【持续更新4/9/2023】CUDA, cuDNN, Tensorflow，Mask RCNN配置实战（Ubuntu 22.04）

KimiFu

已于 2023-04-17 06:29:23 修改

阅读量2.2k

点赞数 3

分类专栏： Mask_RCNN CUDA cuDNN 文章标签：计算机视觉卷积神经网络

于 2021-03-08 13:31:14 首次发布

本文链接：https://blog.csdn.net/BoilerAggie/article/details/114528101

版权

Mask_RCNN 同时被 3 个专栏收录

1 篇文章 0 订阅

订阅专栏

CUDA

1 篇文章 0 订阅

订阅专栏

cuDNN

1 篇文章 0 订阅

订阅专栏

CUDA, cuDNN, Tensorflow，Mask RCNN配置实战

因为之前环境配置失败，一怒之下刷机推倒重来，跑过来记录这次环境配置的经历。参考了站内站外许多教程，整理如下。

我们将分步骤完成一下的安装

CUDA
cuDNN
Anaconda
Tensorflow1.5.0
Keras2.1.6
Mask RCNN 案例

电脑配置
所用电脑是一台2020年购入的MSI GS66,配置如下：

Memory: 32GB
Processor: Intel i9-10980 @ 2.4GHZ x 16
Graphics: GeForce RTX 2070 Super with Max-Q Design/PCIe/SSE2
System: Ubuntu 22.04

配置过程
在查看大量教程之后，决定安装最新版本的CUDA和cuDNN进行测试，如果后期出现问题。我会小跑着来纠正。

CUDA的安装

因为不是第一次安装CUDA，所以这部分写的不是非常详细，这里只记录下本人的安装流程，详细安装教程可以参考这里。安装之前，首先对显卡的驱动进行确认：
```
nvidia-smi
```
如果输出结果为：

证明显卡驱动已经安装成功。未配置driver的话，会出现“Make sure that the latest NVIDIA driver is installed and running.” 这时候需要使用如下命令：
```
sudo ubuntu-drivers autoinstall
```
如果报错的话，需要参考如何禁用nouveau，重启，然后输入以下命令验证是否生效
```
lsmod | grep nouveau
```
没有输出结果，则表明禁用成功。然后就可以开始CUDA的安装。我选择安装CUDA11.2，大家可以在网上选择正确版本进行安装。下面是我选择的安装选项。

确定之后，在选好的路径下执行
```
wget https://developer.download.nvidia.com/compute/cuda/11.2.1/local_installers/cuda_11.2.1_460.32.03_linux.run
sudo sh cuda_11.2.1_460.32.03_linux.run
```
在安装的时候，会出现一个Warning，直接选择continue，注意在安装的时候，不要安装驱动：使用Enter将Driver前面的X勾选掉。之后根据安装后的Summary，对path进行配置。执行：
```
gedit ~/.bashrc
```
在文件的末尾添加：
```
export PATH=/usr/local/cuda-11.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH
```
如果后期需要安装多个版本的CUDA，需要在该文件末尾再次添加路径。这里需要注意，根据Summary里面的提示对cuda文件夹后面的版本信息进行修改。这里因为版本是11.2，所以是/cuda-11.2。保存之后使修改生效：
```
source ~/.bashrc
```
接下来就是检查安装时候成功
```
nvcc -V
```
如果输出为如下，证明安装成功。

Reboot重启之后，测试~/NVIDIA_CUDA-11.2_Samples：
```
	cd ~/NVIDIA_CUDA-11.2_Samples/1_Utilities/deviceQuery
	make
	./ deviceQuery
```
成功之后即完成了CUDA的安装。
cuDNN的安装

