Ubuntu18.04 + CUDA + cuDNN + Opencv + Caffe

因为用了18.04 以及 opencv4 cuda10 一切都变了，尤其是caffe的安装

所以下来给出最新的，具体需要根据自身实际情况略加修改，比如相应的文件目录位置等，大体不变，主要参考的是linux公社的两篇博文，希望等帮到大家。

需要注意的是ubuntu18.04下显卡驱动的安装请参考https://blog.csdn.net/Haku_yyf/article/details/90260639

cuda推荐使用.run文件安装（别选驱动，因为我们已经手动安装了，会有冲突，其他默认接受就可以）

cudnn环境配置等还是参考我原来的方法：https://blog.csdn.net/Haku_yyf/article/details/83894110

#######################################################################################

Opencv4.1:

sudo apt-get install libcanberra-gtk-module  

sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt update
sudo apt install libjasper1 libjasper-dev

https://www.linuxidc.com/Linux/2019-05/158419.htm

Caffe:

https://www.linuxidc.com/Linux/2019-05/158422.htm

安装完以后完成的测试代码没跑通，因为opencv版本的问题，api接口不对，看一下报错的文件，把对应文件中的代码用编译安装时候使用的sed命令（上面链接里面的几条sed命令）替换一下就可以了。完美运行测试程序。这已经是我第二次安装成功了，第一次是在16.04上，这次是18.04，但是这只是最原始的caffe，后面学习faster-rcnn等算法的时候，编译不通，我估计是因为opencv，cuda，g++等版本都太高了，这也是caffe的痛点，看起来使用起来简单，但要用别人的代码配置太痛苦了，除非是c/c++大神，而且还会cuda编程，就这也要看各个依赖库的版本吧，我是用不来，怪不得从16年之后就慢慢没落了，感觉研究研究源码还是有意义的，非要跑通部署这些真的算了。或者你觉得docker  caffe这样搭配好用也可以，我简单看了下，没有深入研究。感觉现在无论tf, 还是pytorch感觉都有替代方案，不是说非要caffe。

加油↖(^ω^)↗

 

##################################################################

##########################下面是原本的16.04的，可以参考，###########

1安装依赖：

Ubuntu16.04系统

如果你之前已经编译安装过opencv请先卸载干净（卸载参考）

CUDA + cuDNN 请参考我之前的一篇博客（参考博客）#这里我已经安装了最新的CUDA10.0，以及相应的最新的cuDNN。

安装opencv依赖库

sudo apt-get update
sudo apt-get upgrade
sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev libopencv-dev
sudo apt install ffmpeg

安装caffe依赖库

(1) 安装最新的ZLIB库，因为编译caffe需要1.2.9以上的ZLIB库，Ubuntu16.04自带的版本低于这个版本，我们从源码安装最新的即可：

下载ZLIB源码（tar.gz）

编译安装ZLIB：

cd path/to/zlib #切换到解压后的安装文件目录
sudo ./configure
sudo make
sudo make install

（2）安装其他依赖包：

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
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

 

2脚本安装Opencv：

从Github下载安装脚本：

git clone https://github.com/jayrambhia/install-opencv

安装：

cd Ubuntu
sudo chmod +x *
sudo ./opencv_latest.sh

静静的等它安装完成就可以了！

使用下面命令检查opencv版本

pkg-config --modversion opencv

 3编译安装Caffe：

（1）从Github下载caffe源码：

git clone https://github.com/BVLC/caffe

（2）修改Makefile.config:

因为make指令只能make  Makefile.config文件，而源码里只给出了Makefile.config.example的示例文件。因此，首先应该将Makefile.config.example的内容复制到Makefile.config:

cd caffe

sudo cp Makefile.config.example Makefile.config

打开并修改配置文件：

sudo vim Makefile.config #打开Makefile.config文件，根据个人情况进行修改

a. 若使用cudnn, 则将

#USE_CUDNN:=1

修改成：

USE_CUDNN:=1

 

b. 因为我们安装的是最新的CUDA10.0，所以要设置CUDA_ARCH，将

CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \

                               -gencode arch=compute_20,code=sm_21\

这两行注释或者直接删除，注意注释后在第三行重新加上开头的 CUDA_ARCH :=

 

c. 若使用的opencv版本是3，则将

#OPENCV_VERSION:=3

修改为：

OPENCV_VERSION:=3

 

d. 若要使用python来编写layer，则将

#WITH_PYTHON_LAYER:=1

修改成：

WITH_PYTHON_LAYER:=1

 

e. 很重要的一项，将

#Whatever else you find you need goes here. 下面的

INCLUDE_DIRS:= $(PYTHON_INCLUDE) /usr/local/include

LIBRARY_DIRS:= $(PYTHON_LIB) /usr/local/lib /usr/lib

修改为：

INCLUDE_DIRS:= $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial

LIBRARY_DIRS:= $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial      

这是因为Ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径。

（3）修改Makefile文件

打开Makefile文件，做如下修改，将：

NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC$(COMMON_FLAGS)

替换为：

NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

 

最后：   编辑/usr/local/cuda/include/host_config.h 将

#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!

改为：

//#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!

（4）编译

sudo make all -j4

 (5) 测试

sudo make runtest

 如果如图显示一片绿，那就说明配置成功了！

4 MNIST手写数字识别

配置好caffe后，我们可以利用MNIST数据集对caffe进行测试，过程如下：

cd ~/caffe

下载数据

./data/mnist/get_mnist.sh

将数据转换为Lmbd数据库格式

./examples/mnist/create_mnist.sh

训练网络

./examples/mnist/train_lenet.sh

 训练结果如图所示

 

参考博客：https://blog.csdn.net/yggaoeecs/article/details/79163789