Jetson nano 运行openpose

最新推荐文章于 2024-04-27 15:28:25 发布

超级锅包肉

最新推荐文章于 2024-04-27 15:28:25 发布

阅读量1.9k

点赞数 4

分类专栏： AI 机器学习深度学习文章标签： caffe 人工智能深度学习

本文链接：https://blog.csdn.net/Easing_Yang/article/details/121013118

版权

AI 同时被 3 个专栏收录

3 篇文章 0 订阅

订阅专栏

机器学习

3 篇文章 0 订阅

订阅专栏

深度学习

3 篇文章 0 订阅

订阅专栏

声明：仅作为个人学习使用

之前一直在树莓派上使用openpose，需要用到一个树莓派4B+一个Intel神经网络计算棒，即便如此也只能勉强运行openpose的精简版，成本约为1000r左右，后来发现了nvidia公司生产的Jeston nano，在Jetson nano上跑openpose流畅许多，且成本仅为500r左右

在网上找相关资源，找到了华仔的一篇名为Jetson nano安装openpose的文章，这篇文章真的是帮了我大忙，在这里向这位博主表示衷心的感谢。经过一天时间，成功运行openpose，以此贴记录。

一、安装Jeston nano 官方系统

https://developer.nvidia.com/embedded/downloads

可以看到官方系统安装了常用的机器学习库，便于我们进行后续操作。

二、下载openpose

OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以caffe为框架开发的开源库。故需要安装caffe框架。

openpose地址：https://github.com/CMU-Perceptual-Computing-Lab/openpose

或者使用命令：

git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git

（注：有的blog提到了需要下载模型，这一步可以跳过，之后使用cmake时会自动下载）

cd openpose
cd models
./getModels.sh
cd ..

openpose 的 caffe 下载地址：

https://github.com/CMU-Perceptual-Computing-Lab/caffe/tree/b5ede488952e40861e84e51a9f9fd8fe2395cc8a

openpose 的 pybind11 下载地址：

https://github.com/pybind/pybind11/tree/085a29436a8c472caaaf7157aa644b571079bcaa

下载完成后，解压，将caffe、pybind11的内容复制到openpose下3rdparty文件夹中。

三、准备openpose安装环境（apt-get千万不要换源）

1、检查Jeston nano自带环境

（1）先进行更新

sudo apt-get update
sudo apt-get full-upgrade

（2）检查安装的组件

1) 检查CUDA

Jetson-nano中已经安装了CUDA10.0版本，但是此时你如果运行 nvcc -V是不会成功的，需要你把CUDA的路径写入环境变量中。

sudo vim  ~/.bashrc

在最后添加

export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.0/bin:$PATH

然后保存退出

对了最后别忘了source一下这个文件。

source ~/.bashrc

source后，此时再执行nvcc -V执行结果如下

beckhans@Jetson:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sun_Sep_30_21:09:22_CDT_2018
Cuda compilation tools, release 10.0, V10.0.166
beckhans@Jetson:~$

2）检查OpenCV

Jetson-nano中已经安装了OpenCV4.1.1版本，可以使用命令检查OpenCV是否安装就绪

pkg-config opencv4 --modversion

如果OpenCv安装就绪，会显示版本号，我的版本是4.1.1

3）检查cuDNN

Jetson-nano中已经安装好了cuDNN，并有例子可供运行，我们运行一下例子，也正好验证上面的CUDA

cd /usr/src/cudnn_samples_v8/mnistCUDNN   #进入例子目录
sudo make     #编译一下例子
sudo chmod a+x mnistCUDNN # 为可执行文件添加执行权限
./mnistCUDNN # 执行

如果成功，如下所示

beckhans@Jetson:/usr/src/cudnn_samples_v7/mnistCUDNN$ ./mnistCUDNN
cudnnGetVersion() : 7301 , CUDNN_VERSION from cudnn.h : 7301 (7.3.1)
Host compiler version : GCC 7.3.0
There are 1 CUDA capable devices on your machine :
device 0 : sms  1  Capabilities 5.3, SmClock 921.6 Mhz, MemSize (Mb) 3964, MemClock 12.8 Mhz, Ecc=0, boardGroupID=0
Using device 0
 
Testing single precision
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.325104 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.387500 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.540729 time requiring 57600 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 4.965156 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 5.201146 time requiring 2057744 memory
Resulting weights from Softmax:
0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000 
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000 
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 
 
Result of classification: 1 3 5
 
Test passed!
 
