前言
本人人工智能领域小白。近日有需求使用PaddlePaddle框架，运用图像识别中的行人影响追踪技术，折腾了大半天，中途踩了不少坑，才将基本的环境配置好。经验证，网上有些教学博客的方法已经过时，于是写一篇博客，帮助和我一样什么也不懂的技术小白们，体验最基础的图像识别框架的构建。
本文以64位x86架构Windows 11系统，Python3.9.13为例。
参考资料
经典手把手教学快速安装Anaconda+百度飞桨paddlepaddle
………
安装Anaconda
Anaconda指的是一个开源的Python发行版本
其包含了conda、Python等180多个科学包及其依赖项因为包含了大量的科学包，Anaconda 的下载文件比较大
如果只需要某些包，或者需要节省带宽或存储空间
也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）Anaconda以其非常简单易安装的环境、科学包
非常适合入门的初学者进行Python和R语言的学习
Anaconda下载链接：Anaconda Distribution
进入网站，翻到最下面，选择对应的版本
进入安装界面
此处勾选上第二个选项，等待安装成功
得益于Anaconda完善的的的科学包管理系统，我们可以方便地新建测试环境
打开Anaconda Navigater 
依次点击左边”Environment”、下方”Create”，创建新环境(名称最好使用英文，以防不必要的麻烦) 
然后打开新环境中的终端 
后续所有的命令行操作在此终端中进行
安装Paddlepaddle环境
为了加快下载速度，先换源到清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
先安装CUDA
在本计算机上，对于 CUDA 11.6，需要搭配 cuDNN 8.4.0，安装命令为:
conda install paddlepaddle-gpu==2.4.1 cudatoolkit=11.6 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge
其他版本的安装只需要改变命令中的版本号，详见Windows 下的 Conda 安装
conda install paddlepaddle==2.4.1 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
使用python进入Python解释器，输入import paddle ，再输入 paddle.utils.run_check()
如果出现PaddlePaddle is installed successfully!，说明安装成功 
Jupyter Notebook的使用
本文的运行工具为Jupyter
Jupyter Notebook是基于网页的用于交互计算的应用程序。其可被应用于全过程计算：开发、文档编写、运行代码和展示结果。
简而言之，Jupyter Notebook是以网页的形式打开，可以在网页页面中直接编写代码和运行代码，代码的运行结果也会直接在代码块下显示的程序。如在编程过程中需要编写说明文档，可在同一个页面中直接编写，便于作及时的说明和解释。
Anaconda的默认环境自带Jupyter，但paddle环境并没有，所以先安装Jupyter库
pip install jupyter
在paddle环境的终端中输入jupyter notebook可进入Jupyter 
Paddle Detection的安装
本文以PaddleDetection中的一个pipeline——PP-HumanV2为例
在终端中运行如下指令
# 克隆PaddleDetection仓库
mkdir ~/work
cd ~/work/
git clone https://github.com/PaddlePaddle/PaddleDetection.git
# 安装其他依赖
cd PaddleDetection
mkdir -p demo_input demo_output
pip install -r requirements.txt
克隆到本地的配置文件在C:\Users\用户名\PaddleDetection
接下来使用Jupyter运行。打开Jupyter并进入C:\Users\用户名\work\PaddleDetection中，右上角创建新Python3文件 
注:Jupyter的使用说明详见Jupyter notebook 入门教程等，此处不再赘述
配置与使用
配置
PP-Human的配置文件在
C:\Users\zhrli\work\PaddleDetection\deploy\pipeline\config\infer_cfg_pphuman.yml，可通过修改配置文件来改变功能。配置文件的编辑详见https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.5/deploy/pipeline/docs/tutorials导入训练模型
下载https://www.paddlepaddle.org.cn/modelsDetail?modelId=11中的模型，将其解压至./output_inference文件夹(没有就新建)
使用
以下为几组示例，引用自https://www.paddlepaddle.org.cn/modelsDetail?modelId=11
#直接使用默认配置或者examples中配置文件，或者直接在`infer_cfg_pphuman.yml`中 修改配置： # 例：行人检测，指定配置文件路径和测试图片，图片输入默认打开检测模型 !wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/PP-Human/human_attr.jpg !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml --image_file=demo_input/human_attr.jpg --device=cpu --output_dir=demo_output# 例：行人属性识别，直接使用examples中配置 !wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/PP-Human/human_attr.mp4 !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=demo_input/human_attr.mp4 --device=cpu --output_dir=demo_output#使用命令行进行功能开启，或者模型路径修改： # 例：行人跟踪，指定配置文件路径，模型路径和测试视频, 命令行中指定的模型路径优先级高于配置文件 !wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/PP-Human/human_count.mp4 !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o MOT.enable=True --video_file=demo_input/human_count.mp4 --device=cpu --output_dir=demo_output# 例：行为识别，以摔倒识别为例，命令行中开启SKELETON_ACTION模型 !wget -P demo_input -N https://paddledet.bj.bcebos.com/modelcenter/images/PP-Human/human_falldown.mp4 !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_pphuman.yml -o SKELETON_ACTION.enable=True --video_file=demo_input/human_falldown.mp4 --device=cpu --output_dir=demo_output#rtsp推拉流 #对rtsp拉流的支持，使用--rtsp RTSP [RTSP ...]