前言
基于YOLO进行物体检测、对象识别，先和大家分享如何搭建开发环境，会分为CPU版本、GPU版本的两种开发环境，本文会分别详细地介绍搭建环境的过程。
主要使用TensorFlow2.3、opencv-python4.4.0、Pillow、matplotlib 等依赖库。
搭建环境参数
系统：Windows 编程语言：Python 3.8
深度学习框架：TensorFlow 2.3 整合开发环境：Anaconda 开发代码IDE：PyCharm
推荐理由：1）Anaconda +PyCharm，能适应较多的开发环境，比如，创建一个TensorFlow2.3的环境，创建一个TensorFlow1.5的环境，是不会相互影响的，而且切换很方便。相对来说VScode在环境配置和切换就差一些了，尽管我也挺喜欢VScode的。
2）使用Python语言相对C、C++更好上手，易于理解。
一、安装Anaconda
大家到官网下载Windows 版本的Anaconda，选择电脑的位数（32位 / 64位）：目前最新默认使用Python 3.8了，没关系的，等下我们可以创建一个独立的conda开发环境，安装Python 3.6就好啦。
编辑
在网页中拉到底下，即可看到上图页面；比如，电脑系统是Windows的64位，选择红色框框的；如果是32位的，选择红框下一个。下载好后，其是一个可执行文件，例如：Anaconda3-2020.07-Windows-x86_64.exe。
双击可执行文件，进行安装，过程安装引导安装即可；（同意，下一步）
需要注意：添加环境变量的需要勾上√，如果默认使用PYthon3.8的第二个勾上，
后面默认直至安装完成。
二、安装TensorFlow
这里是在Anaconda中安装TensorFlow 2.3的，大家可以想象Anaconda为一个资源管理器，在支持PYthon3 的基础上，安装许多深度学习用到的包或依赖库，然后封装成一个独立的开发环境；最好后在PyCharm直接使用封装好的开发环境。
首先在应用程序中打开“Anaconda Prompt（naconda3）”：
大家先选择一下，是安装CPU环境，还是GPU环境，建议尽量安装GPU环境，这样做YOLO的物体检测、目标识别时会更快和流畅。先看下是否符合GPU环境的要求：
GPU 前提条件：电脑中有显卡，NVIDIA品牌；而且在windows中的显卡驱动的版本 >=418.96
1）如果满足这个条件的朋友，恭喜你可以布置GPU加速环境，训练神经网络时可以用到GPU进行加速。
2）如果不满足这个条件的朋友，先去看看我这边博客：一篇文章清晰了解NVIDAI显卡驱动（包括：CUDA、CUDA Driver、CUDA Toolkit、CUDNN、NCVV） 这里面有介绍较旧的显卡（例如我的旧电脑是GTX950M），安装较新版本的显卡驱动（445.87版本）；从而实现使用GTX950M显卡进行加速神经网络训练等。新电脑的显卡是GTX1660了。
3）如果电脑没显卡，或不想使用GPU加速的朋友，可以跳过布置GPU加速环境
1、YOLO开发环境——CPU版本
1）新建一个名为 YOLO3-CPU-TensorFlow2 的开发环境，使用PYthon3.8
conda create -n YOLO3-CPU-TensorFlow2 python=3.8
安装过程询问y / n； 输入y 同意安装
等待安装完成即可。
2）进入刚才创建的环境
conda activate YOLO3-CPU-TensorFlow2
3）安装TensorFlow2.3.1
pip install tensorflow==2.3.1 -i https://mirrors.aliyun.com/pypi/simple/
这里等待安装完成即可; 分析-i https://mirrors.aliyun.com/pypi/simple/ 是指定国内的软件源来下载，这样比较快。
4）验证是否环境安装成功
进入Python环境：
python
输入命令导入TensorFlow库：import tensorflow as tf
查看其版本：tf.__version__
2、YOLO开发环境——GPU版本
前提条件：电脑中有显卡，NVIDIA品牌；而且在windows中的显卡驱动的版本 >=418.96
1）新建一个名为 YOLO3-GPU-TensorFlow2 的环境，使用PYthon3.8
conda create -n YOLO3-GPU-TensorFlow2 python=3.8
安装过程询问y / n； 输入y 同意安装
等待安装完成即可。
2）进入刚才创建的环境
conda activate YOLO3-GPU-TensorFlow2
3）安装TensorFlow2.3.1
pip install tensorflow-gpu==2.3.1 -i https://mirrors.aliyun.com/pypi/simple/
这里等待安装完成即可; 分析 -i https://mirrors.aliyun.com/pypi/simple/ 是指定国内的软件源来下载，这样比较快。
等待安装完成；
下面安装英伟达的cudatoolkit、和英伟达深度学习软件包cudnn
a）安装英伟达的cudatoolkit 10.1版本
conda install cudatoolkit=10.1
安装过程需要选择y，等待安装完成。
b）安装英伟达深度学习软件包7.6版本
conda install cudnn==7.6.*
如果上面cudatoolkit、cudnn两条语句顺利安装没报错，恭喜你啊，布置GPU加速环境成功啦。
4）验证是否环境安装成功
进入Python环境：
python
输入命令导入TensorFlow库：import tensorflow as tf
查看其版本：tf.__version__
完成啦！！
三、安装PyCharm
我们到官方下载社区版的PyCharm，无需在网上找破解版的；
Download PyCharm: Python IDE for Professional Developers by JetBrains
然后来到下图页面：
下载好后是一个可执行文件，例如：pycharm-community-2020.1.exe
双击可执行文件进行安装，默认安装即可，需要注意的下图：
然后等待安装完成后，需要重启电脑哦。
四、安装YOLO3用到的依赖库
主要安装python版本的OpenCV、Keras、Pillow、matplotlib；建议大家根据下面的命令进行安装，下面的依赖库指定的版本是通过测试的。其中 -i https://pypi.mirrors.ustc.edu.cn/simple 主要是指定pip 为国内软件源安装，提升安装速度。
下面依赖库安装通常是没什么问题的，就不截图安装过程了
pip install opencv-python==4.4.0.44 -i https://mirrors.aliyun.com/pypi/simple/
pip install Pillow -i https://mirrors.aliyun.com/pypi/simple/
pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/
五、配置PyCharm开发环境
1）打开PyCharm，新建工程；
2）然后选择 1 工程所放目录路径；2 点击查看详情配置； 3点击选择创建的开发环境
3）设置开发环境，使用之前在Anaconda创建好的环境：YOLO3-GPU-Tensoflow2
点击OK，然后点击create。
测试环境
新建一个python文件，编写测试程序：
测试代码：
import tensorflow as tf tensorflow_version = tf.__version__ #以下两行代码适合有“布置GPU环境的” gpu_available = tf.test.is_gpu_available() print("tensorflow version:", tensorflow_version, "\tGPU available:", gpu_available) #以下一行代码适合没有“布置GPU环境的”，纯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)
运行结果：
能看到YOLO的开发环境搭建成功了，恭喜啊。
先看一下LOYOv3 的效果：YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）
1）有四只小猫被检测出来：
使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。
2）一只小狗和一只小猫同时被检测出来：
小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；
小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；
3）在复杂的十字路口，有许多行人和车辆被检测出来了：
大家可以看到大部分的行人、小汽车和公交车是被检测出来了，存在小部分没有被检测出来；如果是做特定场景的目标检测，建议大家后续采购特定场景的数据，重新训练网络，生成稳定且高精度的模型，保存权重文件，便于后续使用。
希望对你有帮助，如果发现文章有误，欢迎指出。
