Ubuntu18.04下安装NVIDIA显卡驱动、docker、nvidia-docker；容器中编译安装opencv-4.4.0与darknet-yolov4并完成测试；容器封装镜像转移。2022

已于 2023-11-14 15:56:50 修改
阅读量1k 收藏 12
点赞数 2
分类专栏： ubuntu opencv docker 文章标签： docker opencv ubuntu 神经网络 深度学习
于 2022-05-18 16:57:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/heqingchun16/article/details/124842526
版权
ubuntu 同时被 3 个专栏收录
19 篇文章 1 订阅
订阅专栏
opencv
6 篇文章 0 订阅
订阅专栏
docker
2 篇文章 0 订阅
订阅专栏

记录一下第一次在CSDN发博客，欢迎大家光临~

前言

最近这几天学习docker容器使用及配置，完成了以下内容：

1.Ubuntu 18.04.6LTS系统安装
2.为系统更换国内软件源
3.安装NVIDIA显卡驱动（RTX2060 notebook）
4.安装Docker
5.配置Docker镜像加速
6.安装nvidia-docker
7.拉取nvidia/cuda镜像并运行及测试
8.在容器中编译安装opencv-4.4.0、opencv_contrib-4.4.0
9.在容器中编译安装darknet-yolov4并进行测试
10.镜像复用：容器打包镜像、压缩镜像、转移镜像
以上内容也借鉴了好多前辈的文章，链接地址最后都会列出~

下面将以上10项内容逐一叙述，其中每一项都可拆开来看。如：只想在电脑上编译安装opencv4.4.0就可以直接看2.5.2。`
关于目录：涉及到拷贝的目录为宿主机主目录“/home/heqingchun”，容器内根目录“/”。

一、宿主机配置

这里面的“宿主机”是用来区分容器的，这里可以理解为你的电脑。

1.安装Ubunntu18.04 64位系统

安装系统请见，这里我就不详细说了，我认为你们都是已经有系统的了：直接点击或者复制网址都可https://blog.csdn.net/baidu_36602427/article/details/86548203

2.为宿主机系统更换国内软件源Ubuntu 官方源服务器在欧洲，国内访问很慢。所以这里有必要将软件源更换为国内的源,

国内源很多，在这里我们选择阿里云与清华大学的 Ubuntu 源

2.1-复制以下内容

# 阿里云源
deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
# 源碼
deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse


# 清华大学源
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse
# 源碼
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse

2.2-备份文件

Ubuntu 的源存放在在 /etc/apt/ 目录下的 sources.list 文件中，修改前我们先备份，在终端中执行以下命令：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup

2.3-更新文件内容

然后执行下面的命令打开 sources.list 文件，清空里面的内容，把上面阿里云与清华大学的 Ubuntu 源复制进去，保存后退出。

sudo gedit /etc/apt/sources.list

2.4-更新软件列表

接着在终端上执行以下命令更新软件列表，检测出可以更新的软件：

sudo apt-get update

2.5-进行软件更新

最后在终端上执行以下命令进行软件更新：

sudo apt-get upgrade

3.在宿主机中安装NVIDIA显卡驱动

3.1.安装驱动前一定要更新软件列表和安装必要软件、依赖（必须）

sudo apt-get update   #更新软件列表

sudo apt-get install g++

sudo apt-get install make

3.2.根据显卡型号去NVIDIA官网下载ubuntu驱动

网址：https://www.nvidia.cn/Download/index.aspx?lang=cn

3.3.开始安装

3.3.1-卸载原有驱动
sudo apt-get remove --purge nvidia*
3.3.2-禁用nouveau(nouveau是通用的驱动程序)（必须）
sudo gedit /etc/modprobe.d/blacklist.conf 或者(blacklist-nouveau.conf)
3.3.3-在打开的blacklist.conf末尾添加如下，保存文本关闭
blacklist nouveau
options nouveau modeset=0
3.3.4-在终端输入如下更新，更新结束后重启电脑（必须）
sudo update-initramfs –u
3.3.5-重启后在终端输入如下，没有任何输出表示屏蔽成功
lsmod | grep nouveau
3.3.6-安装lightdm，lightdm是显示管理器，主要管理登录界面，安装界面选择“lightdm”
sudo apt-get install lightdm

	***注：完成3.3.7后电脑将会进入纯字符界面，记不住命令记得拍照***
3.3.7-为了安装新的Nvidia驱动程序，我们需要停止当前的显示服务器。(必须)
sudo telinit 3

进入界面后先打出用户名回车后再打密码进行登陆，注意此时右侧数字小键盘不可用
3.3.8-在文本界面中，禁用X-window服务,在终端输入（必须）
sudo /etc/init.d/lightdm stop或者（sudo service lightdm stop）
3.3.9-cd命令进入到你存放驱动的目录，输入命令：
sudo chmod 777 NVIDIA-Linux-x86_64-430.26.run   #给你下载的驱动赋予可执行权限，才可以安装

sudo ./NVIDIA-Linux-x86_64-430.26.run –no-opengl-files   #安装

第二句命令的参数介绍：–no-opengl-files
只安装驱动文件，不安装OpenGL文件。这个参数台式机不加没问题，笔记本不加有可能出现循环登录。看个人需要。
显卡驱动安装过程中一些选项（有一些问题记不清楚了，只给出需要选择的选项：）：
1.The distribution-provided pre-install script failed! Are you sure you want to continue?
选择continue installation
2.Would you like to register the kernel module souces with DKMS? This will allow DKMS to automatically build a new module, if you install a different kernel later?
选择 No 继续。
3.问题没记住，选项是：install without signing
4.问题大概是：Nvidia’s 32-bit compatibility libraries? 选择 No 继续。
5.Would you like to run the nvidia-xconfigutility to automatically update your x configuration so that the NVIDIA x driver will be used when you restart x? Any pre-existing x confile will be backed up.
​​​​​​​ 选择 Yes 继续

