python程序打包成可执行文件【进阶篇】

提示:博主取舍了很多大佬的博文并亲测有效,分享笔记邀大家共同学习讨论

文章目录

• python程序打包成可执行文件【进阶篇】
• • @[TOC](文章目录)
• 前言
• 安装PyInstaller包
• 打包深度学习模型
• • 生成spec文件
  • 修改spec文件
  • 运行spec文件进行打包
  • 执行exe可执行文件
• 总结
• 附录

前言

在【入门篇】中，我们简单介绍了单个py文件如何打包成exe可执行文件直接运行程序。现在我们来更深入的学习python项目打包，如何打包深度学习模型代码。

安装PyInstaller包

在入门篇中已经详细讲述过了，这里只做大致介绍。创建一个纯净的、没有多余的第三方库和模块的小型Python环境，尽可能的少的库和模块要来打包exe可执行文件。

# environment_name 环境名、3.x Python的版本
conda create -n environment_name  python==3.x
# 激活新环境
source activate environment_name
# 下载安装Pyinstaller模块
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple Pyinstaller

打包深度学习模型

博主以MiVOS官方Pytorch代码简约版为例：

不需要事先MiVOS模型原理和代码，这里只是为了方便讲解

生成spec文件

深度学习模型的项目文件一般比较复杂，文件之间的引用会比较多，因此更加适合使用spec文件对整个项目进行的打包，执行以下命令生成spec文件：

# xxx.py 一般是需要执行的主文件，深度学习模型中一般为推理文件
pyi-makespec -w xxx.py
# eg: pyi-makespec -w interactive_gui_4.1.py

修改spec文件

由于打包的主文件是xxx.py，因此生成的spec文件名称为xxx.spec，俩者在同一个文件夹下：

默认生成的spec文件初始内容如下所示：

# -*- mode: python ; coding: utf-8 -*-block_cipher = Nonea = Analysis(['interactive_gui_4.1.py'],pathex=[],binaries=[],datas=[],hiddenimports=[],hookspath=[],hooksconfig={},runtime_hooks=[],excludes=[],win_no_prefer_redirects=False,win_private_assemblies=False,cipher=block_cipher,noarchive=False,
)
pyz = PYZ(a.pure, a.zipped_data, cipher=block_cipher)exe = EXE(pyz,a.scripts,[],exclude_binaries=True,name='interactive_gui_4.1',debug=False,bootloader_ignore_signals=False,strip=False,upx=True,console=False,disable_windowed_traceback=False,argv_emulation=False,target_arch=None,codesign_identity=None,entitlements_file=None,
)
coll = COLLECT(exe,a.binaries,a.zipfiles,a.datas,strip=False,upx=True,upx_exclude=[],name='interactive_gui_4.1',
)

更改几个位置内容：

只展示更改位置的内容

    ['interactive_gui_4.1.py',"E:/deep-learning-for-image-processing-master/MiVOS/inference_core.py","E:/deep-learning-for-image-processing-master/MiVOS/model/s2m/_deeplab.py","E:/deep-learning-for-image-processing-master/MiVOS/model/s2m/s2m_network.py","E:/deep-learning-for-image-processing-master/MiVOS/model/s2m/s2m_resnet.py","E:/deep-learning-for-image-processing-master/MiVOS/model/s2m/utils.py","E:/deep-learning-for-image-processing-master/MiVOS/model/propagation/mod_resnet.py","E:/deep-learning-for-image-processing-master/MiVOS/model/propagation/modules.py","E:/deep-learning-for-image-processing-master/MiVOS/model/propagation/prop_net.py","E:/deep-learning-for-image-processing-master/MiVOS/model/aggregate.py","E:/deep-learning-for-image-processing-master/MiVOS/model/attn_network.py","E:/deep-learning-for-image-processing-master/MiVOS/model/fusion_model.py","E:/deep-learning-for-image-processing-master/MiVOS/model/fusion_net.py","E:/deep-learning-for-image-processing-master/MiVOS/interact/interaction.py","E:/deep-learning-for-image-processing-master/MiVOS/interact/s2m_controller.py",],pathex=["E:/deep-learning-for-image-processing-master/MiVOS"],binaries=[("E:/deep-learning-for-image-processing-master/MiVOS/saves/s2m.pth", "saves"),("E:/deep-learning-for-image-processing-master/MiVOS/saves/fusion.pth", "saves"),("E:/deep-learning-for-image-processing-master/MiVOS/saves/propagation_model.pth", "saves")],datas=[],

这里datas是空的是因为interactive_gui_4.1.py代码中可以通过以下命令指定数据集的存放位置：

parser.add_argument('--images', help='Folder containing input images. Either this or --video needs to be specified.')

当然binaries也可以是空的，不过在推理阶段，通常权重文件已经确定，因此放置位置是固定的，元组的形式为(“权重文件pth绝对路径”， “拷贝权重文件pth到打包模型文件内的指定文件夹下”)。

运行spec文件进行打包

修改spec文件后，在激活的对应虚拟环境下进行打包用如下命令进行打包，否者会报错：

pyinstaller xxx.spec
# eg: pyinstaller interactive_gui_4.1.spec

完成打包后在pathex指定的模型工程文件夹下产生build(可以删除)和dist文件夹：

所需的可执行文件在dist目录内：

成功拷贝权重文件pth到打包模型文件内的指定文件夹下：

通常数据集地址是根据使用者而定的，没必要拷贝到打包模型文件内的指定文件夹下固定死。

执行exe可执行文件

通常可以直接点击exe运行项目，因为不需要用命令行进行额外的输入。博主打包的exe需要命令行进行外部输入，因此用cmd命令行执行：

# 在exe所在的目录下执行命令
interactive_gui_4.1.exe --images E:\\deep-learning-for-image-processing-master\\MiVOS\\testimages

总结

与其他的打包模块相比,使用Python的Pyinstaller模块进行打包的使用者最多,用起来简便,因此本文以Pyinstaller模块打包Python深度学习模型为例，为大家提供一个进阶参考。

附录

博主打包的exe是交互式视频分割的工具，电脑性能不错的朋友，想体验的大伙可以从【MiVOS的exe百度云地址，提取码：bele】获取，无需安装环境就可以体验。【官方实现效果参考】，博主做了部分功能简化，只保留了核心功能，想了解MiVOS原理和代码的请参考博主的【MiVOS官方Pytorch代码讲解系列】。