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 (voir la page Outils logiciels pour plus de détails). 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 IPython (python interactif) et Spyder, un éditeur Python développé pour les études scientifiques. Elle inclut aussi les systèmes de notebooks Jupyter (python interactif dans le navigateur web) et spyder-notebook (plugin équivalent pour Jupyter), au cas où il soit nécessaire pour certains TPs.
Note : Le lancement du serveur web 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-notebook

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

Puis, pour entrer dans cet environnement :

conda activate sy32

Attention, les utilisateurs de Windows et de MacOS ne peuvent peut-être pas installer le plugin spyder-notebook, dans ce cas, adapter l'installation comme suit :

conda create -n sy32 -c conda-forge python=3.8 scikit-image scikit-learn opencv matplotlib spyder=5

Bibliothèques d'apprentissage profond

À ce stade, les bibliothèques classiques sont installées, à l'exception des bibliothèques d'apprentissage profond : Keras (TensorFlow) et PyTorch. NB : Maintenant, seul PyTorch est utilisé dans nos exercices pratiques, l'installation de Keras n'est pas nécessaire. 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
conda install -c conda-forge torchinfo

(torchinfo est optionnel est sert à visualiser l'architecture des réseaux de manière similaire à la commande summary de Keras)

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())

Si besoin, commande pour mettre à jour toutes les bibliothèques

conda update --all

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

Des documents utiles sont donnés dans la page des Ressources de référence !