3.3.10-安装结束后输入sudo service lightdm start 重启x-window服务，即可自动进入登陆界面。不行的话，如果是双显卡可能需要bios设置独显直连，然后重启电脑。

4.在宿主机中安装docker

4.1-卸载旧版本----注：如果之前未安装可以略过

Docker 的旧版本被称为 docker，docker.io 或 docker-engine 。

sudo apt-get remove docker docker-engine docker.io containerd runc

4.2-在新主机上首次安装 Docker Engine-Community 之前，需要设置 Docker 仓库。之后就可以从仓库安装和更新 Docker，设置仓库，更新 apt 包索引。

sudo apt-get update

4.3-安装 apt 依赖包，用于通过HTTPS来获取仓库:

sudo apt-get install \
    apt-transport-https \
    ca-certificates \
    curl \
    gnupg-agent \
    software-properties-common

4.4-添加 Docker 的官方 GPG 密钥：

curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add -

4.5-（9DC8 5822 9FC7 DD38 854A E2D8 8D81 803C 0EBF CD88） 通过搜索指纹的后8个字符，验证现在是否拥有带有指纹的密钥。

sudo apt-key fingerprint 0EBFCD88

执行命令后看到如下信息：

“pub   rsa4096 2017-02-22 [SCEA]
        9DC8 5822 9FC7 DD38 854A  E2D8 8D81 803C 0EBF CD88
	uid           [ unknown] Docker Release (CE deb) <docker@docker.com>
	sub   rsa4096 2017-02-22 [S]”

4.6-使用以下指令设置稳定版仓库

sudo add-apt-repository \
   	"deb [arch=amd64] https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/ \
  	$(lsb_release -cs) \
  	stable"

4.7-准备安装Docker Engine-Community

更新 apt 包索引。

sudo apt-get update

4.8-安装最新版本的 Docker Engine-Community 和 containerd ：

sudo apt-get install docker-ce docker-ce-cli containerd.io

4.9-测试是否安装成功，输入以下指令，打印出以下信息则安装成功:--------注：需要连接互联网，因为本地没有镜像会去仓库拉取

sudo docker run hello-world

打印信息：

Unable to find image 'hello-world:latest' locally
latest: Pulling from library/hello-world
1b930d010525: Pull complete                                                       Digest: sha256:c3b4ada4687bbaa170745b3e4dd8ac3f194ca95b2d0518b417fb47e5879d9b5f
Status: Downloaded newer image for hello-world:latest

	Hello from Docker!
	This message shows that your installation appears to be working correctly.


	To generate this message, Docker took the following steps:
 	1. The Docker client contacted the Docker daemon.
 	2. The Docker daemon pulled the "hello-world" image from the Docker Hub.
    	(amd64)
 	3. The Docker daemon created a new container from that image which runs the
    	executable that produces the output you are currently reading.
 	4. The Docker daemon streamed that output to the Docker client, which sent it
    	to your terminal.


	To try something more ambitious, you can run an Ubuntu container with:
 	$ docker run -it ubuntu bash

	Share images, automate workflows, and more with a free Docker ID:
 	https://hub.docker.com/

	For more examples and ideas, visit:
 	https://docs.docker.com/get-started/

4.10-使用命令查看刚才的hello-world镜像是否下载到本地

sudo docker images

4.11-目前docker指令必须要管理员权限，非常麻烦，下面进行权限提升

把普通用户加入到docker组中 

echo $USER------------打印用户名-可省略

groupadd docker----------添加docker组

sudo gpasswd -a $USER docker

newgrp docker

现在使用语句时不用每次都使用管理员权限了，如：

docker ps

docker images

5.Docker 镜像加速（很有必要）

国内从 DockerHub 拉取镜像有时会遇到困难，此时可以配置镜像加速器。
Docker 官方和国内很多云服务商都提供了国内加速器服务，例如：
科大镜像：https://docker.mirrors.ustc.edu.cn/
网易：https://hub-mirror.c.163.com/
阿里云：https://<你的ID>.mirror.aliyuncs.com
七牛云加速器：https://reg-mirror.qiniu.com

5.1-阿里云镜像加速配置

5.1.1-进入官方网站，进行登陆
网址：https://www.aliyun.com/
5.1.2-点击右上角“控制台”
5.1.3-点击“容器镜像服务”
5.1.4-在左侧点击“镜像工具”下的“镜像加速器”
5.1.5-根据操作文档操作即可
检查加速器是否生效配置加速器之后，如果拉取镜像仍然十分缓慢，请手动检查加速器配置是否生效。
在命令行执行 docker info，如果从结果中看到了如下内容，说明配置成功。

docker info
		Registry Mirrors:
  		https://ta2godbp.mirror.aliyuncs.com/

6.在宿主机中安装nvidia-docker

Docker只能使用CPU 的资源，需要连接Docker 和宿主机的显卡驱动 —— nvidia-docker

6.1-设置稳定版的存储库和GPG密钥

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
   	&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
   	&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

