Detectron2安装之又识CUDA

最新推荐文章于 2024-06-24 16:57:04 发布

Sunny:)

最新推荐文章于 2024-06-24 16:57:04 发布

阅读量2.3k

点赞数 1

分类专栏：目标检测或识别文章标签： linux ubuntu 目标检测

本文链接：https://blog.csdn.net/charry_win/article/details/123226906

版权

目标检测或识别专栏收录该内容

9 篇文章 0 订阅

订阅专栏

Detectron2安装之我又认识了CUDA

零、主要内容
一、Detectron2
二、CUDA
参考

零、主要内容

在Linux环境中，安装Detectron2
1. 基础环境（Python、Pytorch、OpenCV）
2. Install Pre-Built Detectron2 (Linux only)

一服务器可配置多版本CUDA

一、Detectron2

前言

安装一个开源平台，我们心里要有一个目标，那就是当我配置模型config，输入图片input，输入参数checkpoints，并运行demo.py，它不报错。在这个基础上，就可以继续自己对于模型的探索。
简单介绍一下，Detectron2，Facebook AI Research（FAIR）开源的基于Pytorch的目标检测算法实现，哦，那公司现在叫Meta，改名了。

配置基本环境

Detectron2选择v0.6版本

Linux with Python ≥ 3.6
PyTorch ≥ 1.8 and torchvision that matches the PyTorch installation.
OpenCV is needed by demo and visualization

无奈，使用着无法链接外网的服务器，手动下载pytorch也是一个不错的选择。conda链接
下载文件路径下，运行：

conda install --offline pytorch-1.8.1-py3.7_cuda10.1_cudnn7.6.3_0.tar.bz2
conda install --offline torchvision-0.9.1-py37_cu101.tar.bz2

pip install opencv-python

检测cuda是否正确安装，这一步使用pip方法直接忽略。

python -c 'import torch; from torch.utils.cpp_extension import CUDA_HOME; print(torch.cuda.is_available(), CUDA_HOME)'

运行完，输出True /usr

Detectron2 自动安装，仅Linux系统

官方给了，手动下载安装 与 *直接pip（仅Linux）*两种安装方法。
如果是在Linux系统上安装，强烈推荐使用使用pip，以避免不必要的服务器底层编译问题。

手动下载安装，我的理解是使用本地的C++编译器进行编译，如果报错不好解决。
直接pip，需要注意各个库和安装包版本匹配的问题。

注意：对应好版本这里安装的是detectron2-v0.6，本地环境使用
cudatoolkit=10.1，
torch=1.8.1，
torchvision=0.9.1，
python=3.7

运行命令：

python -m pip install detectron2 -f \
  https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.8/index.html

手动安装时候，服务器底层编译器报错，这个超出目前认知范围，直接更换安装方法。

command ‘/usr/bin/nvcc’ failed with exit status 1

ERROR: No supported gcc/g++ host compiler found.
       Use 'nvcc -ccbin <compiler>' to specify a host compiler.
error: command '/usr/bin/nvcc' failed with exit status 1

上述报错，不知nvcc -ccbin命令含义，大佬请指教！

测试

输入以下命令，执行模型推理的程序，输入一张图片、模型配置、模型参数，输出demo。

 python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
 --input demo/people.jpg --output ./ \
 --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

–config-file 配置文件
–input 输入图片
–output demo输出路径
–opts MODEL.WEIGHTS 模型参数文件

OK，这个类似于detectron2的Hello world！

二、CUDA

CUDA是显卡厂商NVIDIA推出的运算平台。
CUDA驱动 NVIDIA的显卡驱动程序
cudatoolkit:CUDA工具包的主要包含了CUDA-C和CUDA-C++编译器、一些科学库和实用程序库、CUDA和library API的代码示例、和一些CUDA开发工具。
NVCC就是CUDA的编译器,可以从CUDA Toolkit的/bin目录中获取,类似于gcc就是c语言的编译器。
cuDNN的全称为NVIDIA CUDA® Deep Neural Network library，是NVIDIA专门针对深度神经网络中的基础操作而设计基于GPU的加速库

以上是CUDA、显卡驱动、cudatoolkit、nvcc、cuDNN含义。
以下废话，
一个服务器上可能有多个版本的cuda
当运行nvidia-smi、nvcc -v显示的cuda版本可能不同
CUDA Toolkit和显卡驱动的版本对应
CUDA / CUDA Toolkit和cuDNN的版本对应
其他环境配置中与库的对应，就看说明文档啦。

总之，用时半天，为啥呢，相比较而言，本地编译环境的报错还是无法解决，易走弯路，本文仅当记录，各位客官，有不足请指出，有好的建议也望留言。