[PYTHON] Streben Sie eine einfache Installation von OpenCv und Cuda mit JetPack (NVIDIA SDK Manager) von Nvidia an
Streben Sie eine einfache Installation von OpenCv und Cuda mit JetPack (NVIDIA SDK Manager) von Nvidia an
Bereiten Sie eine Maschine mit der GPU von Nvidia vor
Die Nvidia-GPU benötigt einen PC
$ apt-cache search "^nvidia-[0-9]{3}$"
Finden Sie heraus, welcher Nvidia-Treiber mit apt-cache auf diesem PC installiert werden kann.
Cuda 10.0 ist für NVIDIA SDK Manager installiert. Es sind mehr als 410 NVIDIA-Treiber installiert. Verwenden Sie einen Windows-Computer, der Cuda 10.0 unterstützt, oder verwenden Sie Jatson. Wenn dies nicht unterstützt wird, geben Sie * NVIDIA SDK Manager * auf, senken Sie die Version von Cuda und installieren Sie sie manuell
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html Cuda 10.0 funktioniert nicht, da der GPU-Treiber für ältere PCs 410 oder weniger beträgt
~~ Verwenden Sie eine Software für virtuelle Umgebungen ~~
~~ Parallels Desktop, VMWare usw. Hier verwenden wir parallels-desktop ~~ Nachtrag: Der Geforce-Treiber wird in einer virtuellen Umgebung nicht erkannt Wenn es sich um einen Mac handelt, geben Sie an, ob Sie Linux per Bootboot oder unter Windows starten möchten Ob auf einen externen Jetson Nano übertragen und installiert werden soll (#1)
Ubuntu installieren
Distributionsseite der japanischen Version Ubuntu
Lassen Sie den Cursor mit Strg + Alt los ~~ Die Parallels Tool-CD wird gemountet, daher sollten Sie sie zusammen installieren. ~~
#Aktualisieren
sudo apt-get update
sudo apt-get upgrade
Beziehung zwischen NVIDIA-Grafiktreiber und Cuda-Version
Die Cuda-Version des NVIDIA SDK-Managers ist 10.0. Es funktioniert nicht mit alten PC Gpu und alten Nivida Treibern. Geben Sie entweder die automatische Installation von NVIDIA SDK Manager auf und wechseln Sie zur manuellen Installation, indem Sie die Version von Cuda senken oder einen neuen PC erneuern
Überprüfen Sie, ob die GPU Nvidia ist
sudo lshw -C display
Der virtuelle Videoadapter wird in einer virtuellen Umgebung angezeigt
Der Nivide-Treiber kann nicht in einer virtuellen Umgebung installiert werden, daher der Host-PC(Linux or Windows)Der Nivide-Treiber muss installiert sein
Finden Sie heraus, ob Ubuntu die GPU erkennt
$ sudo ubuntu-drivers devices
Installationsmethode für den Nvidia-Treiber 1
Finden Sie heraus, ob Ubuntu die GPU erkennt
$ sudo ubuntu-drivers devices
Wenn die GPU-Modellnummer korrekt angezeigt wird, führen Sie den folgenden Befehl aus, um den Treiber zu installieren.
$ sudo ubuntu-drivers autoinstall
#Listen Sie die auf Ihrem Computer installierten NVIDIA-Treiber auf
$ dpkg -l | grep nvidia
# apt-Liste der NVIDIA-Treiber, die mit get installiert werden können
$ apt-cache search "^nvidia-[0-9]{3}$"
Überprüfen Sie mit dem Befehl nvidia-smi, ob die Treiberversion und die GPU-Details angezeigt werden
$ nvidia-smi
Wenn es korrekt angezeigt wird, fahren Sie mit der Installation von Cuda fort.
Ich habe eine Fehlermeldung erhalten, als ich nvidia-smi ausgeführt habe
$ nvidia-smi
NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.
nvidia-smi konnte den treiber von nvidia nicht bestätigen. Stellen Sie sicher, dass Sie den neuesten Treiber haben.
In diesem Fall wird das Problem durch Deaktivieren von Nouveau behoben. Erstellen Sie zunächst /etc/modprobe.d/blacklist-nouveau.conf und bearbeiten Sie es wie folgt.