6.2-更新

sudo apt-get update

6.3-安装

sudo apt-get install -y nvidia-docker2

6.4-重启docker

sudo systemctl restart docker

到这里，宿主机的配置已经全部完成，接下来在宿主机中下载官方nvidia/cuda镜像

二、镜像、容器配置

1.先在宿主机中下载官方预配置的nvidia/cuda镜像，在此基础上进行配置

2.1-配置镜像源

sudo vim /etc/docker/daemon.json

2.2-加入镜像地址

添加"registry-mirrors": [https://docker.mirrors.ustc.edu.cn]

添加之后状态如下：

{
  	    "registry-mirrors": ["https://ta2godbp.mirror.aliyuncs.com"]
}

2.3-重启docker

systemctl restart docker.service

2.4-下载镜像

2.4.1-Nvidia docker cuda 官方镜像网址
https://hub.docker.com/r/nvidia/cuda
2.4.2-进入网址后找到“Supported tags”
然后点击下方“For a full list of supported tags.click here”中的here
2.4.3-在新页面中找到需要的版本，如：
找到“ubuntu18.04”下的“CUDA 11.4.3”，复制下方的“11.4.3-cudnn8-devel-ubuntu18.04”
2.4.4-再回到2.4.1打开的网址界面
点击“tags”，将复制的内容粘贴到“Filter Tags”搜索框中
搜索完毕之后在右侧会出现“docker pull nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04”
复制下来在宿主机中执行下载。
（如果设置阿里云镜像容器加速大概下载20分钟，如果没有设置加速器大约需要5个小时！）
复制后在主机上执行：

docker pull nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04
2.4.5-使用docker images查看镜像
docker images

显示如下：

REPOSITORY    TAG                               IMAGE ID       CREATED        SIZE
nvidia/cuda   11.4.3-cudnn8-devel-ubuntu18.04   90b42b6501f7   2 weeks ago    9.11GB
2.4.6-运行镜像前需要注册nvidia-docker
sudo mkdir -p /etc/systemd/system/docker.service.d

sudo tee /etc/systemd/system/docker.service.d/override.conf <<EOF
		[Service]
		ExecStart=
		ExecStart=/usr/bin/dockerd --host=fd:// --add-runtime=nvidia=/usr/bin/nvidia-container-runtime
		EOF

sudo systemctl daemon-reload

sudo systemctl restart docker

2.5-运行镜像

sudo docker run -it --name test_name -v /data/test_name:/data/test_name --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=all nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04

（test_name为自定义容器名）；
（/data/algorithm:/data/test_name为项目绝对路径:容器内项目路径）；
（nvidia/cuda:11.1-cudnn8-devel-ubuntu18.04为镜像名称。）
运行成功后，命令行前缀改变，此时运行的就是容器内部的bash了
（由heqingchun@Legion:~$变为root@f68aa5e2daec:/#）
2.5.1-测试基础环境是否安装成功-要在容器中测试
2.5.1.1-测试显卡驱动
nvidia-smi

显示如下：

Wed May 18 01:32:47 2022       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.68.02    Driver Version: 510.68.02    CUDA Version: 11.6     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  Off  | 00000000:01:00.0  On |                  N/A |
| N/A   48C    P8     8W /  N/A |    114MiB /  6144MiB |     16%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+
2.5.1.2-测试 CUDA
nvcc -V

显示如下：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Mon_Oct_11_21:27:02_PDT_2021
Cuda compilation tools, release 11.4, V11.4.152
Build cuda_11.4.r11.4/compiler.30521435_0
2.5.1.3-测试 CUDNN
ll /usr/lib/x86_64-linux-gnu/ | grep cudnn

