前言
基於YOLO進行物體檢測、對象識別，先和大家分享如何搭建開發環境，會分為CPU版本、GPU版本的兩種開發環境，本文會分別詳細地介紹搭建環境的過程。
搭建環境參數
系統：Windows 編程語言：Python 3.8
深度學習框架：TensorFlow 2.3 整合開發環境：Anaconda 開發代碼IDE：PyCharm
推薦理由：1）Anaconda +PyCharm，能適應較多的開發環境，比如，創建一個TensorFlow2.3的環境，創建一個TensorFlow1.5的環境，是不會相互影響的，而且切換很方便。相對來說VScode在環境配置和切換就差一些了，盡管我也挺喜歡VScode的。
2）使用Python語言相對C、C++更好上手，易於理解。
目錄
前言
搭建環境參數
一、安裝Anaconda
二、安裝TensorFlow
1、YOLO開發環境——CPU版本
2、YOLO開發環境——GPU版本
三、安裝PyCharm
四、安裝YOLO3用到的依賴庫
五、配置PyCharm開發環境
測試環境
一、安裝Anaconda
大家到官網下載Windows 版本的Anaconda，選擇電腦的位數（32位 / 64位）：目前最新默認使用Python 3.8了，沒關系的，等下我們可以創建一個獨立的conda開發環境，安裝Python 3.6就好啦。
在網頁中拉到底下，即可看到上圖頁面；比如，電腦系統是Windows的64位，選擇紅色框框的；如果是32位的，選擇紅框下一個。下載好后，其是一個可執行文件，例如：Anaconda3-2020.07-Windows-x86_64.exe。
雙擊可執行文件，進行安裝，過程安裝引導安裝即可；（同意，下一步）
需要注意：添加環境變量的需要勾上√，如果默認使用PYthon3.7的第二個勾上，
后面默認直至安裝完成。
二、安裝TensorFlow
這里是在Anaconda中安裝TensorFlow 2.3的，大家可以想象Anaconda為一個資源管理器，在支持PYthon3 的基礎上，安裝許多深度學習用到的包或依賴庫，然后封裝成一個獨立的開發環境；最好后在PyCharm直接使用封裝好的開發環境。
首先在應用程序中打開“Anaconda Prompt（naconda3）”：
大家先選擇一下，是安裝CPU環境，還是GPU環境，建議盡量安裝GPU環境，這樣做YOLO的物體檢測、目標識別時會更快和流暢。先看下是否符合GPU環境的要求：
GPU 前提條件：電腦中有顯卡，NVIDIA品牌；而且在windows中的顯卡驅動的版本 >=430
1）如果滿足這個條件的朋友，恭喜你可以布置GPU加速環境，訓練神經網絡時可以用到GPU進行加速。
2）如果不滿足這個條件的朋友，先去看看我這邊博客：一篇文章清晰了解NVIDAI顯卡驅動（包括：CUDA、CUDA Driver、CUDA Toolkit、CUDNN、NCVV） 這里面有介紹較舊的顯卡（例如我的舊電腦是GTX950M），安裝較新版本的顯卡驅動（445.87版本）；從而實現使用GTX950M顯卡進行加速神經網絡訓練等。新電腦的顯卡是GTX1660了。(驅動版本446)
3）如果電腦沒顯卡，或不想使用GPU加速的朋友，可以跳過布置GPU加速環境
1、YOLO開發環境——CPU版本
1）新建一個名為 YOLO3-CPU-TensorFlow2 的開發環境，使用PYthon3.8
conda create -n YOLO3-CPU-TensorFlow2 python=3.8
安裝過程詢問y / n； 輸入y 同意安裝
等待安裝完成即可。
2）進入剛才創建的環境
conda activate YOLO3-CPU-TensorFlow2
3）安裝TensorFlow2.3.1
pip install tensorflow==2.3.1 -i https://pypi.mirrors.ustc.edu.cn/simple
這里等待安裝完成即可; 分析 -i https://pypi.mirrors.ustc.edu.cn/simple 是指定國內的軟件源來下載，這樣比較快。
4）驗證是否環境安裝成功
進入Python環境：
python
輸入命令導入TensorFlow庫：import tensorflow as tf
查看其版本：tf.__version__
2、YOLO開發環境——GPU版本
前提條件：電腦中有顯卡，NVIDIA品牌；而且在windows中的顯卡驅動的版本 >=430
1）新建一個名為 YOLO3-GPU-TensorFlow2 的環境，使用PYthon3.8
conda create -n YOLO3-GPU-TensorFlow2 python=3.8
安裝過程詢問y / n； 輸入y 同意安裝。等待安裝完成即可。
2）進入剛才創建的環境
conda activate YOLO3-GPU-TensorFlow2
3）安裝TensorFlow2.3.1
