Skip to content

panda2830/document

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
images
images
 
 
readme.md
readme.md
 
 

Repository files navigation

人工智能环境配置-Ubuntu22.04

  1. 安装CUDA
  2. 安装CUDNN
  3. 安装CMake
  4. 安装opencv
  5. 安装tensorrt(推理加速)
  6. 安装anacoda(pytorch环境)
  7. 安装labelimg(图片标注)
  8. 下载yolov5项目(模型训练)
  9. 下载tensorrtx项目(模型转换)

1.安装cuda

  1. 查看显卡驱动信息

    nvidia-smi nvidia-smi CUDA Version显示本驱动可用的最高cuda版本

    下载对应cuda版本的cuda https://developer.nvidia.com/cuda-toolkit-archive

  2. 运行cuda安装程序 sudo sh cuda_11.6.2_510.47.03_linux.run

    选择Continue

    cuda-install

    输入accept

    cuda-install

    取消第一个选项，然后回车install

    cuda-install

    安装成功会显示需要设置的环境变量

    cuda-install

  3. 设置环境变量

    输入命令 sudo gedit ~/.bashrc

    添加下面内容到文件最后

    export PATH=$PATH:/usr/local/cuda-11.6/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.6/lib64

    cuda-install

    刷新环境变量

    source ~/.bashrc

  4. 验证安装是否成功

    nvcc -V

    cuda-install

2.安装cudnn

  1. 下载cudnn https://developer.nvidia.com/rdp/cudnn-archive

  2. 解压 xxx为下载的版本号

    tar -xvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz

  3. 安装

    sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

  4. 验证安装

    cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

    cudnn-install

3.安装cmake

  1. 下载cmake3.14.7.tar.gz https://cmake.org/files/v3.14/

  2. 解压

    tar -zxvf cmake-3.14.7.tar.gz

  3. 进入cmake目录

    cd cmake-3.14.7/

  4. 验证编译

    ./bootstrap

    cmake-install

  5. 编译

    make -j16

  6. 安装

    sudo make install

  7. 验证安装

    cmake --version

    cmake-install

4.opencv

  1. 下载opencv4.7 https://opencv.org/releases/

    cmake-install

  2. 解压并进入opencv目录

    unzip opencv-4.7.0.zip

    cd opencv-4.7.0/

  3. 安装依赖包

    sudo apt-get update

    sudo apt install build-essential cmake git pkg-config libgtk-3-dev \
     libavcodec-dev libavformat-dev libswscale-dev libv4l-dev \
     libxvidcore-dev libx264-dev libjpeg-dev libpng-dev libtiff-dev \
     gfortran openexr libatlas-base-dev python3-dev python3-numpy \
     libtbb2 libtbb-dev libdc1394-25

  4. 创建目录并进入目录

    mkdir build

    cd build

  5. cmake编译

    sudo cmake -DCMAKE_BUILD_TYPE=Release -DOPENCV_GENERATE_PKGCONFIG=ON -DCMAKE_INSTALL_PREFIX=/usr/local ..

    opencv-install

  6. 编译

    sudo make -j16

  7. 安装

    sudo make install

    打开文件,添加 /usr/local/lib到文件中

    sudo gedit /etc/ld.so.conf.d/opencv4.conf

    sudo ldconfig

    opencv-install

    安装updatedb命令

    sudo apt-get install mlocate

    sudo updatedb

  8. 验证opencv安装

    pkg-config --modversion opencv4

    opencv-install

5.tensorrt

  1. 下载tensorrt https://developer.nvidia.com/nvidia-tensorrt-8x-download

    tensorrt-install

  2. 解压

    tar -zxvf TensorRT-8.5.3.1.Linux.x86_64-gnu.cuda-11.8.cudnn8.6.tar.gz

  3. 设置环境变量，path/to换成解压目录的上级目录

    sudo gedit ~/.bashrc

    export LD_LIBRARY_PATH=/path/to/TensorRT-8.5.3.1/lib:$LD_LIBRARY_PATH
export LIBRARY_PATH=/path/to/TensorRT-8.5.3.1/lib::$LIBRARY_PATH

    tensorrt-install

    刷新环境变量

    source ~/.bashrc

  4. 验证安装

    cd TensorRT-8.5.3.1/samples/sampleOnnxMNIST

    make -j16

    在文件夹 TensorRT-8.5.3.1/targets/x86_64-linux-gnu/bin下会有生成的可执行文件sample_onnx_mnist

    进入文件夹并运行该可执行文件

    ./sample_onnx_mnist

    显示下图则安装成功

    tensorrt-install

6.anaconda

  1. 下载anaconda3 https://www.anaconda.com/download

    anaconda-install

  2. 安装

    sh ./Anaconda3-2023.03-Linux-x86_64.sh

    • 查看许可，输入回车
    • 空格，空格，空格...
    • 接受许可，输入yes
    • 安装位置，默认即可，输入回车
    • 是否初始化终端？输入yes
    • 重启终端

