当前位置：物联沃-IOTWORD物联网 > 技术教程 > [离线部署Python项目指南：适合新手的步骤]
代码收藏家代码收藏家 技术教程

[离线部署Python项目指南：适合新手的步骤]

离线部署python项目全流程详解

  • python项目虚拟环境
  • 外网准备
  • 版本控制工具conda安装
  • python调试工具pycharm安装
  • python项目下载
  • 配置python虚拟环境
  • （可选，建议新手执行）用pycharm打开项目
  • anaconda创建虚拟环境
  • anaconda界面创建虚拟环境
  • anaconda命令行创建虚拟环境
  • 激活python虚拟环境
  • anaconda命令行激活虚拟环境
  • pycharm命令行激活python虚拟环境
  • 配置python依赖
  • 命令行进行python依赖配置
  • （可选）使用pytorch的CUDA版本依赖替换普通版本
  • 手动安装
  • 指令安装
  • 环境测试
  • 离线环境部署
  • 资源准备
  • 具体配置
  • （可选）外网设备和离线设备conda路径不一致时的情况

    • python项目虚拟环境

    关于虚拟环境基础知识，可参考python虚拟环境详解博文。由于个人工作需要，本文采用conda工具进行python虚拟环境配置及移植。

    配置虚拟环境前，首先要对python解释器、python运行库（以下称“python依赖”或“依赖”）及其功能有初步的了解。
    python解释器版本主要分python2和python3两个大版本，大版本之间有重大差异，大版本中的小版本之间也会有一定的不同。愿意深入了解的可以参考博文python版本差异总结学习。本文主要以常用的python3进行示例说明。
    python依赖拥有强大的功能，能够对系统内各种工具、文件等进行操作，基本可以完成你能想到的任何任务。但是python依赖除对python解释器有版本匹配的要求外，其内部还包含大量依赖关系，并不是每个依赖的新版本都能兼容旧版本的python代码，并且某些特殊的python依赖还需要非python的第三方运行库进行支持。因此，每个python虚拟环境的依赖版本控制都是比较严格的，需要用到版本管理工具（本文使用conda）进行辅助。
    python库功能简介
    这里以神经网络框架pytorch为例，pytorch除对python计算库numpy、scipy、matplotlib等有依赖要求外，还对显卡的第三方专用计算库Nvidia驱动、CUDA、CUDNN等有依赖要求。（pytorch相对方便的一点就是把cuda集成到了python依赖中，就可以不用另外安装CUDA，非常方便）
    因此，如果需要配置一个包含pytorch计算库的python虚拟计算环境，并使其能够调用显卡作为算力，就需要安装显卡驱动、CUDA、CUDNN、python解释器及python依赖。

    外网准备

    对python及其依赖有基本了解后，就可以在具备联网条件的外网设备展开工作了

    版本控制工具conda安装

    Anaconda下载地址
    安装过程除以下两点外，其他默认即可：
    A）为降低在离线环境的工作量，请安装路径和离线环境的anaconda保持一致，本人工作需要，将anaconda安装在D盘根目录，如下所示：
    anaconda安装注意事项1
    B）勾选“配置环境变量”的选项
    anaconda安装事项2

    python调试工具pycharm安装

    按装这个主要是为了用于运行开源python项目确认环境配置无误，对虚拟环境本身没有影响。
    pycharm下载地址
    **下载社区版！！！**多数python项目不需要专业版pycharm。绝大多数情况下，专业版pycharm除了增加破解难度以外没有其他作用。
    pycharm社区版下载位置
    安装时同样需要勾选配置环境变量的选项
    pycharm安装说明

    python项目下载

    github下载需要的项目源代码即可
    python项目中一般会有一个名为readme（大小写可能有区别）的markdown文件（.md/.MD），一般都内含该项目环境要求，包括python解释器版本、python依赖库及版本、其他第三方依赖库等
    初学者建议按照项目中对依赖库的最低版本要求配置虚拟环境，有一定的版本控制经验后再使用较高版本依赖库进行兼容替代