显示如下：

lrwxrwxrwx  1 root root         29 Apr 29 05:00 libcudnn.so -> /etc/alternatives/libcudnn_so
lrwxrwxrwx  1 root root         17 Aug 31  2021 libcudnn.so.8 -> libcudnn.so.8.2.4
-rw-r--r--  1 root root     158392 Aug 31  2021 libcudnn.so.8.2.4
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_adv_infer.so -> /etc/alternatives/libcudnn_adv_infer_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_adv_infer.so.8 -> libcudnn_adv_infer.so.8.2.4
-rw-r--r--  1 root root  129423408 Aug 31  2021 libcudnn_adv_infer.so.8.2.4
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_adv_train.so -> /etc/alternatives/libcudnn_adv_train_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_adv_train.so.8 -> libcudnn_adv_train.so.8.2.4
-rw-r--r--  1 root root   98296496 Aug 31  2021 libcudnn_adv_train.so.8.2.4
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_cnn_infer.so -> /etc/alternatives/libcudnn_cnn_infer_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_cnn_infer.so.8 -> libcudnn_cnn_infer.so.8.2.4
-rw-r--r--  1 root root  723562112 Aug 31  2021 libcudnn_cnn_infer.so.8.2.4
-rw-r--r--  1 root root  890513380 Aug 31  2021 libcudnn_cnn_infer_static.a
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_cnn_infer_static_v8.a -> libcudnn_cnn_infer_static.a
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_cnn_train.so -> /etc/alternatives/libcudnn_cnn_train_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_cnn_train.so.8 -> libcudnn_cnn_train.so.8.2.4
-rw-r--r--  1 root root   88248272 Aug 31  2021 libcudnn_cnn_train.so.8.2.4
-rw-r--r--  1 root root  134645628 Aug 31  2021 libcudnn_cnn_train_static.a
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_cnn_train_static_v8.a -> libcudnn_cnn_train_static.a
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_ops_infer.so -> /etc/alternatives/libcudnn_ops_infer_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_ops_infer.so.8 -> libcudnn_ops_infer.so.8.2.4
-rw-r--r--  1 root root  426627672 Aug 31  2021 libcudnn_ops_infer.so.8.2.4
lrwxrwxrwx  1 root root         39 Apr 29 05:00 libcudnn_ops_train.so -> /etc/alternatives/libcudnn_ops_train_so
lrwxrwxrwx  1 root root         27 Aug 31  2021 libcudnn_ops_train.so.8 -> libcudnn_ops_train.so.8.2.4
-rw-r--r--  1 root root   59658376 Aug 31  2021 libcudnn_ops_train.so.8.2.4
-rw-r--r--  1 root root 1374752618 Aug 31  2021 libcudnn_static.a
lrwxrwxrwx  1 root root         17 Aug 31  2021 libcudnn_static_v8.a -> libcudnn_static.a
2.5.2-在容器中安装opencv-4.4.0、opencv_contrib-4.4.0
2.5.2.1-首先准备文件
以下三个文件我先放在宿主机的家目录中了。

opencv-4.4.0.zip
opencv_contrib-4.4.0.zip
boostdesc_bgm.i.zip(链接：https://pan.baidu.com/s/1WzDfij41FmaRdPkBKAs9Kw 提取码：1234)
2.5.2.2-在宿主机中查看镜像ID，然后复制下来
docker ps或者docker ps -a
2.5.2.3-将准备文件拷贝进当前容器(ID:47b9d751b8be)
镜像ID注意需要用自己电脑上查到的

docker cp /home/heqingchun/boostdesc_bgm.i.zip 47b9d751b8be:/

将opencv压缩包拷贝进容器

docker cp /home/heqingchun/opencv-4.4.0.zip 47b9d751b8be:/

docker cp /home/heqingchun/opencv_contrib-4.4.0.zip 47b9d751b8be:/

--------以下为在容器内执行--------
不列序号了，大家分步执行即可，我会给出标注：

apt update  //更新

apt-get install axel  //安装下载工具

--如果没有预先在宿主机下载，可以使用下面命令下载（在根目录执行）
--如果已经下载完了，下边的两句话就不用执行了

axel -k https://github.com/opencv/opencv/archive/4.4.0.zip  //下载opencv-4.4.0
axel -k https://github.com/opencv/opencv_contrib/archive/refs/tags/4.4.0.zip  //下载opencv_contrib-4.4.0

apt-get install unzip  //安装解压工具

unzip opencv-4.4.0.zip  //解压opencv-4.4.0.zip

unzip opencv_contrib-4.4.0.zip  //解压opencv_contrib-4.4.0

mv opencv_contrib-4.4.0 opencv-4.4.0  //将opencv_contrib-4.4.0剪切至opencv-4.4.0

boostdesc_bgm.i.zip可以在网上找一找，我也会放出资源
(链接：https://pan.baidu.com/s/1WzDfij41FmaRdPkBKAs9Kw 提取码：1234)

unzip boostdesc_bgm.i.zip  //解压

cp /boostdesc_bgm.i/*.i /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/src/    //将文件拷贝到指定目录

apt-get install cmake  //安装cmake

apt-get install g++  //安装g++编译器

apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev libgtk2.0-dev pkg-config  //安装其他依赖项

cp opencv-4.4.0/modules/features2d/test/*.impl.hpp opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/                //将指定文件拷贝到指定目录

cp opencv-4.4.0/modules/features2d/test/test_invariance_utils.hpp opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/      //将指定文件拷贝到指定目录 

sed -i "s/features2d\/test\/test_detectors_regression.impl.hpp/test_detectors_regression.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_features2d.cpp //修改文件内容

sed -i "s/features2d\/test\/test_descriptors_regression.impl.hpp/test_descriptors_regression.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_features2d.cpp //修改文件内容

sed -i "s/features2d\/test\/test_detectors_invariance.impl.hpp/test_detectors_invariance.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_rotation_and_scale_invariance.cpp//修改文件内容

sed -i "s/features2d\/test\/test_descriptors_invariance.impl.hpp/test_descriptors_invariance.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_rotation_and_scale_invariance.cpp //修改文件内容

cd opencv-4.4.0  

mkdir -p build

cd build

(cmake执行的时候下载ADE: Download: v0.1.1f.zip的时候很慢，如果不行就多试几次)

cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local -D OPENCV_GENERATE_PKGCONFIG=ON -D OPENCV_ENABLE_NONFREE=YES -D OPENCV_EXTRA_MODULES_PATH=/opencv-4.4.0/opencv_contrib-4.4.0/modules/ ..