首先前往cuDNN Archive下载与所安装CUDA版本对应的cuDNN，这里安装的是cuDNN v8.1.0 (January 26th, 2021), for CUDA 11.0,11.1 and 11.2/cuDNN Library for Linux (x86_64)。可以参考官方安装指南。
下载之后，在解压后的文件夹/cuda中，执行：
```
# In the directory of /cudnn-11.2-linux-x64-v8.1.0.77
# Copy the following files into the CUDA Toolkit directory
sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.2/include 
sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-11.2/lib64 
sudo chmod a+r /usr/local/cuda-11.2/include/cudnn*.h /usr/local/cuda-11.2/lib64/libcudnn*
```
在/usr/local路径下，会发现同时存在/cuda和/cuda-11.2两个文件夹。在多版本CUDA管理中，/usr/local/cuda是一个链接文件，在上述安装过程中被安装程式自动指向了当前安装版本的CUDA所在文件夹，于是我们可以通过更新链接指向，维护多个CUDA版本并动态的调用。执行：
```
# ln -snf [源] [链接文件] 更新链接文件的指向
sudo ln -snf /usr/local/cuda-11.2 /usr/local/cuda
```
但是之前我们在-~/.bashrc中，添加路径的时候已经使用了/usr/local/cuda-11.2/***，所以此处不用进行修改。
检查CUDA和cuDNN是否安装成功

CUDA检查方法：安装路径为/usr/local/cuda-11.2，执行命令可以输出CUDA版本：
```
nvcc --version
```
cuDNN检查方法：执行命令查看是否有cudnn相关的文件：
```
cd /usr/local//cuda-11.2/include
ls | grep cudnn
cd /usr/local//cuda-11.2//lib64，
ls | grep cudnn
```

创建anaconda环境

这里参考了这篇教程，并且将命令整理如下：

cd ~/Downloads

在Anaconda官网下载文件在Downloads文件夹，这里下载的版本为Anaconda3-2020.11-Linux-x86_64.sh，根据不同版本需要对文件名称进行修改，执行：

bash Anaconda3-2020.11-Linux-x86_64.sh 
# 经过很多More info之后
Please answer 'yes' or 'no':'
>>> yes # 输入yes即可

接下来会提示Anaconda安装的目录：

Anaconda3 will now be installed into this location:
/home/用户名/anaconda3

 4. Press ENTER to confirm the location
 5. Press CTRL-C to abort the installation
 6. Or specify a different location below

[/home/kimi/anaconda3] >>>

直接按回车确认使用默认目录即可。等待安装完之后，会提示是否把anaconda的bin添加到用户的环境变量中，输入yes。

Do you wish the installer to initialize Anaconda3
by running conda init? [yes|no]
[no] >>> yes

安装结束后，会提示是否自动启动Anaconda：

==> For changes to take effect, close and re-open your current shell. <==

If you'd prefer that conda's base environment not be activated on startup, 
   set the auto_activate_base parameter to false: 

conda config --set auto_activate_base false

Thank you for installing Anaconda3!

===========================================================================

Working with Python and Jupyter notebooks is a breeze with PyCharm Pro,
designed to be used with Anaconda. Download now and have the best data
tools at your fingertips.

PyCharm Pro for Anaconda is available at: https://www.anaconda.com/pycharm

这里我选择了关闭：

conda config --set auto_activate_base false

为了避免可能发生的错误，先把所有工具包进行升级。执行：

conda upgrade --all

激活和关闭Anaconda的命令为：

conda activate
conda deactivate

在进入conda环境后，我们查看python版本：

$ python
Python 3.8.8 (default, Feb 24 2021, 21:46:12) 
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.

如果想安装一个python 3.6的环境，则在anaconda prompt输入：

conda create -n py36 python=3.6

然后在激活该python3.6环境：

conda activate py36
# 关闭的话，与正常关闭方式相同
conda deactivate

如果想修改默认python版本，执行：

anaconda-navigator

在左侧Enviroments中，点击python前面的绿色勾，选择Mark for specific version进行修改。
除此以外，如果删除我们配置的新环境，执行：

