（一）videopipe环境配置

已于 2024-07-17 17:07:25 修改
阅读量647 收藏 7
点赞数 6
文章标签： webpack 前端 node.js
于 2024-07-10 14:52:48 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/weixin_64735714/article/details/140272222
版权

一、nvidia驱动安装：nvidia-smi

bug: could not communicate to nvidia driver 无法链接到驱动

原因：

  1. linux内核升级了，导致nvidia-drivier安装时的内核和当前内核版本不一致；需要重新安装驱动; uname -r 查看当前内核；
    1. ubuntu需要关闭内核更新 apt-mark hold linux-headers-xxx-gerneric linux-image-xxx-generic 这两个模块是内核相关的 再 /usr/src文件夹下
  2. 主机的secure boot没有disable，务必确保关闭。

二、opencv+contrib+cuda源码编译：

  • gstreamer环境安装： apt install   一串串 参考videopipe的env.md
  • linux opencv>4.6 需要安装4.6的版本，且要findpackage可以识别

教程：https://blog.csdn.net/weixin_54435584/article/details/126981559

2.1 opencv源码编译安装

要求：opencv>4.6 带cuda
因为网络推理使用的是opencv dnn的接口

  • cache文件，直接放在opencv-4.6.0文件下即可，名称为.cache，解压之后，就直接编译就可以了。 我已经上传到资源了，需要自取https://download.csdn.net/download/weixin_64735714/89530489
    • 百度网盘链接：链接：https://pan.baidu.com/s/1T5-zU7TQyaVpRWHonRP9rg?pwd=zebx 提取码：zebx 
    • 太省事了；opencv根据不同的显卡架构，选择编译选项；这里面是要有gstreamer的。
    • 之后会将nvcc(cuda)、opencv460、videopipe的环境，打包为一个docker image镜像和一个docker container直接使用的，上传到百度云盘。TODO
# 先安装依赖
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff5.dev libswscale-dev libjasper-dev  



cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D WITH_TBB=ON \
-D ENABLE_FAST_MATH=1 \
-D CUDA_FAST_MATH=1 \
-D WITH_CUBLAS=1 \
-D WITH_CUDA=ON \
-D BUILD_opencv_cudacodec=OFF \
-D WITH_CUDNN=ON \
-D OPENCV_DNN_CUDA=ON \
-D CUDA_ARCH_BIN=6.1 \ # cuda显卡算力，这里需要修改，7.0 7.5 8.6 算力需要针对性修改
-D WITH_V4L=ON \
-D WITH_QT=OFF \
-D WITH_OPENGL=ON \
-D WITH_GSTREAMER=ON \
-D OPENCV_GENERATE_PKGCONFIG=ON \
-D OPENCV_PC_FILE_NAME=opencv.pc \
-D OPENCV_ENABLE_NONFREE=ON \
-D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.6.0/modules \
-D INSTALL_PYTHON_EXAMPLES=OFF \
-D INSTALL_C_EXAMPLES=OFF \
-D WITH_FREETYPE=ON \
-D BUILD_EXAMPLES=OFF ..

 最后要在环境中找到：需要make install 

2.2 超级大坑：无freetype.hpp的解决办法，apt install libfreetype6-dev libharfbuzz-dev

  • 最重要的是：要让opencv的CMake模块，也就是opencv_contrib/modules/freetype/CMakeLists.txt中FIND freetype harfbuzz，只有在found的情况下，才会编译libopencv_freetype.so库，所以这里要确保found很重要；最简单的就是apt的install安装，直接安装到环境中，pkg-config可以直接找到。所以关键的是要找到apt install的具体的包名是啥。
  • opencv4.6.0编译成功之后，就可以去cmake videopipe工程了。

 apt install libfreetype6-dev Building HarfBuzz: HarfBuzz Manual

git clone https://github.com/harfbuzz/harfbuzz.git

有用的就只有这两条，然后opencv下面重新CMake，直到确认有了freetype found harfbuzz found就算OK了，才有可能去编译freetype的contrib module模块，才有可能生成linbopencv_freetype.so库，我靠，太烦了。

sudo apt install gcc g++ libfreetype6-dev libglib2.0-dev libcairo2-dev
apt install libharfbuzz-dev
sudo apt install gcc g++ libfreetype6-dev libglib2.0-dev libcairo2-dev
sudo apt-get install meson pkg-config gtk-doc-tools
meson build
meson compile -C build

三、其他环境依赖解决办法

3.1 cuda_runtime_api.h no such file 解决办法：cuda的环境变量，头文件/库文件/可执行文件，路径要加入到环境变量中去；但这里都是临时加入