make -j64

make install

echo "/usr/local/lib" >> /etc/ld.so.conf.d/opencv4.conf

ldconfig

echo "PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig" >> /etc/bash.bashrc

echo "export PKG_CONFIG_PATH" >> /etc/bash.bashrc

source /etc/bash.bashrc 

echo "/usr/local/lib" >> /etc/ld.so.conf

ldconfig

apt-get install pkg-config 安装插件

pkg-config --modversion opencv4  查看版本

显示:4.4.0表示安装成功
2.5.3-在容器中安装编译darknet-yolov4并进行测试
2.5.3.1-下载darknet源码以及yolov4.cfg、yolov4.weights、测试图片：dog.jpg
从宿主机中下载拷贝至容器：

docker cp /home/heqingchun/yolov4.cfg dc9f6a655775:/

docker cp /home/heqingchun/yolov4.weights dc9f6a655775:/

docker cp /home/heqingchun/darknet-master.zip dc9f6a655775:/

docker cp /home/heqingchun/dog.jpg dc9f6a655775:/

或者在容器中下载：axel -k 下载链接（2选1即可）

axel -k https://github.com/AlexeyAB/darknet/archive/refs/heads/master.zip

axel -k https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

axel -k https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4.cfg

到这步我就认为你已经把文件都准备好了
2.5.3.2-解压darknet-master.zip
unzip darknet-master.zip
2.5.3.3-配置编译前需要设置项
cd darknet-master

apt-get install vim

vim Makefile #修改Makefile文件

------------------
修改Makefile文件：
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
------------------

make -j64
2.5.3.4-运行文件测试是否成功-我把文件都放在容器的根目录了
./darknet detect /yolov4.cfg /yolov4.weights /dog.jpg

