2.7环境配置篇

IT小艺

已于 2024-05-19 22:57:50 修改

阅读量1.2k

点赞数 10

分类专栏： RoboMaster 文章标签：环境配置英伟达GPU jetson系列

于 2024-05-18 12:16:23 首次发布

本文链接：https://blog.csdn.net/qq_64079631/article/details/139023255

版权

RoboMaster 专栏收录该内容

26 篇文章 9 订阅

订阅专栏

经验：

众所周知，配环境是非常令人痛苦（快乐）的过程，习惯了就好。
配环境要看别人的文章，因为你不熟悉流程，找文章也要找到适合的，别人的电脑、系统、架构、版本跟你的又不是一模一样，你按着别人的文章来有可能出错。所以，我们看文章配置环境看的是大概流程，而不是复制粘贴别人的。

配环境不是复制粘贴，要理解操作、命令是干什么的，你需要什么版本......这并不容易的，而且，安装的依赖、库大多是从外网下的，很慢，容易失败，所以，需要懂得科学上网。

配环境前，需要明确：

1.系统版本

你用的是什么系统，什么版本：windows10,windows11 , ubuntu18,ubuntu20 , centos, mac
2.芯片架构:

x86架构 , arm架构 , RISC-V架构
3.安装依赖的顺序

比如安装yolo环境python库的顺序：numpy->torch->yolo
4.每个依赖的最低版本要求

先确定编程语言的最低版本，比如yolo环境中：>=python3.6 ，在确定其他库的最低版本，比如 opencv大于等于4.5版本

需要安装什么环境，官方文档应该列有硬件要求和最低版本要求
5.确认系统是否自带有需要的库和依赖，是否需要更新依赖的版本

比如英伟达的jetson nano自带有opencv，你总不能不清不楚的直接安装高版本的opencv进去吧，旧的还没有删除，这样直接出大问题。

......

只要是有关英伟达显卡的环境，一定不能直接复制安装，先确认电脑显卡驱动是否最新、cuda和cudnn的版本是否最新，安装对应的适配版本，版本可以向下兼容
哪怕是python的第三方库，上网找该库是否支持GPU版本，指定该版本。比如pip3 install onnxruntime-gpu

实战

来，咱们安装一下yolov8环境和TensorRT环境：

确定电脑资源，我的是：英伟达P4000显卡，windows10 系统，cuda12.2

查看cuda版本：终端输入nvidia-smi 命令查看显卡驱动版本和cuda版本，检查显卡驱动是否要更新。然后，用命令 nvcc --version 查看cuda版本。如果两个命令显示的cuda版本不一样，说明你的cuda版本旧了，需要安装最新的版本。
(10 封私信 / 82 条消息) 英伟达驱动版本、CUDA 和 cuDnn 之间版本的关系是怎样的？ - 知乎 (zhihu.com)

看下面文章，根据自己的情况安装对应的cuda和cudnn版本

Cuda和cuDNN安装教程(超级详细)-CSDN博客

如果是更新安装，需要把旧版本的环境变量给删了。

1.安装yolov8环境

如果下载的速度慢，在windows中为终端设置代理：终端代理

直接下载yolov8源码：ultralytics

打开源码文件pyproject.toml看看，里面有需要的库的最低版本要求。

进入源码文件pyproject.toml所在的目录，在python的虚拟环境输入命令安装：

pip3 install -e .

pip3 install ultralytics

pip3 install yolo

pip3 list

此时你会看到有torch和torchviosn，不过yolov8默认安装的是CPU版本的，我们需要安装GPU版本的。

安装GPU版本的torch和torchvision：

官网复制命令安装：PyTorch

注意：选择的torch版本要跟你CUDA版本最接近的版本且低于该版本，假如你的cuda版本是11.9，你不要安装高于cuda11.9的torch，你可以安装cuda11.0的torch，一般来讲，版本是向下兼容的。

安装torch和torchvision的版本必须对应： G版本对应。不过官方的安装命令已经帮你自动适配torch torchvision torchaudio 三个的版本，你只需要指定cuda版本就行

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

pip list 查看torch版本是否有 -cu11
导入torch验证是否安装成功： print(torch.version.cuda)

2.安装TensorRT环境

pip3 install onnx
pip3 install onnx-simplifier

要注意onnxruntime-gpu, cuda, cudnn三者的版本要对应: NVIDIA - CUDA | onnxruntime

pip3 install onnxruntime-gpu==1.17.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装pycuda之前必须要安装 visual studio 软件，因为需要用到它的构建工具，尽量指定版本，不指定默认安装最新版本，不用复制我的，自己找对应版本

pip3 install pycuda==2024.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装tensorrt可以直接安装库，但不建议

pip install tensorrt-cu12（不建议）

看这篇文章，下载tensorrt源码，找到对应的版本安装

TensorRT(一)Windows+Anaconda配置TensorRT环境 (Python版 )_conda tensorrt-CSDN博客

TensorRT安装部署指南（Windows10） - 知乎 (zhihu.com)

安装完毕后，执行命令把.onnx转成 .engine

trtexec --onnx=model.onnx --saveEngine=model.engine

如果遇到Error[1]: Unsupported SM: 0x601并导出失败，可能是tensorrt的版本不对，比如我的cuda12.2在官方那里对应的版本是tensorrt10，但是导出失败，我换成tensorrt8.6版本后就行了，就是说配环境很神奇，我不干了。

tensorrt官方的python推理代码在目录下面：

你的路径\TensorRT-8.6.1.6\samples\python\detectron2\infer.py

跑官方代码，懂得怎么推理，就可以了。

英伟达jetson nano 配环境

这才是真正的配环境，看这位老兄的经历：

miivii域控制器(Xavier)实现TensorRT加速后的Ultra-Fast-Lane-Detection项目_build tensorrt on xavier-CSDN博客

windows文件移动到ubuntu时注意符号不兼容的问题

jetson nano ，ubuntu18 ,

我也不想在这里写了，后面再续.......

Docker解千愁

如果你嫌配环境太麻烦了，你就去学docker，它能救你一命

什么是Docker？看这一篇干货文章就够了！ - 知乎 (zhihu.com)

尚硅谷Docker实战教程（docker教程天花板）_哔哩哔哩_bilibili

最后

作为IT行业的人员，配环境只是基础的，而学框架才是主要目的。我们每学一个框架，总要看官方文档，总要下载官方源码的。官方文档里有框架的原理，也有配环境的基础教程，这两部分要重点关注的，而官方源码里有代码的示例教程，我们不要忘了框架的根在哪。比如我们学yolo框架，我们先找到官方的文档看看，如果全是英文看不懂就借助翻译软件，也可以上网搜别人总结出的文章，然后下载官方源码，按照官方文档配环境，最后跑一下官方示例，深入了解官方给的代码。

未来的路很长，当你配环境遇到问题时，静下心来，自己定位问题、解决问题，少一些负面的情绪，不懂的就多学，多问，多配环境，我相信，在配环境的压力下，你会成长的很快、很快。