永久加入，需要vim /etc/profile 是所有的用户；vim ~/.bashrc是当前用户；将export命令写入到这两个文件中，是永久生效的。

ERROR: cuda_runtime_api.h: No such file or directory_cuda-runtime-api.h error-CSDN博客

export CUDA_HOME = /usr/local/cuda-10.1

export CPATH=/usr/local/cuda-10.1/targets/x86_64-linux/include:$CPATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/targets/x86_64-linux/lib:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.1/bin:$PATH

3.2 找不到NvInfer.h  解决办法：Tensorrt的头文件加入到库中

echo CPATH=/.../TensorRT/include:$CPATH

export CPATH=/usr/local/include/opencv4:$CPATH # opencv老是识别不了，吐血

加入到环境变量中就可以了

3.3 vscode debug：要修改launch.json里面的program名称为自己的bin下面的可执行文件

需要gdb有，才可以debug

apt-get install gdb

3.4 CMake warning no CUDA_ARCHITECTURES

cmake工程出现“CMAKE_CUDA_ARCHITECTURES must be non-empty if set.“的解决方法_failed to detect a default cuda architecture-CSDN博客

cmake -DCMAKE_CUDA_ARCHITECTURES=86 -DCMAKE_CUDA_COMPILER=“/usr/local/cuda/bin/nvcc” 添加一个编译选项

 3.5 no libnvinfer.so.8

库里面是Libnvinfer.so 所以创建软连接

ln -s libnvinfer.so libnvinfer.so.8

3.6 编译报错Could NOT find TBB (missing: TBB_INCLUDE_DIRS TBB_LIBRARIES)

在camke 里面添加：-D BUILD_TBB=ON 就会从github下载Tbb源码来编译，就OK了；要科学上网才能下在成功 2.6M左右。

用下面的没成功

编译一个工程的时候报错Could NOT find TBB (missing: TBB_INCLUDE_DIRS TBB_LIBRARIES)如下图：

解决办法：
sudo apt-get update
sudo apt-get install libtbb-dev

四、终极解决办法：docker images docekr container

将好不容易配好的环境打包为docker镜像和容器，下次直接使用。

  • 2024年7月17日17:03:51 更新
    • docker建立失败，感觉是tensorrt不能使用doceker的方式。——docker里面使用tensorrt，我有C++项目是成功推理实现了的。感觉路径是可行的。
    • 这个videopipe的项目在docker中确实是失败了，同样的编译过程，同样的代码。拿到linux物理机中，就可以跑通。
    • 但在docker中，就一直出现segmentation fault， tensorrt老挂在REGISTER_TENSORT_PLUGIN这里，老是段错误。跟tensorrt有关，不知道为啥。所以这个docker基本无法运行，只有放弃。
    • 不知道编译好的opencv之后能否直接拿来make install。未知，这样可以少一个步骤。

  • 打包容器和镜像的办法
docker save -o xxx.tar 镜像ID # docker镜像导出
# 不要使用docker save > xxx.tar 不好使，load的时候导入不了，会失败，亲测
docker load -i xxx.tar # docekr从tar包导入镜像


# docker将容器打包为镜像，最好将容器的建立命令也一起说明
docker export > xxx.tar
docker import < xxx.tar


# 容器中需要使用显卡时，需要使用nvidia-docker表面里面有显卡服务
NV_GPU=0 nvidia-docker run -it --name=zzz -v /local_data:/workspace -p 8000:22 --shm-size 8G --privileged=true  image_name /bin/bash


# 容器打包为惊喜那个
docker commit 容器ID bevlane:v1.o # 容器ID bevlane是镜像名称 可能需要几分钟时间

apt配置环境

在 GPU 上运行 nvinfer1：：createInferBuilder 时 TensorRT 8.5.3 分段错误：驱动器 AGX ORIN ·问题 #3507 ·英伟达/TensorRT (github.com)

sudo apt-get install cuda-toolkit-11-8 libcudnn8=8.8.0.121-1+cuda11.8 libnvinfer8=8.5.3-1+cuda11.8 libnvinfer-plugin8=8.5.3-1+cuda11.8 libnvonnxparsers8=8.5.3-1+cuda11.8libnvparsers8=8.5.3-1+cuda11.8

4.1 Tensorrt版本要8.5，否则trt_yolo8不支持，一加载就挂

ubuntu下使用TensorRT，deb包本地安装，会安装到操作系统中，但这样只能安装一个版本的TensorRT，不可以多版本共存，想要同时使用不同的版本的话，需要tar包的方式安装。

