ubuntu18.04环境下的darknet+yolov3搭建及程序演示

最新推荐文章于 2024-08-01 08:17:37 发布

Runtian Qin

最新推荐文章于 2024-08-01 08:17:37 发布

阅读量2w

点赞数 21

分类专栏：教程文章标签： yolo 人工智能 darknet ubuntu opencv

本文链接：https://blog.csdn.net/weixin_41851439/article/details/88712465

版权

教程专栏收录该内容

3 篇文章 2 订阅

订阅专栏

前言：

此次环境搭建使用的硬件平台是一台微星笔记本，运行速度足够学习使用。本文仅介绍环境的搭建。yolo的使用教程会在后续更新，欢迎持续关注。

本文参考以下博客：

https://blog.csdn.net/debjiu/article/details/80824439

https://blog.csdn.net/Jeff_zjf/article/details/84846350

https://blog.csdn.net/qq_36362060/article/details/80739573

https://blog.csdn.net/vilmaigic/article/details/81412671

https://blog.csdn.net/kevineeo/article/details/84572589

想简单了解下darknet框架和yolo请点击这里：

介绍一个相对小众的深度学习框架Darknet，其YOLO神经网络算法对目标检测效果显著

本平台环境参数：

gpu：GTX 1060
cpu：intel i7-7700HQ
内存：16GB
Ubuntu版本：18.04
NVIDIA驱动版本：390.116
cuda版本：cuda_9.0.176_384.81_linux
cudnn版本：cudnn-9.0-linux-x64-v7.1
opencv源码版本：2.4.13.6

下面是一些程序演示：

（1）准确识别出了11名足球队员，在使用gpu运算并开启cuda加速的情况下运算耗时0.094s。见下图：

（2）而使用cpu运算，耗时23.69s,由此可见gup对运算的提速效果显著。见下图：

（3）进行视频检测，这是我旅游时拍摄的一小段视频。

FPS：9.4

GPU占用：93%

显存占用：76%

下面开始搭建环境啦！安装顺序如下：

安装NVIDIA驱动
安装CUDA并配置Cudnn
opencv安装
安装darknet

一.安装NVIDIA显卡驱动

安装显卡驱动有添加ppa源和下载官方安装包的方法。

这里介绍一个相对简单点的方法为ubuntu 18.04安装显卡驱动：

（1）查看gpu和推荐的驱动版本：

$ ubuntu-drivers devices

（2）然后进行自动安装

$ sudo ubuntu-drivers autoinstall

在设置里面点击详细信息，如果显示出显卡信息就说明显卡驱动安装成功了。

二.安装cuda并配置cudnn

（1）对GCC降级

Ubuntu 18.04预装GCC的版本为7.3,而cuda编译需要更低的版本，这里对gcc进行手动降级至4.8版本。

对gcc降级：

sudo apt-get install gcc-4.8

对g++降级

sudo apt-get install g++-4.8

然后进入到/usr/bin目录下输入：ls -l gcc*

cd /usr/bin
ls -l gcc*

显示结果如下：

 lrwxrwxrwx 1 root root 7th 3月  20 11:38 /usr/bin/gcc -> gcc-7.3

表示gcc链接到gcc-7.3, 需要将它改为链接到gcc-4.8，方法如下:

sudo mv gcc gcc.bak #备份
sudo ln -s gcc-4.8 gcc #重新链接

同理，将g++链接到g++4.8：

sudo mv g++ g++.bak
sudo ln -s g++-4.8 g++

在/usr/bin目录下查看gcc和g++版本

ls -l gcc*
ls -l g++*

显示gcc和g++均链接到4.8版本，则说明安装成功：

（2）下载cuda9.0版本：cuda9.0下载链接

根据电脑配置，选择如下：

然后下载基础安装包和四个补丁至 /home/qrt/Downloads目录下：

（3）安装cuda

进入文件目录 /home/qrt/Downloads,安装cuda9.0

cd  /home/qrt/Downloads
sudo sh cuda_9.0.176_384.81_linux.run

进入安装界面

然后一路accept或者yes，在提示是否安装显卡驱动时（如下图）选择no（因为已经安装过了，否则可能会出现bug）：

接下来安装补丁文件，方法和安装cuda9.0一样：

在/home/qrt/Downloads目录打开终端，分别输入：

sudo sh cuda_9.0.176.1_linux.run
sudo sh cuda_9.0.176.2_linux.run
sudo sh cuda_9.0.176.3_linux.run
sudo sh cuda_9.0.176.4_linux.run

