下载 Anaconda

Anaconda 可帮助我们为多个不同版本的 Python 及其相关包创建独立的运行环境。此外，它还集成了 Jupyter Notebook 和 Spyder 等重要的集成开发环境（IDE），便于我们创建和运行 Python 项目。由于本课程使用了 Jupyter Notebook 文件（.ipynb），我们也可以在本地轻松地运行这些文件。

你可以下载 Anaconda 的最新版本。

图像分类项目的本地环境搭建

接下来，我们将学习如何为图像分类项目构建本地开发环境。

在 Anaconda 中创建隔离环境

由于不同的任务可能需要不同版本的库和框架，因此在 Anaconda 中创建一个隔离的环境，并将所需包安装到该环境中至关重要。这意味着，例如我们在该环境中安装了 Python 3.8，不会影响其他项目中使用的 Python 版本；对于另一个项目，我们可以创建一个包含 Python 3.7 的新环境，两个环境彼此独立、互不干扰。

现在，让我们创建所需的隔离环境并安装必要的库：

1conda create --name image_classification python=3.8 # 创建一个包含 Python 3.8 的 Anaconda 环境
2conda activate image_classification # 激活该环境
3
4# 将必需的包安装到当前环境中
5pip install torch==1.10.2
6pip install torchvision==0.11.3
7pip install matplotlib
8pip install torchsummary
9pip install pandas
10pip install seaborn
11pip install scikit-learn

环境已准备就绪，我们可以通过运行教程文件，在 Jupyter Notebook 中开始工作。

注意：上述 PyTorch 相关库同时支持 CPU 和 CUDA 环境。如果我们的本地机器没有 GPU，则只会安装适用于 CPU 的版本，模型训练仍可正常进行（但速度较慢）。如果需要 GPU 加速，请按 PyTorch 官网给出的对应 CUDA 版本的安装命令安装，不要想当然地认为 pip 会自动匹配本地 CUDA 版本。

注意：CUDA 是机器学习程序与 GPU 通信所使用的底层 API。因此，若本地设备配有 GPU，必须安装与其兼容的 CUDA 包才能正常使用。否则可能出现程序无法识别或连接 GPU 的问题，导致无法启用 GPU 加速。

添加部署所需的框架

为了能够运行模型部署相关的工具，我们需要先将必要的包安装到当前环境中。

1conda activate image_classification # 激活之前创建的图像分类环境
2pip install onnxruntime # 安装 ONNX 运行时框架
3pip install openvino-dev # 安装 OpenVINO 开发工具包

注意：在安装新包前，请务必确认已激活目标 conda 环境。如果 Anaconda 当前处于 base 环境，并且误将包安装到了 base 环境中，那么这些包将不会出现在我们创建的隔离环境中。请避免此类操作失误。

1git clone https://github.com/monocongo/openimages.git # 克隆代码仓库
2
3conda create --name openimages python=3.7 # 创建 Anaconda 环境
4conda activate openimages # 激活该环境
5cd openimages # 进入克隆下来的 openimages 文件夹
6pip install -r requirements.txt # 安装所需依赖包
7
8python download_images.py # 运行主脚本以下载数据集

1git clone https://github.com/WongKinYiu/yolov7.git # 克隆 YOLOv7 代码仓库
2
3conda create --name yolov7 python==3.7 # 创建 Anaconda 环境
4conda activate yolov7 # 激活 yolov7 环境
5cd yolov7 # 进入 yolov7 目录（即克隆的仓库所在文件夹）
6pip install -r requirements.txt # 安装所需依赖包