NVIDIA TensorRT 8.x 下载 |NVIDIA 开发人员

4.1.1 查看cuda tensorrt cudnn的版本之间的依赖关系/支持关系

Support Matrix :: NVIDIA Deep Learning TensorRT Documentation

4.1.2 TensorRT8.5.3环境依赖

Support Matrix ：： NVIDIA Deep Learning TensorRT 文档

  • cuda: 10.2, 11.0~11.8
  • cudnn:cudnn 8.6.0
  • cuBLAS

weixin_64735714
关注
VideoPipe 开源项目使用教程
gitblog_00978的博客
09-15 843
VideoPipe 开源项目使用教程 VideoPipe 跨平台的视频结构化（视频分析）框架，觉得有帮助的请给个星星 : ) 。**VideoPipe下一版本正在开发中，在保证跨平台、易上手的前提下，预计性能直逼deepstream等各硬件平台官方框架**。 ...
（二）videopipe的代码结构梳理
weixin_64735714的博客
07-23 1211
重写videocapture类后，每路流2个线程，CPU解码40路1080p视频，一共121个线程。（40*2+40*1消费线程+1主线程）——以后都将改为基于ffmpeg的了。随便创建一个videocapture，open后什么都不敢，top看线程久涨了十几个。PPT➕代码➕视频 （PPT已打印/代码已调通配好环境/视频已生成文稿）视频可以被查询/被比对/分类/被计算，进而被机器理解，减轻人工负担。资源建议：b站北小才的视频智能检测，C++。介绍，飞书介绍的链接，怕失联。视频结构化的应用场景：前述。
使用VideoPipe视频分析框架做车辆检索
博客园地址
12-19 826
车辆检索是ReID技术的一种具体实现，跟以图搜图类似，需要使用CNN网络预提取海量车辆样本特征并进行存储（附带一些结构化属性），在检索阶段，再使用向量比对技术从海量样本中查询Top N的相似结果并返回。VideoPipe视频分析框架可以快速集成目标检测、图像分类、特征提取等神经网路图像算法，支持多种视频（图片）接入方式，下面代码读取指定目录下的图片，先后进行车辆检测、车型分类、特征提取等操作，最后基于车辆检测和分类的结果、以及提取得到的特征值做显示和聚合。下面介绍使用VideoPipe实现车辆检索的过程。
使用VideoPipe视频分析框架做车牌识别相机
博客园地址
03-05 654
车牌识别相机一般指带有AI算力的前智能摄像机，牌识算法直接运行在设备端（也就是常说的“边端云”中端侧）。常见用于牌识相机的硬件平台有海思、瑞芯微（RV11系列）、英伟达（Jetson系列）等，各平台都提供对应的深度学习模型硬件加速部署库。VideoPipe视频分析框架能够胜任99%的视频结构化需求，覆盖了人脸识别、目标行为分析、车辆检索等等应用场景。VideoPipe完全开源（仅供学习），github地址（github.com/sherlockchou86/video_pipe_c）
VideoPipe: 跨平台视频结构化分析框架
最新发布
2401_87189860的博客
10-09 558
VideoPipe是一个用C++编写的跨平台视频分析和结构化框架。它采用管道式设计,每个节点都是独立的,可以灵活组合以满足不同的应用需求。VideoPipe的主要目标是简化视频分析应用的开发过程,使开发者能够快速构建高效的视频处理系统。
VideoPipe:简单的原型制作和直观的实时视频处理-开源
05-12
VideoPipe是一个应用程序，允许用户直观地连接和操纵视频处理模块，以创建用于视频流的实时过程和可配置处理流水线。 它允许用户以直观的方式使用处理模块进行实验，并在系统运行时调整其参数，从而使视频处理管道的开发和原型制作变得更加快捷和轻松。 此处提供更多说明和视频教程：http://siggiorn.com/videopipe
智慧视频分析结构化框架VideoPipe安装
m0_52683886的博客
06-07 2303
● VideoPipe 这是一个用于视频分析和结构化的框架，采用 C++ 编写、依赖少、易上手。它就像一个管道每个节点相互独立可自行搭配，用来构建不同类型的视频分析管道，适用于视频结构化、图片搜索、人脸识别、安防领域的行为分析（如交通事件检测）等场景。● VideoPipe和Deepstream类似● VideoPipe 框架将视频分析/处理的步骤，抽象成了一个管道（pipe），每一步的处理都是管道中的一个节点（Node），处理流程如下：a. 视频读取 Node：完成读取视频和解码的工作。
开源视频分析结构化框架：VideoPipe
2401_83063795的博客
05-17 1071
VideoPipe：洞察每一帧精彩，VideoPipe赋能未来视界，让视频分析更智慧、更高效
使用VideoPipe视频分析框架做人脸识别
博客园地址
02-29 968
