Note : instructions validées sous Ubuntu 20.04, à adapter éventuellement en fonction de votre système d'exploitation. Attention, ces environnements virtuels peuvent occuper beaucoup d'espace.

Pour les travaux impliquant de coder pour pratiquer les algorithmes, nous utilisons le langage Python 3 avec les bibliothèques NumPy, Matplotlib, scikit-image, scikit-learn, SciPy, OpenCV, Keras, PyTorch. Le plus pratique pour configurer librement une ou plusieurs installations est d'utiliser un gestionnaire d'environnements virtuels Python type Conda.
L'installation décrite ici propose aussi d'ajouter Spyder, un éditeur Python développé pour les études scientifiques. Elle inclut aussi le système de notebooks Jupyter (python interactif dans le navigateur web), au cas où il soit nécessaire pour certains TPs.
Note : Le lancement du serveur Jupyter se fait via la commande suivante (son dossier racine sera le dossier de lancement de la commande, et l'environnement Python utilisé sera l'environnement conda actif) :

jupyter notebook

Installer d'abord Anaconda ou encore mieux Miniconda (idem sans GUI). Ces outils permettent de gérer des environnements virtuels Python et ainsi autant de configurations différentes que l'on souhaite.

Ouvrir un terminal, et créer un environnement virtuel (nommé par exemple « sy32 ») par la commande :

conda create -n sy32 -c conda-forge python=3.8 scikit-image scikit-learn opencv matplotlib spyder=4 notebook

(NumPy et SciPy seront aussi installés car sont requis pour ces bibliothèques.)

Puis, pour entrer dans cet environnement :

conda activate sy32

Si vous souhaitez installer Spyder avec le support pour les notebooks, faites à présent :

conda install -c spyder-ide spyder-notebook

Bibliothèques d'apprentissage profond

À ce stade, les bibliothèques classiques sont installées, à l'exception des bibliothèques d'apprentissage profond : Keras (TensorFlow) et PyTorch. Vous pouvez les installer par les commandes qui suivent (référez-vous à la documentation de chaque bibliothèque pour voir les options de versions, etc).

• Keras, si GPU compatile CUDA (NVidia) :

conda install -c conda-forge tensorflow-gpu

• ou bien Keras, pour fonctionnement sur CPU seulement :

conda install -c conda-forge tensorflow

• PyTorch (OK avec et sans GPU compatible CUDA) :

conda install -c pytorch pytorch torchvision

Pour vérifier si Keras et PyTorch peuvent fonctionner sur GPU, vous pouvez exécuter les codes suivants dans Python :

• Keras (TensorFlow) :

import tensorflow as tf
tf.test.is_built_with_cuda()
tf.config.list_physical_devices('GPU')

• PyTorch :

import torch
torch.cuda.is_available()
print(torch.cuda.device_count())

Practical courses will need Open3D library. In your conda environnement (we keep here the sample with “sy32” env name), install Open3D and its dependencies with the following commands:

conda activate sy32
conda install -c conda-forge addict plyfile tqdm
conda install -c open3d-admin open3d