参数指定一路或者多路rtsp视频流，如果是多路地址中间用空格隔开。(或者video_file后面的视频地址直接更换为rtsp流地址)，示例如下： # 例：行人属性识别，单路视频流 !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE] --device=cpu# 例：行人属性识别，多路视频流 !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml -o visual=False --rtsp rtsp://[YOUR_RTSP_SITE1] rtsp://[YOUR_RTSP_SITE2] --device=cpu# 视频结果推流rtsp # 预测结果进行rtsp推流，使用--pushurl rtsp:[IP] 推流到IP地址端，PC端可以使用[VLC播放器](https://vlc.onl/)打开网络流进行播放，播放地址为 `rtsp:[IP]/videoname`。其中`videoname`是预测的视频文件名，如果视频来源是本地摄像头则`videoname`默认为`output`. # 例：行人属性识别，单路视频流，该示例播放地址为 rtsp://[YOUR_SERVER_IP]:8554/test_video !python deploy/pipeline/pipeline.py --config deploy/pipeline/config/examples/infer_cfg_human_attr.yml --video_file=test_video.mp4 --device=cpu --pushurl rtsp://[YOUR_SERVER_IP]:8554 # 注： # 1. rtsp推流服务基于 [rtsp-simple-server](https://github.com/aler9/rtsp-simple-server), 如使用推流功能请先开启该服务. # 2. rtsp推流如果模型处理速度跟不上会出现很明显的卡顿现象，建议跟踪模型使用ppyoloe_s版本，即修改配置中跟踪模型mot_ppyoloe_l_36e_pipeline.zip替换为mot_ppyoloe_s_36e_pipeline.zip。- 其中的image_file和video_file后面的内容是要处理的文件名称(带扩展名)
- 若用GPU加载，应将CPU改为GPU
- 待处理的视频与图片文件应放在
C:\Users\用户名\work\PaddleDetection\demo_input文件夹中，输出在C:\Users\用户名\work\PaddleDetection\demo_output文件夹中
遇到的问题与解决措施
我曾经同时安装了两个版本的Python，将环境配置得一塌糊涂，于是采用了全部清空重装的措施。
但当我重新安装上Anaconda并试着使用
python --version检测安装时，命令行什么都没返回。上网一查，我的问题出现在安装了多个版本的Python上，但先前我已经卸载了Python，在”程序与功能”面板上也无法找到Python。于是使用where python命令，找到了python的路径，发现真的是之前的Python没有卸载干净，将其删除就可以了。但是之前的python.exe位于我的C:\Users\zhrli\AppData\Local\Microsoft\WindowsApps路径中，直接删除会出现以下报错
所以我又从网上查询到了解决方法。在拥有管理员权限的命令行中使用如下指令
rd /s/q 文件夹路径 （强制删除文件文件夹和文件夹内所有文件） del /f/s/q 文件路径 （强制删除文件，文件名必须加文件后缀名）此命令可以强制删除文件(详见博客windows删除文件报错《0x80070780系统无法访问此文件》)
将python.exe和python3.exe删除后，python可以正常运行了
装Anaconda时报错
Solving environment: failed with initial frozen solve. Retrying with flexible solve.解决方法：
# 更新conda conda update -n base conda conda update -all # 修改频道 conda config --add channels conda-forge conda config --set channel_priority flexible # 安装成功！安装CPU版本的Paddlepaddle时不用去折腾CUDA和cuDNN。这两个东西在国内下载奇慢无比，不建议从NVIDIA官网下载，推荐使用镜像站。而且一定要装对版本，使其完美匹配，否则无法运行。
在Paddle Detection的安装中，运行”安装依赖”指令往往会出现很多问题。
ERROR:Could not build wheels for pycocotools, which is required to install pyproject.toml-based解决方法：密码i5d7 下载该文件，将pycocotools两个文件夹放到anaconda3\Lib\site-packages中
error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools”: https://visualstudio.microsoft.com/visual-cpp-build-tools/解决方法：下载[Microsoft Visual C++ Build Tools](Microsoft Visual C++ Build Tools)，选择以下内容安装
error: subprocess-exited-with-error解决方法：没有通解，仔细研究错误日志，缺什么库补什么库
利用好
pip install指令Python setup.py bdist_wheel did not run successfully或legacy-install-failure解决方法：安装并更新Cmake,Wheel,pip,setuptools。参照https://bobbyhadz.com/blog/python-setup-py-bdist-wheel-did-not-run-successfully
imbalanced-learn 0.7.0 requires joblib>=0.11, which is not installed. imbalanced-learn 0.7.0 requires scikit-learn>=0.23, which is not installed.解决方法：改变安装的包的版本。使用如下指令
pip install xxx==版本号 -i https://pypi.doubanio.com/simpleDeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.9 it will stop working解决方法：修改
C:\Users\用户名\work\PaddleDetection\deploy\pipeline\pipeline.py文件的24行为from collections import defaultdict from collections.abc import Sequence‘wget‘ 不是内部或外部命令，也不是可运行的程序 或批处理文件解决方法：1.直接
pip install wget
后记
折腾这一阵子，也算有了几点启发。
- 最好顺着一个教程一直走，直到走不通才去查阅别的资料……不要这里看一点那里看一点，否则可能会无意中重复已经进行过的操作，导致错误。
- 切记程序的运行环境是很重要的。如本案例一定要在Paddle环境中操作，不要切回默认环境。本人因此耽误了不少时间。
- 看到报错不该有畏难心理。应当仔仔细细地分析报错日志，一点一点地尝试解决问题。
- 应当大力锻炼使用搜索引擎的能力，多去看英文博客与文献，不要嫌麻烦。
希望我的一番折腾经历可以帮助到与我一样迷茫的萌新们。