人脸识别严格来讲也是ReID技术的一种具体应用，跟图搜类似，需要使用CNN网络`预提取`人脸样本特征并进行存储（附带一些结构化属性，如姓名、性别等）。在识别阶段，再使用向量检索技术从海量样本中查询Top 1的相似结果并返回。那么前期预提取海量人脸样本特征（以及结构化属性）该如何实现呢？VideoPipe视频分析框架能够胜任99%的视频结构化需求，覆盖了人脸识别、目标行为分析、车辆检索等等应用场景。
vp视频结构化框架（2022/9/15更新）
博客园地址
08-15 956
完成多路视频并行接入、解码、多级推理、结构化数据分析、上报、编码推流等过程，插件式/pipe式编程风格，功能上类似英伟达的deepstream和华为的mxvision，但底层核心不依赖复杂难懂的gstreamer框架（少部分地方需要），框架主干部分主要使用原生C++ STL实现。框架可用于：视频结构化、以图搜图、目标行为分析等应用领域。............
C#利用ffmpeg的image2pipe参数实现USB摄系头本地预览同时推流
04-08
在C#编程环境中，利用ffmpeg库来实现实时USB摄像头预览并同步推流是一项技术挑战，但也是可能实现的功能。以下将详细讲解如何通过ffmpeg的`image2pipe`参数来达成这一目标。 首先，我们需要了解`ffmpeg`。FFmpeg是...
yolov5道路交通标志识别+训练好的道路指示牌识别权重+pyqt界面+数据集
06-19
1、yolov5道路指示牌识别，包含训练好的道路指示牌识别权重，以及PR曲线，loss曲线等等，在道路指示牌识别数据集中训练得到的权重，有pyqt界面，目标类别名为trafficlight；speedlimit；crosswalk；...
基于face_recognition的人脸识别程序（详细环境配置过程）
weixin_43056332的博客
06-06 619
基于face_recognition的人脸识别程序
使用Python+OpenCV+DVG-Utils实现人群计数与目标跟踪
深度学习与计算机视觉
11-17 5108
dvg-utils是一组工具，可以帮助你使用OpenCV快速构建图像和视频处理管道。在不同的平台和设备上进行计算机视觉和深度学习的实验带来了许多挑战，尤其是当你希望与团队共同维护一个代码...
VideoPipe可视化视频结构化框架更新总结
wsnbb_2023的博客
07-19 311
支持以图片格式输出结果（文件或UDP），频率可调、各通道互相独立。支持以图片方式输入（文件或UDP），频率可调、各个通道互相独立。增加了基于mask-rcnn的实例分割插件和相关sample。新增了基于ENet网络的语义分割插件和sample。
GStreamer系列之ubuntu18上安装使用
热门推荐
kkae8643150的专栏
02-28 1万+
正文 参考文档 官方： https://gstreamer.freedesktop.org/documentation/installing/on-linux.html?gi-language=c 系列教程：https://www.cnblogs.com/xleng/p/10948838.html 安装前置 sudo apt update sudo apt-get install libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreame
Linux学习笔记（十三）madiepipe开发
万法自然的博客
03-11 3675
文章目录1、简介2、源码编译2.1、安装bazel2.2、安装mediapipe2.3、使用GPU2.3.1、安装OpenGL ES2.3.2、配置TensorFlow的CUDA支持3、MediaPipe Hands4、MediaPipe Pose5、dlib mediapipe github：https://github.com/google/mediapipe mediapipe 官网：https://google.github.io/mediapipe/ dlib 官网：http://dlib.net
OpenFPGA系列（一）开发环境搭建
一名FPGA芯片设计爱好者的技术博客
12-29 4036
文章目录一、Code下载与编译1.1 工具安装1.2 编译 注：转载请注明出处 记录下学习过程，个人水平有限，可能理解有误，后续若发现错误之处，会及时更新。 一、Code下载与编译 1.1 工具安装 系统： ubuntu 20.04 64位 开发工具版本要求： gcc/g++ 5+ cmake 3.12+ gtk+ 3.0 iverilog 10.1+ (用于 Verilog-to-Verification flow) 可通过 gcc/cmake --version进行版本查看， (1) GTK3.0
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
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