命令

os.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:0'

下载一个他人训练好的权重文件https://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_2017_11_17.tar.gz

解压并放在一个位置，将文件地址添加在Variables处，在Variables将代码改为：

#What model to download.
#Path to frozen detection graph. This is the actual model that is used for the object detection.
PATH_TO_FROZEN_GRAPH = 'D:/TensorflowModels/ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb'
# List of the strings that is used to add correct label for each box.
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')

中间PATH_TO_FROZEN_GRAPH的目录为下载解压的ssd_mobilenet_v1_coco_2017_11_17训练集解压的位置，在将Download Model一块删除即可

最后，由于tensorflow1与2的区别，需要将object_detection_tutorial.ipynb代码中的tf全部修改为tf.compat.v1

之后点击run all运行

成功的运行结果如下所示：

GPU使用情况如下所示：