$ sudo vim /etc/modprobe.d/blacklist-nouveau.conf
Füllen Sie den folgenden Inhalt aus
blacklist nouveau
options nouveau modeset=0
Führen Sie als Nächstes den folgenden Befehl aus, um das Kernelmodul neu zu laden.
$ sudo update-initramfs -u
$ sudo reboot
$ nvidia-smi
Starten Sie Ihren PC neu und fahren Sie mit der CUDA-Installation fort, wenn nvidia-smi ausgeführt werden kann
Installationsmethode für den Nvidia-Treiber 2
Laden Sie den [Nvidia-Treiber] herunter (https://www.nvidia.co.jp/Download/index.aspx?lang=jp).
Wählen Sie den installierten GPU-Treiber aus, laden Sie die Run-Format-Datei herunter und installieren Sie sie
$ chmod +x GPU-Treibername.run
$sudo sh GPU-Treibername.run
Überprüfen Sie mit dem Befehl nvidia-smi, ob die Treiberversion und die GPU-Details angezeigt werden
$ nvidia-smi
Vorsichtsmaßnahmen bei der Neuinstallation
Wenn ich zuerst den NVIDIA SDK Manager installiert habe, wurde der neueste NVIDIA-Grafiktreiber installiert. Als ich dann versuchte, den alten Grafiktreiber auf meinem Computer zu installieren, trat ein Fehler auf und ich konnte ihn nicht installieren. Ich habe versucht, mit dem Befehl aptitude für die Abhängigkeitsauflösung eine Neuinstallation durchzuführen, aber er blieb auf dem Desktop-Bildschirm hängen.
Beachten Sie, dass die Maschine hing sudo aptitude install libnvidia-encode-418 Referenz
Es kann besser sein, gehorsam zu deinstallieren und neu zu installieren
sudo apt-get --purge remove nvidia-*
sudo apt-get --purge remove cuda-*
Cuda und OpenCv installieren
Installieren Sie NVIDIA SDK Manager
Kann nur installiert werden, wenn eine Verbindung zum Netz besteht
Laden Sie das JetPack-Archiv herunter, entpacken Sie es und installieren Sie es.
** Sie müssen ein Nvidia-Konto erstellen **
Wählen Sie HostMachien. Wählen Sie JetPack 4.3.
** Aktivieren Sie unten nach dem Download unbedingt Installieren ** ** Überprüfen Sie dies unbedingt, da es bei der Installation während des Downloads zu einem Fehler kommen kann ** Sie benötigen ca. 30G Kapazität
Die Installierung ist abgeschlossen
OpenCv und Cuda wurden automatisch installiert.
JetPack 4.3 in jetson components:
L4T R32.3.1 (K4.9)
Ubuntu 18.04 LTS aarch64
CUDA 10.0
cuDNN 7.6.3
TensorRT 6.0.1
VisionWorks 1.6
OpenCV 4.1 (4.1.1)
Nsight Systems 2019.6
Nsight Graphics 2019.5
Nsight Compute 2019.3
SDK Manager 1.0.0
Lage der Cuda
/usr/local/cuda
/usr/local/cuda-10.0
So überprüfen Sie opencv
$ sudo apt-get install python3-pip
$ sudo pip3 install numpy
$ python3
>>> import cv2
>>> print(cv2)
>>> cv2.__version__
4.1.1
So installieren Sie den offiziellen Cuda
Erläuterung von Official cuda
Pfadeinstellungen hinzufügen
$ sudo apt install vim
#Update vim
sudo apt install vim
#Geben Sie die Versionsnummer in x und y ein
$ sudo vim ~/.bashrc
## CUDA and cuDNN paths
export PATH=/usr/local/cuda-x.y/bin:${PATH}
export LD_LIBRARY_PATH=/usr/local/cuda-x.y/lib64:${LD_LIBRARY_PATH}
#Umgebungsvariable$LD_LIBRARY_Fügen Sie den NVIDIA-Treiberpfad zu PATH hinzu
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia-Nummer