    这里以经典目标检测算法YOLOv5作为部署案例进行实战讲解。进入项目github发布页后，下载源码到本地并解压即可。
    YOLOv5

    配置python虚拟环境

    （可选，建议新手执行）用pycharm打开项目

    打开后，会发现pycharm试图自动帮助我们配置虚拟环境，这里我们先取消，因为使用venv部署虚拟环境，管理起来相对麻烦一点。

    打开后，找到readme文件（YOLOv5功能完善，还有专门的中文版readme），点开后在里面会找到一段以install为标题的内容，里面包含python版本（这里是>=3.8），依赖版本以及安装指令==（在其他项目中，这段内容所在的位置及形式各不相同，最常见的是readme，具体情况需要详细阅读项目的说明文档后自行寻找）==

    这里详细解释一下这几条指令的含义

    git clone https://github.com/ultralytics/yolov5  # clone

    该指令是使用git工具下载项目源码，我们是直接在github上下载下来了，就跳过这一步。感兴趣的可以参考git使用方法学习使用该指令。

    cd yolov5

    该指令是在命令行中用于“打开文件夹”的指令，可以理解为在“我的电脑”里面点开了一个文件夹，然后“我的电脑”就会显示该文件夹的内容，我们也可以跳过。具体使用效果如下（其中ls指令是在命令行查看目录内文件的指令）：

    需要注意的是，命令行就可以当成一种纯指令交互的“我的电脑”。执行指令时，会优先从当前目录中寻找相关文件。windows命令行学习请参考深入了解命令提示符（CMD）。

    pip install -r requirements.txt  # install

    该指令是用于下载python依赖的指令。pip是每个python虚拟环境都自带的python依赖下载工具，详细用法参考pip详细用法。该指令的含义是指从requirments.txt中寻找项目对python依赖的要求并批量化安装，我们可以找到该文件，发现内部格式如下：

    可以发现，有的依赖库设置了版本要求（==表示python依赖只能采用该版本号，>=表示python依赖需新于该版本号，<=表示python依赖需旧于该版本号），而有的没有。pip工具就会根据这些要求，自动选择requirments.txt限制下能够安装的最新版本的依赖进行安装。

    anaconda创建虚拟环境

    有两种方式（界面/命令行，推荐学习命令行方式，因为命令行安装依赖库相对方便）

    anaconda界面创建虚拟环境

    打开anaconda navigator，依次点击environment→create，配置虚拟环境名称及python版本（根据项目要求决定）后点击create，然后等待安装进程跑完即可。

    anaconda命令行创建虚拟环境

    打开anaconda powershell Prompt，使用指令创建环境，格式为：

     conda create -n yolov5 python==3.8

    其中，-n后面的参数代表虚拟环境名称，python==后面跟python版本号，指令运行完毕并无报错，则虚拟环境创建完成.，安装完毕后，还会提示在命令行激活该虚拟环境的指令，如下图所示：

    激活python虚拟环境

    激活python虚拟环境是指在命令行将通过conda配置的虚拟环境设置为默认python解释器的过程，激活python后，在命令行就会使用虚拟环境中的python解释器运行程序。如下图所示，激活前后的默认python解释器发生了改变。

    激活python虚拟环境有两种方式（anaconda命令行/pycharm命令行），建议在初学阶段使用pycharm命令行。

    anaconda命令行激活虚拟环境

    使用以下指令激活虚拟环境，左边括号会从base变为环境名称yolov5，conda相关指令请参考conda指令大全。

    conda activate yolov5

    pycharm命令行激活python虚拟环境

    使用pycharm打开python项目，依次按下图点击对应位置（英文版请自行对应成英文）。


    点击确定后，该项目的python解释器被配置为anaconda创建的虚拟环境
    此时，点击“终端”进入已激活该虚拟环境的命令行，若已有已开启的终端，先关闭即可，正常情况下，会显示如下终端信息：

