Deep-TEMPEST 快速上手指南Conda 与 Pyenv 两种环境搭建全流程【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempestDeep-TEMPEST 是一个利用深度学习从 HDMI 电磁辐射中恢复屏幕图像的开源项目其环境搭建是新手入门的第一步。本指南将为你提供 Conda 与 Pyenv 两种完整的 Deep-TEMPEST 环境搭建方案从系统准备、依赖安装到运行推理验证一步步带你跑通整个图像恢复流程最快 30 分钟即可完成。Deep-TEMPEST 是什么为什么需要搭建环境Deep-TEMPEST 扩展了经典 gr-tempest 项目即 Van Eck 窃听/TEMPEST 攻击通过深度学习大幅提升从显示器非预期电磁辐射中偷窥到的图像质量。官方测试中模型可将字符错误率从 90% 降至 30% 以内。项目核心包含两部分gr-tempest负责电磁信号的采集与解调对应目录 gr-tempest/end-to-end基于 DRUNet 的深度学习图像恢复模块对应目录 end-to-end/。要运行这套系统你需要 Python、PyTorchCUDA、OpenCV、pytesseract 等一整套依赖。官方提供了两种等价的搭建路径你只需选择其一对比项Conda 方案Pyenv venv 方案依赖文件tempest_conda.ymltempest_pyenv.txtPython 版本3.10 / 3.12 均可3.10 / 3.12 均可适用场景已装 Anaconda/Miniconda偏好轻量 venv 的用户环境搭建前的必要准备第一步克隆项目仓库首先获取 Deep-TEMPEST 完整源码git clone https://gitcode.com/gh_mirrors/de/deep-tempest第二步安装 Tesseract OCR所有方案必需Deep-TEMPEST 使用 Tesseract 进行文字识别以计算 CER/WER 评估恢复效果必须提前安装sudo apt update sudo apt install tesseract-ocr第三步确认硬件与 CUDA 版本系统运行在 CUDA 12.4 环境下但官方推荐使用 PyTorch 提供的 CUDA 12.1 稳定版构建torch2.5.1cu121。建议在 Ubuntu 22.04.5 LTS 或 24.04.2 LTS 上操作这是官方测试过的系统版本。方案一使用 Conda 快速搭建环境这是最省心的方案适合新手。1. 创建并激活 Conda 环境conda create -n deeptempest python3.12 conda activate deeptempest2. 从 YAML 文件一键安装依赖项目根目录的tempest_conda.yml已锁定全部 Python 依赖版本直接更新即可conda env update --file tempest_conda.yml3. 安装深度学习与额外组件pip install torch2.5.1cu121 torchvision0.20.1cu121 --index-url https://download.pytorch.org/whl/cu121 pip install pybind112.13.6 pip install --no-build-isolation githttps://github.com/sfernandezr/fastwer.git其中fastwer用于计算字符错误率CER和词错误率WER是评估模型恢复质量的关键工具。方案二使用 Pyenv venv 搭建轻量环境如果你不想安装 Anaconda这个方案同样完整。1. 创建并激活虚拟环境python3.12 -m venv deeptempest cd deeptempest source bin/activate2. 从依赖清单安装基础包pip install -r tempest_pyenv.txt3. 手动安装深度学习组件与 Conda 方案完全相同的三步pip install torch2.5.1cu121 torchvision0.20.1cu121 --index-url https://download.pytorch.org/whl/cu121 pip install pybind112.13.6 pip install --no-build-isolation githttps://github.com/sfernandezr/fastwer.git环境验证用推理跑通第一张图像恢复环境搭建完成后最好的验证方式就是运行一次推理。所有配置均位于 end-to-end/options/ 目录你只需编辑test_drunet.json填入输入图像目录和预训练模型路径。python main_test_drunet.py命令执行后会在指定目录输出恢复结果。下面这组截图展示了从原始采集、gr-tempest 低质量图到 DRUNet 恢复图的完整对比如果你有完整的真实采集数据还可以用 tempest_evaluation.py 结合evaluation.json计算 PSNR、SSIM 以及 CER/WER 等客观指标进一步验证环境是否完美就绪。进阶提示GNU Radio 与数据采集如果你的目标是完整复现采集 → 恢复链路还需要编译本仓库内置的 gr-tempest 版本它包含针对 Deep-TEMPEST 的修改。编译完成后依次运行 binary_serializer.grc、FFT_autocorrelate.grc、FFT_crosscorrelate.grc、Keep_1_in_N_frames.grc 激活层级模块最后运行 deep-tempest_example.grc 即可开始捕获屏幕图像。结语无论你选择 Conda 还是 Pyenv 方案Deep-TEMPEST 的环境搭建流程都已完全固化在配置文件中照抄命令即可成功。搭好环境后你就能亲自体验用深度学习从电磁辐射中恢复屏幕图像的奇妙过程。如果在搭建中遇到问题优先检查 Python 版本是否匹配、CUDA 驱动是否就绪以及 Tesseract 是否安装成功——这三点覆盖了绝大多数报错场景。【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Deep-TEMPEST 快速上手指南：Conda 与 Pyenv 两种环境搭建全流程