  3. 创建虚拟环境

    conda create -n pytorch python=3.9

    • 输入y确认安装

  4. 进入虚拟环境

    conda activate pytorch

  5. 安装pytorch1.9.1，pytorch官网 https://pytorch.org/get-started/previous-versions/

    anaconda-install

    conda install pytorch==1.9.1 torchvision==0.10.1 torchaudio==0.9.1 cudatoolkit=10.2 -c pytorch

    • 输入y确认安装

7.安装labelImg

7.1pip换源

  1. 家目录创建.pip目录

    mkdir ~/.pip

  2. 创建pip配置文件

    touch ~/.pip/pip.conf

  3. 打开pip配置文件

    gedit ~/.pip/pip.conf

  4. 添加以下内容

    [global]
timeout = 6000
index-url = http://mirrors.aliyun.com/pypi/simple
[install]
trusted-host=mirrors.aliyun.com

7.2安装labelImg依赖包

  1. 进入pytorch环境

    conda activate pytorch

  2. 安装labelImg依赖包

    1. pip install pyqt5

    2. pip install pyqt5-tools

    3. pip install lxml

    4. sudo apt install libxcb-xinerama0

    5. pip install labelimg

7.3验证安装

  1. labelImg注意Img的I的大写

    labelImg

8.yolov5项目(训练模型)

  1. 克隆yolov5-5.0

    git clone -b v5.0 https://github.com/ultralytics/yolov5.git

  2. 进入目录

    cd yolov5

  3. 切换环境

    conda activate pytorch

  4. 安装依赖

    pip install -r ./requirements.txt

  5. 防止训练时可能会出现的问题

    pip uninstall setuptools

    pip install setuptools==56.1.0

    pip uninstall numpy

    pip install numpy==1.23

训练自己的模型

  1. 在data目录下创建项目目录

    tensorrtx-install

    cat-dog为项目名称，images用来存放图片，labels用来存放标签

  2. 在data目录下创建.yaml文件

    # 将train和val改为自己项目中图片的路径
train: /home/lxy/Documents/yolov5/data/traffic/images/train
val: /home/lxy/Documents/yolov5/data/traffic/images/val

# 类别个数
nc: 5

# 类别名称列表
names: ['limit_50','limit_10','green_light','yellow_light','red_light']

  3. 回到yolov5目录修改models目录下的yolov5s.yaml文件

    tensorrtx-install

    将nc改为你自己的类型个数

  4. 开始训练

    • 切换到pytorch环境conda activate pytorch python train.py --batch-size 16 --epochs 1000 --cfg ./models/yolov5s.yaml --data ./data/你创建的yaml文件
    • --batch-size 越大显存要求就越大，按计算机性能定
    • --epochs 训练的轮数
    • --cfg 要用到的模型配置文件
    • --data 要用到的数据文件

    训练结果存放在yolov5目录下的runs/train目录中 best.pt为最好的模型，last.pt为最后训练的模型

  5. 模型的预测

    • python detect.py --weights 你训练的模型.pt --source 图片路径或图片目录路径、视频路径、0为摄像头
    • 预测结果在yolov5目录下runs/detect目录中

9.Tensorrtx项目(推理加速)

  1. 克隆Tensorrtx-yolov5-v5.0

    git clone -b yolov5-v5.0 https://github.com/wang-xinyu/tensorrtx.git

    进入目录

    cd tensorrtx-yolov5-v5.0/yolov5/

  2. 转换为wts文件

    • 复制gen_wts.py到yolov5目录下
    • 切换到pytorch环境conda activate pytorch
    • 进行转换python gen_wts.py -w ./weights/best.pt -o best.wts
    • 将转换好的wts文件复制到tensorrtx/yolov5目录下

  3. 修改CMakeLists.txt文件

    tensorrtx-install 修改tensorrt为自己的安装位置

  4. 修改yololayer.h文件

    tensorrtx-install

    static constexpr int CLASS_NUM = 80;将80改成自己的类别数目

  5. 编译

    mkdir build

    cd build

    make -j16

  6. 转换成engine格式

    ./yolov5 -s ../best.wts ./best.engine s

  7. 使用engine模型预测

    • 将上级目录下的yolov3-sp中samples文件夹复制到yolov5目录

    ./yolov5 -d best.engine ../samples

About

document

Resources

Readme
Activity

Stars

0 stars

Watchers

1 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published