    部分电脑会遇到报错：无法加载文件 xx.ps1，因为在此系统上禁止运行脚本，解决方法详见链接。

    配置python依赖

    命令行进行python依赖配置

    需要在任意一个激活了指定python虚拟环境的终端中展开该工作，这里以pycharm为例。
    之前已经讲过，yolov5官方readme中，使用如下指令进行python依赖配置。

    pip install -r requirements.txt  # install

    但由于pip工具默认从国外python依赖源作为下载源，经常会出现下载速度慢，甚至无法下载的问题，所以这里使用如下指令将下载源替换为国内源。（对于其他项目来说，有的python依赖只能从指定下载源下载，届时根据项目中的要求进行下载源替换即可）

    pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

    在pycharm激活了yolov5的虚拟环境中使用该指令，会自动开始按照requirements.txt中的python依赖版本需求进行安装。

    指令执行完毕不报错时，表示安装成功，如下图所示：

    这时，使用如下指令，可以看到当前python虚拟环境中依赖的版本信息。如下所示，可以发现，实际安装的python依赖比requirements.txt中的依赖需求要多，因为安装python依赖时，会先根据requirements.txt中的依赖库要求，安装更底层的依赖库，导致实际安装的依赖会更多。

    pip list

    (yolov5) PS F:\work\pythonBlog\yolov5-master> pip list
Package             Version
------------------- --------------------
certifi             2024.7.4
charset-normalizer  3.3.2
colorama            0.4.6
contourpy           1.1.1
cycler              0.12.1
filelock            3.15.4
fonttools           4.53.1
fsspec              2024.6.1
gitdb               4.0.11
GitPython           3.1.43
idna                3.7
importlib_resources 6.4.3
Jinja2              3.1.4
kiwisolver          1.4.5
MarkupSafe          2.1.5
matplotlib          3.7.5
mpmath              1.3.0
networkx            3.1
numpy               1.24.4
opencv-python       4.10.0.84
packaging           24.1
pandas              2.0.3
pillow              10.4.0
pip                 24.2
psutil              6.0.0
py-cpuinfo          9.0.0
pyparsing           3.1.2
python-dateutil     2.9.0.post0
pytz                2024.1
PyYAML              6.0.2
requests            2.32.3
scipy               1.10.1
seaborn             0.13.2
setuptools          72.1.0
six                 1.16.0
smmap               5.0.1
sympy               1.13.2
thop                0.1.1.post2209072238
torch               2.4.0
torchvision         0.19.0
tqdm                4.66.5
typing_extensions   4.12.2
tzdata              2024.1
ultralytics         8.2.79
ultralytics-thop    2.0.5
urllib3             2.2.2
wheel               0.43.0
zipp                3.20.0

    也可以在pycharm中查看已安装的python依赖及其版本

    （可选）使用pytorch的CUDA版本依赖替换普通版本

    如前文所说，由于pytorch需要使用显卡进行神经网络加速，所以需要安装合适版本的显卡驱动和CUDA。显卡驱动的安装无法跳过，但是可以通过使用pytorch的CUDA版本，来跳过安装CUDA的过程（仅pytorch等少数依赖库具备该功能，并不是每个python依赖都具备该功能）。
    根据上述方法，我们已经安装了如下版本的torch和torchvision，这两个库需要CUDA支持，也有官方CUDA版本。

    torch               2.4.0
torchvision         0.19.0

    在torch官方下载源和torchvision官方下载源中，可以找到这两个库的CUDA版本。


    可以通过下载后手动安装的方式进行替换，也可以用指令安装进行替换

    手动安装

    手动安装需要选择完全合适的版本进行安装，包括
    1.torch/torchvision版本
    2.cuda版本
    3.python解释器版本
    4.操作系统版本
    5.CPU架构版本
    具体版本号为和下图中从左到右所示：

    安装前，首先确保以安装显卡驱动（这里以N卡为例），在终端使用指令，得到如下输出：

    nvidia-smi


    其中，右上角的CUDA Version表示该驱动最高支持的CUDA版本，笔者电脑为12.2，不能安装高于12.2的CUDA。
    汇总得到具体版本如下表所示：

    版本号
    torch 2.4.0
    torchvision 0.19.0
    CUDA版本 <=12.2
    python解释器版本 3.8
    操作系统版本 windows
    CPU架构 AMD

    因此，需下载以下两个whl文件：


    下载后，将其放入yolov5项目目录中，在pycharm中输入如下指令进行安装

    pip install torch-2.4.0+cu121-cp38-cp38-win_amd64.whl
pip install torchvision-0.19.0+cu121-cp38-cp38-win_amd64.whl

