Nuitka Python 打包深度学习 PyTorch GPU

• • 背景
  • 环境版本
  • 项目代码结构调整
  • Nuitka打包
  • 依赖环境
  • 运行测试

	本文介绍如何在Anaconda下使用Nuitka对python深度学习框架的打包；以Yolo-FastestV2
为案例，记录所有打包流程，并适配cuda部署到其他电脑上。

win10——x64
CUDA——10.0
Nuitka—— 0.6.16.4
torch ——1.5.1
torchvision—— 0.6.1
tqdm——4.36.1
opencv_python——4.4.0
torchsummary——1.5.1
numpy——1.16.6

注：这里打包流程只涉到推理 torch 1.5.1 是可以正常运行的。

• 这里Yolo-FastestV2项目的文件目录结构重新调整到如下图结构，便于打包：

• 目录结构调整后，需要测试代码运行情况；正常运行demo.py即可。

• Nuitka常用打包命令
• 最好安装下mingw64，安装流程这里不多介绍了；没安装打包过程也会自动下载。
• 安装mingw64的忽略这步——打包过程会自动下载mingw64等依赖，可能有人下载不了，这里提供百度链接。

链接: https://pan.baidu.com/s/13PfsvmLyNoZrWZKkKhYYMg
提取码: dkdr
…
下载后解压到 C:Users*****AppDataLocalNuitkaNuitka 下覆盖即可。

• 项目打包

python -m nuitka --mingw64 --standalone  --show-progress --show-memory  --follow-import-to=need --nofollow-imports   ./demo.py

• 打包成功会生成2个文件夹：demo.dist与demo.build；只需要留demo.dist即可。

• 在anaconda下目前只支持base环境。
• 拷贝程序需要的库及模型文件

从E:######Anaconda3Libsite-packages目录下拷贝对应库到demo.dist下；如需要opencv即拷贝cv2文件夹到对应目录下。
—如下图：红圈部分为从anaconda下拷贝到demo.dist下；绿圈是模型相关文件等。

• 至此打包流程完成，运行demo.exe程序测试即可。
• 其他电脑下假如使用cuda，需要同样版本的cuda即可调用gpu加速。