Testing half precision (math in single precision)
Loading image data/one_28x28.pgm
Performing forward propagation ...
Testing cudnnGetConvolutionForwardAlgorithm ...
Fastest algorithm is Algo 1
Testing cudnnFindConvolutionForwardAlgorithm ...
^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.113750 time requiring 0 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.119792 time requiring 3464 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.236198 time requiring 28800 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 1.031719 time requiring 207360 memory
^^^^ CUDNN_STATUS_SUCCESS for Algo 5: 5.049948 time requiring 203008 memory
Resulting weights from Softmax:
0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001 
Loading image data/three_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000 
Loading image data/five_28x28.pgm
Performing forward propagation ...
Resulting weights from Softmax:
0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 
 
Result of classification: 1 3 5
 
Test passed!

（3）安装protobuf 2.6（无论使用openpose自带caffe还是自己安装caffe都需要）

因为caffe不支持3.0以上的protobuf，所以这里用2.6

protoc --version 可查看当前protoc的版本

whereis protoc 可以查看哪些路径下安装了protoc

下载protobuf 2.6：
https://github.com/google/protobuf/releases/download/v2.6.1/protobuf-2.6.1.tar.gz

安装过程：

tar -zxvf protobuf-2.6.1.tar.gz
sudo apt-get install build-essential #不装会报错
cd protobuf-2.6.1
./configure #配置安装文件
make #编译
make check #检测编译安装环境
sudo make install #安装

安装完成，如果可以查看版本号，则证明安装成功，如果出现错误：

protoc: error while loading shared libraries: libprotocbuf.so.9: cannot open shared

在 /etc/ld.so.conf.d/目录下创建 bprotobuf.conf文件,文件内容如下：

/usr/local/lib

这里要注意：你可能没有在/etc/ld.so.conf.d/目录下创建 bprotobuf.conf文件的权限，所以要给当前用户加读写ld.so.conf.d目录下文件的权。#当前路径为/etc

sudo chmod 777 -R ld.so.conf.d

创建好bprotobuf.conf文件后，在 /etc/ld.so.conf.d/目录下输入命令：

sudo ldconfig

再输入protoc --version，就可以查看protobuf版本号了。

（4）安装其他依赖

sudo apt-get install libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev 
 
sudo apt-get install --no-install-recommends libboost-all-dev
 
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
 
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
 
sudo apt-get install git build-essential

四、下载cmake编译软件（此处选择gui版本）

因为jetson nano的系统是Ubuntu 18，所以需要cmake>=3.12（一般默认为3.10）

卸载低版本cmake（如果已安装）

sudo apt purge cmake-qt-gui

执行

sudo apt-get install qtbase5-dev

下载最新版本cmake：

Download | CMake

解压文件，使用命令行进入文件夹，依次运行

./configure --qt-gui

./bootstrap && make -j8 && sudo make install -j2

大约需要1h时间，之后若找不到cmake图标执行命令：

cmake-gui

即可打开gui版本cmake。

五、编译openpose

到这一步，所有前序工作全部完成，终于可以开始编译openpose了

点击“Configure”按钮，如果成功，会提示“Configuring done”。这时，会报错并且出现一些选项

使用openpose自带caffe需要按照下图勾选：

千万注意不要勾选错了，否则会很麻烦！

注意：最后一项不要选！！！

说明：

1.BUILD_CAFFE:使用自带caffe进行编译

2.BUILD_EXAMPLE：可以使用openpose示例程序

3.BUILD_PYTHON：如果需要使用Python的API，需要勾选此项

4.USE_CUDNN：使用CUDNN加速，不勾选后期调整网络也能跑

注：WITH_OPENCV_WITH_OPENGL：不用勾选，jetson nano没有OPENGL,如果勾选编译时会报错，或者也可以先安装所需文件，不过本文没有尝试。

点击Generate，之后等待编译完成。

进入openpose——build，然后make，然后等待，直到100%。


sudo make -j2

六、运行openpose

笔者使用了Intel D435深度摄像头

使用如下命令即可运行openpose：

（要将openpose文件夹下models文件夹复制到openpose.bin所在目录下，否则会报错找不到模型models）

./build/examples/openpose/openpose.bin --face --hand

./build/examples/openpose/openpose.bin -camera_resolution 320x160 -net_resolution 64x32

超级锅包肉

关注

4
点赞
踩
26

收藏

觉得还不错? 一键收藏
9
评论
Jetson nano 运行openpose

声明：仅作为个人学习使用之前一直在树莓派上使用openpose，需要用到一个树莓派4B+一个Intel神经网络计算棒，即便如此也只能勉强运行openpose的精简版，成本约为1000r左右，后来发现了nvidia公司生产的Jeston nano，在Jeston nano上跑openpose流畅许多，且成本仅为500r左右在网上找相关资源，找到了华仔的一篇名为Jetson nano安装openpose的文章，这篇文章真的是帮了我大忙，在这里向这位博主表示衷心的感谢。经过一天时间，成功运行o..
复制链接

扫一扫