    (yolov5) PS F:\work\pythonBlog\yolov5-master> pip install .\torch-2.4.0+cu121-cp38-cp38-win_amd64.whl
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Processing f:\work\pythonblog\yolov5-master\torch-2.4.0+cu121-cp38-cp38-win_amd64.whl
Requirement already satisfied: filelock in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (3.15.4)
Requirement already satisfied: typing-extensions>=4.8.0 in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (4.12.2)
Requirement already satisfied: sympy in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (1.13.2)
Requirement already satisfied: networkx in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (3.1)
Requirement already satisfied: jinja2 in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (3.1.4)
Requirement already satisfied: fsspec in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121) (2024.6.1)
Requirement already satisfied: MarkupSafe>=2.0 in d:\anaconda\envs\yolov5\lib\site-packages (from jinja2->torch==2.4.0+cu121) (2.1.5)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in d:\anaconda\envs\yolov5\lib\site-packages (from sympy->torch==2.4.0+cu121) (1.3.0)
Installing collected packages: torch
  Attempting uninstall: torch
    Found existing installation: torch 2.4.0
    Uninstalling torch-2.4.0:
      Successfully uninstalled torch-2.4.0
  WARNING: Failed to remove contents in a temporary directory 'D:\Anaconda\envs\yolov5\Lib\site-packages\~unctorch'.
  You can safely remove it manually.
Successfully installed torch-2.4.0+cu121
(yolov5) PS F:\work\pythonBlog\yolov5-master> pip install .\torchvision-0.19.0+cu121-cp38-cp38-win_amd64.whl
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Processing f:\work\pythonblog\yolov5-master\torchvision-0.19.0+cu121-cp38-cp38-win_amd64.whl
Requirement already satisfied: numpy in d:\anaconda\envs\yolov5\lib\site-packages (from torchvision==0.19.0+cu121) (1.24.4)
Requirement already satisfied: torch==2.4.0+cu121 in d:\anaconda\envs\yolov5\lib\site-packages (from torchvision==0.19.0+cu121) (2.4.0+cu121)
Requirement already satisfied: pillow!=8.3.*,>=5.3.0 in d:\anaconda\envs\yolov5\lib\site-packages (from torchvision==0.19.0+cu121) (10.4.0)
Requirement already satisfied: filelock in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (3.15.4)
Requirement already satisfied: typing-extensions>=4.8.0 in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (4.12.2)
Requirement already satisfied: sympy in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (1.13.2)
Requirement already satisfied: networkx in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (3.1)
Requirement already satisfied: jinja2 in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (3.1.4)
Requirement already satisfied: fsspec in d:\anaconda\envs\yolov5\lib\site-packages (from torch==2.4.0+cu121->torchvision==0.19.0+cu121) (2024.6.1)
Requirement already satisfied: MarkupSafe>=2.0 in d:\anaconda\envs\yolov5\lib\site-packages (from jinja2->torch==2.4.0+cu121->torchvision==0.19.0+cu121) (2.1.5)
Requirement already satisfied: mpmath<1.4,>=1.1.0 in d:\anaconda\envs\yolov5\lib\site-packages (from sympy->torch==2.4.0+cu121->torchvision==0.19.0+cu121) (1.3.0)
Installing collected packages: torchvision
  Attempting uninstall: torchvision
    Found existing installation: torchvision 0.19.0
    Uninstalling torchvision-0.19.0:
      Successfully uninstalled torchvision-0.19.0
Successfully installed torchvision-0.19.0+cu121