pip install tensorflow-gpu==2.3.1 -i https://pypi.mirrors.ustc.edu.cn/simple
這里等待安裝完成即可; 分析 -i https://pypi.mirrors.ustc.edu.cn/simple 是指定國內的軟件源來下載，這樣比較快。
等待安裝完成；
下面安裝英偉達的cudatoolkit、和英偉達深度學習軟件包cudnn
a）安裝英偉達的cudatoolkit 10.1版本
conda install cudatoolkit=10.1
安裝過程需要選擇y，等待安裝完成。
b）安裝英偉達深度學習軟件包7.6版本
conda install cudnn
如果上面cudatoolkit、cudnn兩條語句順利安裝沒報錯，恭喜你啊，布置GPU加速環境成功啦。
4）驗證是否環境安裝成功
進入Python環境：
python
輸入命令導入TensorFlow庫：import tensorflow as tf
查看其版本：tf.__version__
完成啦！！
三、安裝PyCharm
我們到官方下載社區版的PyCharm，無需在網上找破解版的；
https://www.jetbrains.com/pycharm/download/#section=windows
然后來到下圖頁面：
下載好后是一個可執行文件，例如：pycharm-community-2020.1.exe
雙擊可執行文件進行安裝，默認安裝即可，需要注意的下圖：
然后等待安裝完成后，需要重啟電腦哦。
四、安裝YOLO3用到的依賴庫
主要安裝python版本的OpenCV、Keras、Pillow、matplotlib；建議大家根據下面的命令進行安裝，下面的依賴庫指定的版本是通過測試的。其中 -i https://pypi.mirrors.ustc.edu.cn/simple 主要是指定pip 為國內軟件源安裝，提升安裝速度。
下面依賴庫安裝通常是沒什么問題的，就不截圖安裝過程了
pip install opencv-python==4.4.0.44 -i https://pypi.mirrors.ustc.edu.cn/simple
pip install Pillow -i https://pypi.mirrors.ustc.edu.cn/simple
pip install matplotlib -i https://pypi.mirrors.ustc.edu.cn/simple
五、配置PyCharm開發環境
1）打開PyCharm，新建工程；
2）然后選擇 1 工程所放目錄路徑；2 點擊查看詳情配置； 3點擊選擇創建的開發環境
3）設置開發環境，使用之前在Anaconda創建好的環境：YOLO3-GPU-Tensoflow2
點擊OK，然后點擊create。
測試環境
新建一個python文件，編寫測試程序：
測試代碼：
import tensorflow as tf
tensorflow_version = tf.__version__
#以下兩行代碼適合有“布置GPU環境的”
gpu_available = tf.test.is_gpu_available()
print("tensorflow version:", tensorflow_version, "\tGPU available:", gpu_available)
#以下一行代碼適合沒有“布置GPU環境的”，純CPU版本的
#print("tensorflow version:", tensorflow_version)
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([1.0, 2.0], name="b")
result = tf.add(a, b, name="add")
print(result)
運行結果：
能看到YOLO的開發環境搭建成功了，恭喜啊。
先看一下LOYOv3 的效果：YOLOv3物體/目標檢測之實戰篇（Windows系統、Python3、TensorFlow2版本）
1）有四只小貓被檢測出來：
使用淺藍色的框框，把小貓的所在位置框出來，並在框框上方注釋標簽（類別 置信度）。比如第一只小貓檢測出的標簽是cat ，置信度是0.95，即有95%的把握認為是cat 貓。
2）一只小狗和一只小貓同時被檢測出來：
小貓被檢測出是cat，1.00；有100%的把握認為是cat 貓；小狗被檢測出是dog，0.97；有97%的把握認為是cat 貓；
3）在復雜的十字路口，有許多行人和車輛被檢測出來了：
大家可以看到大部分的行人、小汽車和公交車是被檢測出來了，存在小部分沒有被檢測出來；如果是做特定場景的目標檢測，建議大家后續采購特定場景的數據，重新訓練網絡，生成穩定且高精度的模型，保存權重文件，便於后續使用。
希望對你有幫助，如果發現文章有誤，歡迎指出。
歡迎交流：https://guo-pu.blog.csdn.net/
https://github.com/guo-pu/yolov3-tf2