安装补丁。

安装完毕后还需要配置环境，将以下两条加入.barshrc文件中。

打开.barshrc

sudo vim ~/.barshrc

在最后面加入下面两条语句

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}      
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

如下图：

到此，cuda就安装完了。

（4）配置cudnn

下载cudnn需要注册，注册完，下载：cuDNN v7.1.4 Library for Linux

cd /home/qrt/Downloads
tar zxvf cudnn-9.0-linux-x64-v7.1.tgz

复制cudnn里的文件到cuda相关文件夹内

sudo cp /home/qrt/Downloads/cuda/include/cudnn.h    /usr/local/cuda-9.0/include
sudo cp /home/qrt/Downloads/cuda/lib64/libcudnn*    /usr/local/cuda-9.0/lib64
sudo chmod a+r /home/qrt/Downloads/cuda/include/cudnn.h   /usr/local/cuda-9.0/lib64/libcudnn*

三.安装opencv

（1）下载opencv，选择2.4.13.6版本sources文件下载：https://opencv.org/releases.html

下载并解压至/home/qrt/Downloads目录下，然后将文件夹重命名为opencv

（2）执行以下命令安装依赖项：

sudo apt-get install build-essential
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

（3）修改opencv配置文件

1.进入到opencv/cmake 目录下，找到OpenCVDetectCUDA.cmake文件并打开，定位到26行，修改set(HAVE_CUDA 1)为set(HAVE_CUDA 0)。
这里修改的目的是为了避免后面执行sudo make install出现如下的错误信息。

nvcc warning : The 'compute_20', 'compute_20','sm_21' architectures are deprecated

备注：出现上面的错误信息的原因是使用CUDA配置opencv引起的。将HAVE_CUDA 设为0之后，在后面的编译过程中就会关闭CUDA，解决这个问题。

2.进入到opencv 目录下，找到CMakeList.txt文件并打开，定位到176,177行，将ON改为OFF然后保存。

（4）安装opencv

在opencv目录下新建build文件夹，然后执行以下命令：

cd build    #进入到build文件夹
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..    #开始编译
make -j8   
sudo make install -j8

执行完毕就说明opencv配置完成了。

下面进行测试：

没有出现报错信息则说明opencv配置成功了。
四.darknet的安装

（1）可以按照官网上面的步骤来安装：https://pjreddie.com/darknet/yolo/

git clone https://github.com/pjreddie/darknet     下载代码
cd darknet                                        进入darknet目录
make                                              编译

（2）下载权重，然后保存在darknet的目录下

wget https://pjreddie.com/media/files/yolov3.weights

在darknet目录下打开终端，输入：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

就可以进行测试了，如下图：

下面是对darknet目录下的Makefile文件进行的一些修改

每次修改完都需要重新编译

（1）如需使用gpu运算，修改如下，然后保存。

修改完后一定要重新编译，在darknet目录下打开终端，输入：

make clean
make -j8

（2）根据自己电脑的硬件可在Makefile中对ARCH进行修改，我的显卡是GTX1060，算力为6.1（具体算力nvidia官网可查）。

https://developer.nvidia.com/cuda-gpus

修改如下：

显卡算力：

（3）在Makefile文件的第46行，修改为cuda的安装路径。

（4）在程序运行的过程中如果出现以下错误（内存溢出）：

cuda error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.

应该进行如下修改：

将/home/qrt/darknet/cfg目录下yolov3.cfg的修改为：

将
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=16
修改为
[net]
# Testing
batch=1
subdivisions=1
# Training
#batch=64
#subdivisions=16

全文结束啦！欢迎在回复区讨论！

Runtian Qin

关注

21
点赞
踩
190

收藏

觉得还不错? 一键收藏
26
评论
ubuntu18.04环境下的darknet+yolov3搭建及程序演示

前言：此次环境搭建使用的硬件平台是一台微星笔记本，运行速度足够学习使用。本文仅介绍环境的搭建。yolo的使用教程会在后续更新，欢迎持续关注。本文参考以下博客：https://blog.csdn.net/debjiu/article/details/80824439https://blog.csdn.net/Jeff_zjf/article/details/84846350htt...
复制链接

扫一扫