显示如下：

CUDA-version: 11040 (11060), cuDNN: 8.2.4, CUDNN_HALF=1, GPU count: 1  
 CUDNN_HALF=1 
 OpenCV version: 4.4.0
 0 : compute_capability = 750, cudnn_half = 1, GPU: NVIDIA GeForce RTX 2060 
net.optimized_memory = 0 
mini_batch = 1, batch = 8, time_steps = 1, train = 0 
   layer   filters  size/strd(dil)      input                output
   0 Create CUDA-stream - 0 
 Create cudnn-handle 0 
conv     32       3 x 3/ 1    608 x 608 x   3 ->  608 x 608 x  32 0.639 BF
   1 conv     64       3 x 3/ 2    608 x 608 x  32 ->  304 x 304 x  64 3.407 BF
   2 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   3 route  1 		                           ->  304 x 304 x  64 
   4 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   5 conv     32       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  32 0.379 BF
   6 conv     64       3 x 3/ 1    304 x 304 x  32 ->  304 x 304 x  64 3.407 BF
   7 Shortcut Layer: 4,  wt = 0, wn = 0, outputs: 304 x 304 x  64 0.006 BF
   8 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   9 route  8 2 	                           ->  304 x 304 x 128 
  10 conv     64       1 x 1/ 1    304 x 304 x 128 ->  304 x 304 x  64 1.514 BF
  11 conv    128       3 x 3/ 2    304 x 304 x  64 ->  152 x 152 x 128 3.407 BF
  12 conv     64       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x  64 0.379 BF
  13 route  11 		                           ->  152 x 152 x 128 
  14 conv     64       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x  64 0.379 BF
  15 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  16 conv     64       3 x 3/ 1    152 x 152 x  64 ->  152 x 152 x  64 1.703 BF
  17 Shortcut Layer: 14,  wt = 0, wn = 0, outputs: 152 x 152 x  64 0.001 BF
  18 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  19 conv     64       3 x 3/ 1    152 x 152 x  64 ->  152 x 152 x  64 1.703 BF
  20 Shortcut Layer: 17,  wt = 0, wn = 0, outputs: 152 x 152 x  64 0.001 BF
  21 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  22 route  21 12 	                           ->  152 x 152 x 128 
  23 conv    128       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x 128 0.757 BF
  24 conv    256       3 x 3/ 2    152 x 152 x 128 ->   76 x  76 x 256 3.407 BF
  25 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
  26 route  24 		                           ->   76 x  76 x 256 
  27 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
  28 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  29 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  30 Shortcut Layer: 27,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  31 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  32 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  33 Shortcut Layer: 30,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  34 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  35 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  36 Shortcut Layer: 33,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  37 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  38 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  39 Shortcut Layer: 36,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  40 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  41 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  42 Shortcut Layer: 39,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  43 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  44 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  45 Shortcut Layer: 42,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  46 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  47 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  48 Shortcut Layer: 45,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  49 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  50 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  51 Shortcut Layer: 48,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  52 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  53 route  52 25 	                           ->   76 x  76 x 256 
  54 conv    256       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 256 0.757 BF
  55 conv    512       3 x 3/ 2     76 x  76 x 256 ->   38 x  38 x 512 3.407 BF
  56 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
  57 route  55 		                           ->   38 x  38 x 512 
  58 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
  59 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  60 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  61 Shortcut Layer: 58,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  62 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  63 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  64 Shortcut Layer: 61,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  65 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  66 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  67 Shortcut Layer: 64,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  68 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  69 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  70 Shortcut Layer: 67,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  71 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  72 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  73 Shortcut Layer: 70,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  74 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  75 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  76 Shortcut Layer: 73,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  77 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  78 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  79 Shortcut Layer: 76,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  80 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  81 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  82 Shortcut Layer: 79,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  83 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  84 route  83 56 	                           ->   38 x  38 x 512 
  85 conv    512       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 512 0.757 BF
  86 conv   1024       3 x 3/ 2     38 x  38 x 512 ->   19 x  19 x1024 3.407 BF
  87 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
  88 route  86 		                           ->   19 x  19 x1024 
  89 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
  90 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  91 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  92 Shortcut Layer: 89,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  93 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  94 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  95 Shortcut Layer: 92,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  96 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  97 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  98 Shortcut Layer: 95,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  99 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
 100 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
 101 Shortcut Layer: 98,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
 102 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
 103 route  102 87 	                           ->   19 x  19 x1024 
 104 conv   1024       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x1024 0.757 BF
 105 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 106 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 107 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 108 max                5x 5/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.005 BF
 109 route  107 		                           ->   19 x  19 x 512 
 110 max                9x 9/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.015 BF
 111 route  107 		                           ->   19 x  19 x 512 
 112 max               13x13/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.031 BF
 113 route  112 110 108 107 	                   ->   19 x  19 x2048 
 114 conv    512       1 x 1/ 1     19 x  19 x2048 ->   19 x  19 x 512 0.757 BF
 115 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 116 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 117 conv    256       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 256 0.095 BF
 118 upsample                 2x    19 x  19 x 256 ->   38 x  38 x 256
 119 route  85 		                           ->   38 x  38 x 512 
 120 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 121 route  120 118 	                           ->   38 x  38 x 512 
 122 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 123 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 124 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 125 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 126 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 127 conv    128       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 128 0.095 BF
 128 upsample                 2x    38 x  38 x 128 ->   76 x  76 x 128
 129 route  54 		                           ->   76 x  76 x 256 
 130 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 131 route  130 128 	                           ->   76 x  76 x 256 
 132 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 133 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 134 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 135 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 136 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 137 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 138 conv    255       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 255 0.754 BF
 139 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.20
nms_kind: greedynms (1), beta = 0.600000 
 140 route  136 		                           ->   76 x  76 x 128 
 141 conv    256       3 x 3/ 2     76 x  76 x 128 ->   38 x  38 x 256 0.852 BF
 142 route  141 126 	                           ->   38 x  38 x 512 
 143 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 144 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 145 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 146 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 147 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 148 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 149 conv    255       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 255 0.377 BF
 150 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.10
nms_kind: greedynms (1), beta = 0.600000 
 151 route  147 		                           ->   38 x  38 x 256 
 152 conv    512       3 x 3/ 2     38 x  38 x 256 ->   19 x  19 x 512 0.852 BF
 153 route  152 116 	                           ->   19 x  19 x1024 
 154 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 155 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 156 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 157 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 158 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 159 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 160 conv    255       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 255 0.189 BF
 161 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000 
Total BFLOPS 128.459 
avg_outputs = 1068395 
 Allocate additional workspace_size = 52.44 MB 
Loading weights from /yolov4.weights...
 seen 64, trained: 32032 K-images (500 Kilo-batches_64) 
Done! Loaded 162 layers from weights-file 
 Detection layer: 139 - type = 28 
 Detection layer: 150 - type = 28 
 Detection layer: 161 - type = 28 
/dog.jpg: Predicted in 708.269000 milli-seconds.
bicycle: 92%
dog: 98%
truck: 92%
pottedplant: 33%
OpenCV exception: show_image_cv 
OpenCV exception: wait_key_cv 
OpenCV exception: destroy_all_windows_cv
2.5.3.5-执行后会在文件夹生成“predictions.jpg”文件，由于容器中目前看不到图片，我将此文件从容器拷贝到宿主机进行查看
docker cp dc9f6a655775:/darknet-master/predictions.jpg ~
2.5.3.6-查看图片发现已经检测完毕，说明测试成功！在容器内终端输入exit可退出容器。

三、容器打包镜像、压缩镜像、转移镜像

1.我们退出容器后容器其实还在电脑上存在，可以使用docker ps -a查看ID

2.根据刚刚配置好的容器生成新镜像

2.1-停止当前容器

docker stop 容器ID

2.2-将容器打包

docker commit -a "heqingchun" -m "cuda_cudnn_opencv_darknet" dc9f6a655775 my_images:v1

其中-a后边是作者，-m后边是备注，dc9f6a655775为镜像ID，后边的my_images:v1是名称：标签
在打包之后可以使用docker images查看新的镜像，并且可以通过docker run -it my_images:v1运行新镜像

3.镜像的转移

3.1-将镜像压缩成tar包

docker save my_images:v1 > ~/my_docker_images.tar

执行上边命令就在我的家目录下生成了my_docker_images.tar文件，可以将该文件拷贝至U盘等用于转移

4.镜像加载

4.1-例如：使用U盘将压缩包拷贝到另外一台装有docker的电脑，将压缩包拷贝到家目录，并且cd到家目录

docker load < my_docker_images.tar

执行上边命令docker会自动解压文件并且添加到本地仓库，可以在新电脑使用docker images查看，
再次使用命令运行镜像

docker run -it --name test_name -v /data/test_name:/data/test_name --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=all my_images:v1