conda env remove -n env_name

显示目前所有环境：

conda env list

当分享代码的时候，同时也需要将运行环境分享给大家，执行如下命令可以将当前环境下的 package 信息存入名为 environment 的 YAML 文件中：

conda env export > environment.yaml

同样，当执行他人的代码时，也需要配置相应的环境。这时你可以用对方分享的 YAML 文件来创建一摸一样的运行环境。

conda env create -f environment.yaml

Tensorflow的安装以及demo.ipynb的测试

在安装完CUDA，cuDNN以及Anaconda之后，我们可以着手运行一下Mask_RCNN中的demo.ipynb。因为demo.ipynb不支持最新的tensorflow以及keras，这里采用的是tensorflow 1.5和 keras 2.1.6，导致python版本也限制于3.6。之前就是鏖战于各个版本的不匹配问题，推到系统重来。这里的demo运行参考了这篇教程。
```
# 目前使用python3.6创建td_15的项目，代指使用了tensorflow1.5.0版本
conda create -n tf_15 python=3.6
conda activate tf_15 #进入该环境

# 在最前面我们已经从Github上下载了Mask_RCNN的源文件
# 如果未下载，在目标文件夹下clone
git clone https://github.com/matterport/Mask_RCNN.git

# 先自动安装requirements里面的配置
# 这里会自动安装最新版本的keras，后面需要手动降级成2.1.6
pip install -r requirements.txt

# 因为安装了一些package，先更新列表
pip install --upgrade pip 

# 确保环境配置成功，将以下命令依次输入
pip install numpy
pip install scipy
pip install cython
pip install h5py
pip install Pillow
pip install scikit-image
pip install keras==2.1.6 # 手动降级成2.1.6
pip install theano
pip install jupyter
pip install six
```
安装pycocotools，因为maskrcnn的数据集是COCO，所以要配置数据集环境。首先确认已经安装了git，如果没有，先运行：
```
sudo apt-get install git
```
```
git clone https://github.com/waleedka/coco.git
cd Mask_RCNN/coco/PythonAPI/ #将coco放置在Mask_RCNN目录下
make install
```
PythonAPI目录下会生成的pycocotools文件夹，手动复制到Mask-RCNN目录下。之后就开始安装tensorflow 1.5.0，运行：
```
pip install tensorflow==1.5.0 
```
安装之后，我们先测试一下tensorflow是否安装成功，依次输入：
```
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)
```
如果命令行输出 Hello, TensorFlow! ，说明tensorflow安装成功。测试完成以后输入 exit() 退出python，继续下一步openCV和imagaug。
```
pip install opencv-python
pip install imgaug
```
接下来是对Mask_RCNN进行配置，大部分网上教程都是基于Github上的官方教程，加上po主的个人经验。首先在目标文件夹下，把Mask_RCNN文件夹Clone下来(如果未安装git，可以先行安装git)。
```
git clone https://github.com/matterport/Mask_RCNN.git
```
需要下载coco权重文件：mask_rcnn_coco.h5 。
或者前往：https://github.com/matterport/Mask_RCNN/releases自行下载，将其也放在Mask_RCNN根目录。
最后就是运行demo.ipynb，在/Mask_RCNN下，使用terminal运行：
```
jupyter notebook
```
如果未安装jupyter notebook，先执行：
```
pip install jupyter
```
然后在jupyer界面前往/Mask_RCNN/sample/demo.ipynb，最后结果为：

总结

demo.ipynb相对较老，对tensorflow和keras的最新版本支持不友好，需要手动降级，进而需要对python版本做出限制。可以通过Anaconda创建新环境。
在配置过程中，会出现各种出乎意料的问题，特别是使用时间较长的电脑，之前配置的环境比较复杂。所以如果条件允许，可以刷机从头再来，反而省去大量解决问题的时间。
以上的配置过程是个人经验，欢迎大家随时沟通交流。

KimiFu

关注

3
点赞
踩
27

收藏

觉得还不错? 一键收藏
9
评论
【持续更新4/9/2023】CUDA, cuDNN, Tensorflow，Mask RCNN配置实战（Ubuntu 22.04）

Ubuntu18.0.4 Mask RCNN环境配置Mask RCNN 环境配置3/8/2021实战（Ubuntu18.04, CUDA, cuDNN, Tensorlow1.5, Keras2.1.6）因为之前环境配置失败，一怒之下刷机推倒重来，跑过来记录这次环境配置的经历。参考了站内站外许多教程，整理如下。电脑配置所用电脑是一台2020年购入的MSI GS66,配置如下：Memory: 32GBProcessor: Intel i9-10980 @ 2.4GHZ x 16Grap
复制链接

扫一扫