Ubuntu18.04 安装配置BisNetv2-Tensorflow踩坑记录

Ubuntu18.04 安装配置BisNetv2-Tensorflow踩坑记录

欢迎关注 —> 我的博客原文

尝试了一段时间PaddleSeg，被kitti和cityscapes的数据集格式搞到头晕，我又是DL的纯小白，整个配置文件都云里雾里。正好最近在相关的公众号上看到有新的实时语义分割模型，换个口味试试。

参考：Unofficial tensorflow implementation of real-time scene image segmentation model “BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation”

准备工作

Github推荐的测试环境：

• Ubuntu 16.04(x64)
• python 3.5
• cuda-9.0
• cudnn-7.0
• GTX-1070
• tensorflow-gpu 1.12.0

我自己这边的为了PaddleSeg配置的环境：

• Ubuntu 18.04(x64)
• python 3.6.9
• cuda-10.1
• cudnn-7.6.5
• GTX-1070

首先在这个库的requirements列表里tensorrt这个tensorflow的组件对依赖项的版本有比较苛刻的要求。requirements里要求7.0.0.11版本，参考TensorRT官方文档，需要以下依赖：

• 9.0,10.0,10.2的CUDA Toolkit
• TensorFlow 1.14.0（以上）

之前安装的CUDA10.1并不支持tensorrt，因此在使用pip安装时，会提示没有适合的版本可以安装。

更新CUDA和cudnn

因为PaddleSeg要求10.1版本（实测其实PaddleSeg更新后也支持10.2），为了保留CUDA10.1，安装多版本的CUDA。

1. 如何查看当前CUDA以及cudnn版本

   CUDA版本：

   cat /usr/local/cuda/version.txt
   或者
   nvcc --version
   

   cudnn版本：

   cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
   

   注意：使用nvcc --version后显示的CUDA版本和nvidia-smi显示的CUDA可能是不同的，是因为CUDA有runtime API和driver API两种API，nvcc显示的版本是runtime API，而nvidia-smi显示的是driver
   API。（参考文章）

2. 先卸载CUDA10.1的NVIDIA driver。

   sudo apt-get --purge remove "*nvidia*"
   

   卸载后禁用nouveau驱动，参考NVIDIA官方文档

   • 新建conf文件，/etc/modprobe.d/blacklist-nouveau.conf，内容如下：

     blacklist nouveau
     options nouveau modeset=0
     

   • 重新生成内核initramfs信息：

     sudo update-initramfs -u
     

   全部完成后，重启系统。此时系统是无显驱的状态，分辨率会变得很低。

3. 安装CUDA 10.2的新驱动。

   wget http://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
   sudo sh cuda_10.2.89_440.33.01_linux.run
   

   因为卸载了驱动，所以选项全选，驱动和CUDA Toolkit全都安装。

4. 安装cudnn

   cudnn文件下载，选择压缩包文件，解压到cuda文件夹下：

   sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
   sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
   sudo chmod a+r /usr/local/cuda/include/cudnn.h
   sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
   

注：如果多版本共存的情况下，可以把各个版本相对应的cudnn解压到cuda-10.1或者10.2下，切换版本时，只需要更改根目录下.bashrc中的cuda路径设置即可。

注：经实际验证，在Ubuntu18.04+CUDA10.2+TensorRT1.14.0(1.12.0同样)下，运行Github上的test程序会报错运行失败，因此安装按作者的测试环境，重新安装CUDA9.0，步骤同上。

若安装时提示using unsupported comilper，可能是因为GCC的版本不是CUDA9.0要求的版本（可能比较高），在sudo sh cuda_9.0.176_384.81_linux.run后面加上–override即可忽略这个问题。

安装TensorFlow

通过pip安装TensorFlow，因为TensorRT要求为7.0.0.11，此版本要求TensorFlow1.14.0，如果pip安装不指定版本，会自动安装最新版本2.x，并不兼容TensorRT，因此需要指定TensorFlow的版本。

pip3 install tensorflow-gpu==1.14.0 (x)
pip3 install tensorflow-gpu==1.12.0 

检验TensorFlow是否安装成功

>>> import tensorflow as tf
>>> tf.__version__ '1.14.0' ```

如果输出1.14.0则说明安装成功。

注：测试时由于CUDA版本的问题，换回CUDA9.0的同时也按作者的测试环境重新安装了1.12.0版本的TensorFlow。

安装TensorRT

注：经过多次尝试，pip的安装方法无论用什么版本都会提示找不到版本无法安装，在TensorRT的官方文档里也没有pip直接安装的方法。文档中Debian和RPM的安装方法要求CUDA Toolkit和cudnn都用Debian或RPM的方法安装。因为之前CUDA和cudnn选择了多版本共存的安装方式，所以这里只能选择手动解压Tar格式文件安装。TensorRT 7 下载地址，选择Tar格式的安装包。

1. 解压压缩包

   tar -zxvf TensorRT-7.0.0.11.Ubuntu-18.04.x86_64-gnu.cuda-10.2.cudnn7.6.tar.gz
   

2. 添加TensorRT lib路径到环境变量，注意<>内改成自己对应的绝对路径

   export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:<TensorRT-7.0.0.11/lib>
   

3. 安装Python 3.6版本的TensorRT wheel文件

   sudo pip3 install tensorrt-7.0.0.11-cp36-none-linux_x86_64.whl
   

4. 安装Python3.6版本的UFF wheel文件

   sudo pip3 install uff-0.6.5-py2.py3-none-any.whl
   

5. 安装Python graphurgeon wheel文件

   sudo pip3 install graphsurgeon-0.4.1-py2.py3-none-any.whl
   

6. 参照说明文档，运行sample检验是否安装成功（可选）

   cd TensorRT-7.0.0.11/sample/sampleMNIST
   make
   cd TensorRT-7.0.0.11/data/mnist
   python3 download_pgms.py
   cd TensorRT-7.0.0.11/bin
   ./sample_mnist
   

   如果输出手写数字的图像，则通过检验。

至此CUDA Toolkit，cudnn，TensorFlow和TensorRT都安装完毕，进入bisenetv2的目录，安装其他依赖项。

cd bisenetv2-tensorflow
sudo pip3 install -r requirements.txt