参考的博客在这里列出，非常之感谢。
系统安装：https://blog.csdn.net/baidu_36602427/article/details/86548203
显卡安装：https://blog.csdn.net/Perfect886/article/details/119109380
opencv4.4.0安装：https://blog.csdn.net/cloud_shen/article/details/107878654
更新软件源：https://blog.csdn.net/baidu_36602427/article/details/86551862
Docker安装：https://www.runoob.com/docker/ubuntu-docker-install.html
Docker镜像加速：https://blog.csdn.net/KEYMA/article/details/114118052
安装nvidia-docker、拉取nvidia/cuda镜像、运行镜像：https://blog.csdn.net/weixin_50008473/article/details/119464898
容器、镜像操作：https://www.runoob.com/docker/docker-command-manual.html
darknet编译、安装、测试：https://blog.51cto.com/u_11495341/3038915

总结

以上就是“Ubuntu18.04.6下安装NVIDIA显卡驱动、docker、nvidia-docker；容器中编译安装opencv-4.4.0与darknet-yolov4并完成测试；容器封装镜像转移”等操作的介绍，希望能够给你带来灵感。第一次写博客，感觉还不错。
注：转发转载须注明地址，谢谢~

赫庆淳
关注
  • 2
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
DLVM-Darknet
05-17
DSVM / DLVM Darknet Docker Docker上的YOLO / Darknet-在具有YOLOv3和YOLO9000权重的上支持jpg和视频。 此存储库类似于以下存储库-但旨在在支持视频文件的Azure DLVM和DSVM上运行YOLO： 取消注释以针对包含的示例视频自动运行。 用于物体检测的 。 构建Docker映像 使用docker作为非root用户（可选） sudo groupadd泊坞窗 sudo gpasswd -a $ USER泊坞窗 newgrp码头工人 docker build DLVM-Darknet/darknet -t darknet:latest docker build DLVM-Darknet -t dlvm-darknet:latest 在Azure DSVM / DLVM（NC系列）上运行 docker run --runti
Docker：基于ubuntu18.04的介绍，安装与使用 - 最新无死角
江南才尽江南山，年少无知年少狂！
03-31 4851
以下链接是个人关于深度学习环境搭建的所有链接，包含了各个框架： 深度学习环境搭建-史上最全无死角系列 有兴趣的朋友可以添加微信a944284742相互交流。 注意：本人编写该博客的时间为  2020−03−31，并不能保证适用于你现在的时间点\color{red}{注意：本人编写该博客的时间为~~ 2020-03-31，并不能保证适用于你现在的时间点}注意：本人编写该博客的时间...
【 ubuntu18.04安装显卡驱动】
最新发布
qq_40737659的博客
03-22 1073
ubuntu18.04安装显卡驱动教程
Ubuntu18.04安装Docker
01-07
１．sudo apt-get remove docker docker-engine docker.io containerd runc 首先移除已经装好的Docker ２．sudo apt-get install apt-transport-https ca-certificates curl gnupg-agent software-properties-common ３．sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg | apt-key add – 这就安装完成了 最好再添加阿里云镜像源，这样拉取镜像更快一些，类似
onnx2tensorRt:tensorRt推断darknet2onnx pytorch2onnx mxnet2onnx
04-12
张量推论 author is leilei 环境 darknet mxnet1.6 + pytorch1.5 + (yolov5 support pytorch1.4+) tensorRt7 + (tensorRt7 support python3.4-3.7) onnx1.5 + (tensorRt7 support onnx1.5) onnxruntime 1.0 python3.6 + docker-cuda10.2 + ubuntu16.04 or ubuntu18.04 (1) yolov4(v3) tensorRt inference python version (2) yolov5 tensorRt inference python version (3) insightface gend
ubuntu18.04gcc.zip
10-29
ubuntu18.04 离线安装gcc
darknet-docker:用于运行darknetYOLO的Dockerfile集合
05-10
暗网码头工人 此存储库包含Docker映像的集合，可用于在不同的设备（主要是NVIDIA Jetson TX2）上运行暗网（YOLO）。 在Jetson TX2上运行 因为在撰写本文时， nvidia-docker jetson-tx2/darknet-docker ，所以我在jetson-tx2/darknet-docker下包含了一个类似的包装脚本，可用来代替在jetson-tx2/darknet-docker docker run的docker，如下所示： ./darknet-docker run --rm -it jcjimenez/darknet-docker:jetson-tx2-latest 在GPU机器上运行 确保已安装nvidia-docker来运行： nvidia-docker run --rm -it jcjimenez/darknet-docker:gpu-la
ubuntu18.04 安装 NVIDIA 显卡驱动
17902的博客
03-23 2405
由于最近在ignition gazebo中做仿真，发现启动ignition时报错：显卡驱动不支持OpenGL3.3，于是需要在ubuntu18.04中安装支持的显卡驱动.主要是做一个过程记录，以后可能还会用到。
