运行yolo时,莫名出现cuda error的解决办法

最近在加载yolo模型时,总是无缘无故出现cuda error的错误,初步判断为环境问题,所以讲yolo编译中需要注意的问题总结如下:
一、Darknet编译使用GPU要求显卡是Nvidia卡并且正确安装了CUDA。
GPU环境下的编译配置都是在 /darknet/Makefile 文件中定义的,GPU环境的编译有3点更改需要注意。
1. 更改Makefile前两行GPU和CUDNN的配置:
GPU=1
CUDNN=1
2、更改CUDA的路径
48~51行,在”ifeq ( (GPU),1)CUDAifeq( ( G P U ) , 1 ) ” 语 句 块 中 修 改 为 自 己 的 C U D A 安 装 路 径 , 更 改 前 默 认 路 径 如 下 : i f e q ( (GPU), 1)
COMMON+= -DGPU -I/usr/local/cuda/include/
CFLAGS+= -DGPU
LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand
将三处的cuda路径改为自己本机上的路径即可
修改NVCC的路径:
NVCC=/usr/local/cuda-8.0/bin/nvcc
3、修改ARCH配置(该项在以前编译的过程中压根就没有注意,但是最近出现的cuda error都是因为这个隐秘的大坑。工程从别处拷贝个过来,两台机器的显卡不一样,但是本人直接编译。工程是直接可以编译的,但是一运行yolo模型就会出现cuda error。各位同学应该紧密关注自己显卡的型号,并将arch配置成符合自己显卡型号的配置)
如果经过1和2的配置修改后编译的darknet运行可能会报以下错误:
Loadingweights from yolo.weights…Done!
CUDA Error:invalid device function
darknet: ./src/cuda.c:21: check_error: Assertion `0’ failed.
Aborted (core dumped)
就是上述忽略自身显卡型号造成的。
这是因为配置文件Makefile中配置的GPU架构和本机GPU型号不一致导致的。
更改前默认配置如下(不同版本可能有变):
ARCH= -gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
-gencode arch=compute_50,code=[sm_50,compute_50] \
-gencode arch=compute_52,code=[sm_52,compute_52]

-gencode arch=compute_20,code=[sm_20,sm_21] \ This one is deprecated?

This is what I use, uncomment if you know your arch and want to specify

ARCH= -gencode arch=compute_52,code=compute_52

compute_30表示显卡的计算能力是3.0,几款主流GPU的compute capability列表:
GTX Titan x : 5.2
GTX 980 : 5.2
Tesla K80 : 3.7
Tesla K40 : 3.5
K4200 : 3.0
修改过后重新编译即可

  • 3
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 4
    评论

“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 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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