    指令不报错，表示安装完毕，再次使用指令查看python依赖版本，发现已经替换成功：

    pip list

    (yolov5) PS F:\work\pythonBlog\yolov5-master> pip list                                                                                                      
Package             Version
------------------- --------------------
certifi             2024.7.4
charset-normalizer  3.3.2
colorama            0.4.6
contourpy           1.1.1
cycler              0.12.1
filelock            3.15.4
fonttools           4.53.1
fsspec              2024.6.1
gitdb               4.0.11
GitPython           3.1.43
idna                3.7
importlib_resources 6.4.3
Jinja2              3.1.4
kiwisolver          1.4.5
MarkupSafe          2.1.5
matplotlib          3.7.5
mpmath              1.3.0
networkx            3.1
numpy               1.24.4
opencv-python       4.10.0.84
packaging           24.1
pandas              2.0.3
pillow              10.4.0
pip                 24.2
psutil              6.0.0
py-cpuinfo          9.0.0
pyparsing           3.1.2
python-dateutil     2.9.0.post0
pytz                2024.1
PyYAML              6.0.2
requests            2.32.3
scipy               1.10.1
seaborn             0.13.2
setuptools          72.1.0
six                 1.16.0
smmap               5.0.1
sympy               1.13.2
thop                0.1.1.post2209072238
torch               2.4.0+cu121
torchvision         0.19.0+cu121
tqdm                4.66.5
typing_extensions   4.12.2
tzdata              2024.1
ultralytics         8.2.79
ultralytics-thop    2.0.5
urllib3             2.2.2
wheel               0.43.0
zipp                3.20.0
    指令安装

    指令安装相对简单很多，在官网查看到下图后，得知需安装cu121的python依赖，所以在虚拟环境输入下述指令，系统会自动安装对应版本的python依赖：

    pip install torch==2.4.0+cu121 -f https://download.pytorch.org/whl/torch
pip install torchvision==0.19.0+cu121 -f https://download.pytorch.org/whl/torchvision

    等待指令运行完毕，即为安装成功。

    环境测试

    此时，yolov5项目的python虚拟环境已经在外网设备完成部署，注释掉100行的check_git_info()，并执行train.py

    LOCAL_RANK = int(os.getenv("LOCAL_RANK", -1))  # https://pytorch.org/docs/stable/elastic/run.html
RANK = int(os.getenv("RANK", -1))
WORLD_SIZE = int(os.getenv("WORLD_SIZE", 1))
# GIT_INFO = check_git_info()  # 注释这句

    程序会进入自动下载coco数据集的阶段，这表示yolov5的依赖check已经完全完成，环境部署成功。

    D:\Anaconda\envs\yolov5\python.exe F:\work\pythonBlog\yolov5-master\train.py 
github: skipping check (not a git repository), for updates see https://github.com/ultralytics/yolov5
train: weights=yolov5s.pt, cfg=, data=data\coco128.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=16, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, evolve_population=data\hyps, resume_evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest, ndjson_console=False, ndjson_file=False
YOLOv5  2024-8-20 Python-3.8.0 torch-2.4.0+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
Comet: run 'pip install comet_ml' to automatically track and visualize YOLOv5  runs in Comet
TensorBoard: Start with 'tensorboard --logdir runs\train', view at http://localhost:6006/

Dataset not found , missing paths ['F:\\work\\pythonBlog\\datasets\\coco128\\images\\train2017']
Downloading https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip to coco128.zip...

    离线环境部署

    首先，要确保离线设备的CPU架构、操作系统和外网设备的一致。

    资源准备

    1.anaconda安装包
    2.pycharm安装包
    3.python项目源码
    4.已配置好依赖的python解释器压缩包（python解释器地址如下，压缩即可）

    D:\Anaconda\envs\yolov5

    具体配置

    1.安装anaconda，流程和外网安装一致，也最好保证路径一致
    2.将python解释器压缩包解压缩到以下目录中，确保解压后的python程序在该目录的下一级子目录中，即和外网压缩前完全一致

    D:\Anaconda\envs

    3.安装pycharm，使用pycharm打开pycharm项目，并根据外网流程配置解释器为第二步解压缩的python解释器
    做完这三步后，就完成了在离线环境下部署python项目的流程。

    （可选）外网设备和离线设备conda路径不一致时的情况

    如果两者不一致，则在解压缩python解释器后，需要用pycharm打开python解释器所在目录，按ctrl+shift+R，或者按下图所示，进入“从文件中替换”模式。

    搜索框中输入外网的虚拟环境路径，这里以E盘路径为例：

    E:\Anaconda\envs\yolov5

    全部替换为离线设备的虚拟环境路径，这里以D盘路径为例：

    D:\Anaconda\envs\yolov5

    替换完成后，虚拟环境就可以正常使用了。

    作者：qq_36745999

    物联沃分享整理
    物联沃-IOTWORD物联网 » [离线部署Python项目指南：适合新手的步骤]

    代码收藏家 普通

    分享到：

    相关推荐

    发表回复