Ubuntu18.04安装NVIDIA显卡驱动
热门推荐
仰望天空-脚踏实地
12-19 4万+
参考 http://www.mamicode.com/info-detail-1434964.html 1.在官网下载Nvidia驱动 根据自己的型号下载：放在/Downloads下 GeForce RTX 2080 Linux 64-bit English(US) 2. 屏蔽开源驱动 nouveau sudo gedit /etc/modprobe.d/blacklist.conf 添加以下内容...
Ubuntu 18.04安装CUDA 11.4.3和cuDNN 8.2.4
星光
12-14 4619
参考链接：https://blog.csdn.net/chook_you_too_b/article/details/115326310 CUDA和cuDNN为NVIDIA支持GPU运算以及深度神经网络计算加速的算法库。通常需要安装以支持利用GPU加速神经网络的训练和推理。 在已经安装NVIDIA显卡驱动的情况下，输入nvidia-smi查看显卡信息和适合的CUDA版本。同时，可以在如下的cuDNN版本下载网页查看cuDNN和适配CUDA的版本对应关系。 CUDA版本下载：https://devel.
Ubuntu下安装nvidia显卡驱动(安装方式简单)
09-14
主要介绍了Ubuntu下安装nvidia显卡驱动，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
BMW-YOLOv4-Inference-API-GPU：这是使用Yolov3和Yolov4 Darknet框架的无代码对象检测推理API的存储库
01-30
YOLOv4-v3 Darknet GPU推理API 这是使用Yolov4 Darknet框架的对象检测推理API的存储库。 该存储库还与Yolov3 darknet模型具有交叉兼容性。 该存储库还支持最新的Yolov4模型 此基于。 推理REST API可在GPU上运行。 它仅在Linux操作系统上受支持。 使用我们的培训自动化Yolov4和Yolov3存储库训练的模型可以部署在此API中。 可以同时加载和使用多个对象检测模型。 要选择Yolov4而不是Yolov3培训，只需在模型文件夹内的config.json中更改推理引擎名称即可。 可以使用docker或docker swarm部署此仓库。 请仅在需要以下情况时使用docker swarm ： 在API容器方面提供冗余：如果容器发生故障，传入的请求将被重定向到另一个正在运行的实例。 容器之间的协调：Swarm将在API之间进行协调，并选择其中一个以监听传入的请求。 扩展推理服务，以便获得更快的预测，尤其是在该服务上有流量时。 如果不需要上述任何要求，只需使用docker即可。 先决条件 Ubuntu 18
ubuntu-18.04.6下载
06-13
欢迎大家下载，亲测可用
ubuntu18.04的docker-nvidia2离线deb安装包
09-25
从官方拉取的ubuntu18.04系统的docker-nvidia2安装包，解压后直接dpkg -i *.deb安装即可
Ubuntu18.04安装Nvidia显卡驱动教程(图文)
09-14
主要介绍了Ubuntu18.04安装Nvidia显卡驱动教程(图文)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Ubuntu 18.04 安装 NVIDIA显卡驱动及CUDA包.pdf
11-21
解决NVIDIA显卡驱动无法安装CUDA自身驱动与原生驱动冲突，此文章简单教会大家怎么在Ubuntu 18.04 安装 NVIDIA显卡驱动及CUDA包。
ubuntu18.04系统安装+换源+显卡驱动安装+Anaconda+CUDA+cudnn+pytorch+tensorflow安装
shaqilaixi2的博客
08-24 4487
TOC ubuntu18.04系统安装+显卡驱动安装+Anaconda+CUDA+cudnn+pytorch+tensorflow安装 近期安装了ubuntu18.04，并且进行了换源，以及显卡驱动安装和深度学习环境的搭建，把我自己总结的一些经验分享在这里，给大家提供参考 1. ubuntu18.04系统镜像下载与安装工具制作 乌班图官网：https://ubuntu.com/ ubuntu官网桌面镜像下载网址：https://ubuntu.com/download/desktop ubuntu官网桌面镜像
18.04ubuntu安装nvidia显卡
weixin_53765004的博客
11-29 135
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf或者。没有信息显示，说明nouveau已被禁用，接下来可以安装nvidia驱动。重启完之后 nvidia-smi查看是否安装成功。直接选择 NO，意思是安装驱动时不检查X服务。然后这里也没什么事，直接继续就可以了。重启系统（一定要重启），然后验证。按照NVIDIA 如下步骤安装。只有一个选项，选择Ok就行了。一先禁用 nouveau。
ubuntu18.04安装nvidia-docker
03-16
要在Ubuntu 18.04上安装nvidia-docker，您可以按照以下步骤操作： 1. 安装Docker CE 您需要先安装Docker CE。您可以按照官方文档的说明进行安装：https://docs.docker.com/install/linux/docker-ce/ubuntu/ 2. 安装NVIDIA驱动程序 您需要安装适用于您的NVIDIA GPU的驱动程序。您可以使用以下命令来安装最新的NVIDIA驱动程序： ``` sudo apt-get install nvidia-driver-440 ``` 3. 安装nvidia-docker 您可以使用以下命令来安装nvidia-docker： ``` curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo pkill -SIGHUP dockerd ``` 4. 验证安装 您可以使用以下命令来验证nvidia-docker是否正确安装： ``` docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi ``` 如果一切正常，您应该能够看到NVIDIA GPU的信息。 希望这可以帮助您安装nvidia-docker！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

赫庆淳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值