Deep-TEMPEST 快速上手指南Conda 与 Pyenv 两种环境搭建全流程【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempestDeep-TEMPEST 是一个利用深度学习从 HDMI 电磁辐射中恢复屏幕图像的开源项目其环境搭建是新手入门的第一步。本指南将为你提供 Conda 与 Pyenv 两种完整的 Deep-TEMPEST 环境搭建方案从系统准备、依赖安装到运行推理验证一步步带你跑通整个图像恢复流程最快 30 分钟即可完成。Deep-TEMPEST 是什么为什么需要搭建环境Deep-TEMPEST 扩展了经典 gr-tempest 项目即 Van Eck 窃听/TEMPEST 攻击通过深度学习大幅提升从显示器非预期电磁辐射中偷窥到的图像质量。官方测试中模型可将字符错误率从 90% 降至 30% 以内。项目核心包含两部分gr-tempest负责电磁信号的采集与解调对应目录 gr-tempest/end-to-end基于 DRUNet 的深度学习图像恢复模块对应目录 end-to-end/。要运行这套系统你需要 Python、PyTorchCUDA、OpenCV、pytesseract 等一整套依赖。官方提供了两种等价的搭建路径你只需选择其一对比项Conda 方案Pyenv venv 方案依赖文件tempest_conda.ymltempest_pyenv.txtPython 版本3.10 / 3.12 均可3.10 / 3.12 均可适用场景已装 Anaconda/Miniconda偏好轻量 venv 的用户环境搭建前的必要准备第一步克隆项目仓库首先获取 Deep-TEMPEST 完整源码git clone https://gitcode.com/gh_mirrors/de/deep-tempest第二步安装 Tesseract OCR所有方案必需Deep-TEMPEST 使用 Tesseract 进行文字识别以计算 CER/WER 评估恢复效果必须提前安装sudo apt update sudo apt install tesseract-ocr第三步确认硬件与 CUDA 版本系统运行在 CUDA 12.4 环境下但官方推荐使用 PyTorch 提供的 CUDA 12.1 稳定版构建torch2.5.1cu121。建议在 Ubuntu 22.04.5 LTS 或 24.04.2 LTS 上操作这是官方测试过的系统版本。方案一使用 Conda 快速搭建环境这是最省心的方案适合新手。1. 创建并激活 Conda 环境conda create -n deeptempest python3.12 conda activate deeptempest2. 从 YAML 文件一键安装依赖项目根目录的tempest_conda.yml已锁定全部 Python 依赖版本直接更新即可conda env update --file tempest_conda.yml3. 安装深度学习与额外组件pip install torch2.5.1cu121 torchvision0.20.1cu121 --index-url https://download.pytorch.org/whl/cu121 pip install pybind112.13.6 pip install --no-build-isolation githttps://github.com/sfernandezr/fastwer.git其中fastwer用于计算字符错误率CER和词错误率WER是评估模型恢复质量的关键工具。方案二使用 Pyenv venv 搭建轻量环境如果你不想安装 Anaconda这个方案同样完整。1. 创建并激活虚拟环境python3.12 -m venv deeptempest cd deeptempest source bin/activate2. 从依赖清单安装基础包pip install -r tempest_pyenv.txt3. 手动安装深度学习组件与 Conda 方案完全相同的三步pip install torch2.5.1cu121 torchvision0.20.1cu121 --index-url https://download.pytorch.org/whl/cu121 pip install pybind112.13.6 pip install --no-build-isolation githttps://github.com/sfernandezr/fastwer.git环境验证用推理跑通第一张图像恢复环境搭建完成后最好的验证方式就是运行一次推理。所有配置均位于 end-to-end/options/ 目录你只需编辑test_drunet.json填入输入图像目录和预训练模型路径。python main_test_drunet.py命令执行后会在指定目录输出恢复结果。下面这组截图展示了从原始采集、gr-tempest 低质量图到 DRUNet 恢复图的完整对比如果你有完整的真实采集数据还可以用 tempest_evaluation.py 结合evaluation.json计算 PSNR、SSIM 以及 CER/WER 等客观指标进一步验证环境是否完美就绪。进阶提示GNU Radio 与数据采集如果你的目标是完整复现采集 → 恢复链路还需要编译本仓库内置的 gr-tempest 版本它包含针对 Deep-TEMPEST 的修改。编译完成后依次运行 binary_serializer.grc、FFT_autocorrelate.grc、FFT_crosscorrelate.grc、Keep_1_in_N_frames.grc 激活层级模块最后运行 deep-tempest_example.grc 即可开始捕获屏幕图像。结语无论你选择 Conda 还是 Pyenv 方案Deep-TEMPEST 的环境搭建流程都已完全固化在配置文件中照抄命令即可成功。搭好环境后你就能亲自体验用深度学习从电磁辐射中恢复屏幕图像的奇妙过程。如果在搭建中遇到问题优先检查 Python 版本是否匹配、CUDA 驱动是否就绪以及 Tesseract 是否安装成功——这三点覆盖了绝大多数报错场景。【免费下载链接】deep-tempestRestoration for TEMPEST images using deep-learning项目地址: https://gitcode.com/gh_mirrors/de/deep-tempest创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考