#sparen
$ source ~/.bashrc
#Bestätigen
$ nvcc -V
#Überprüfen Sie den Speicherort des CUDA Toolkit
$ which nvcc
#/usr/local/cuda-10.0/bin/nvcc
Installation und Funktionsprüfung von RunTime von cuDNN
cuDNN Runtime Library for Ubuntuh cuDNN Developer Library for Ubuntuh cuDNN Code Samples and User Guide for Ubuntu Zum Installieren herunterladen und doppelklicken
Funktionsprüfung von cuDNN
Überprüfen Sie, ob sich der Pfad in cuda-10.0 / bin befindet Wenn Sie bestanden haben, können Sie cuda-install-samples-10.0.sh ausführen Führen Sie in Ihrem Home-Verzeichnis. Geben Sie den Ordnernamen in das Argument ein. Wenn Sie cuda-install-samples-10.0.sh ausführen, wird ein Beispielordner in Ihrem Home-Verzeichnis erstellt. Ich habe eine Make-Datei, also werde ich sie erstellen Eine Beispieldatei wird im Ordner bin generiert. Versuchen Sie daher, sie auszuführen. Führen Sie deviceQuery aus, um festzustellen, ob das cuda-Gerät gültig ist
$ cd /usr/local/cuda-10.0/bin
# /usr/local/cuda-10.0/bin/cuda-install-samples-10.0.sh
#Kopieren Sie das Verzeichnis mit dem Beispielcode in Ihr Ausgangsverzeichnis
$ cuda-install-samples-10.0.sh Ordnername
$Name des CD-Ordners/NVIDIA_CUDA-10.0_Samples
$ make
$ cd NVIDIA_CUDA-10.0_Samples/bin/x86_64/linux/release
$ ./deviceQuery
$ ./bandwidthTest
$ ./volumeRender
[Referenz](https://medium.com/@vitali.usau/install-cuda-10-0-cudnn-7-3-and-build-tensorflow-gpu-from-source-on-ubuntu-18-04 -3daf720b83fe)
Bestätigung der cuDNN-Installation
Listen Sie die installierten Pakete mit dem Befehl dpkg -l auf.
#Listen Sie die auf Ihrem Computer installierten cuDNN-Pakete auf
$ dpkg -l | grep cudnn
cuDNN-Speicherort
#Überprüfen Sie das Verzeichnis, in dem das Deb-Paket gespeichert ist(-L Option)
$ dpkg -L libcudnn7
Installieren Sie Yolo
$ sudo apt install git
$ git clone https://github.com/AlexeyAB/darknet.git
$ cd darknet
darknet$ vim Makefile
GPU=1
CUDNN=1
OPENCV=1
darknet$ make
-lcuda nicht gefunden Fehler erscheint
Finden Sie heraus, wo libcuda.so ist
# libcuda.Finden Sie heraus, wo das ist
$ locate libcuda.so
# libcuda.Platziere also Treffer
/usr/local/cuda-10.0/targets/x86_64-linux/lib/stubs/libcuda.so
/usr/loca/cuda-10.0/targets/aarch64-linux/lib/stubs/libcuda.so
Wenn Sie die Datei libcuda.so gefunden haben, erstellen Sie sie im Ordner x86_64-linux-gnu. Finden Sie einen guten Artikel, indem Sie einen symbolischen Link für libcuda.so.1 im Ordner x86_64-linux erstellen
sudo ln -s /usr/local/cuda-10.0/targets/x86_64-linux/lib/stubs/libcuda.so /usr/lib/x86_64-linux-gnu/libcuda.so.1
# libcuda.so.1 und libcuda.Daher sind beide symbolischen Links erforderlich
sudo ln -s /usr/local/cuda-10.0/targets/x86_64-linux/lib/stubs/libcuda.so /usr/lib/x86_64-linux-gnu/libcuda.so
#Mach es nochmal
$ make clean
$ make
Es heißt, dass die Datei cudnn.h nicht existiert. Kopieren Sie die Datei cudnn.h
[cudnn Installationsbeamter](https://translate.google.co.jp/translate?hl=ja&sl=auto&tl=ja&u=https%3A%2F%2Fdocs.nvidia.com%2Fdeeplearning%2Fsdk%2Fcudnn-install%2Findex. html% 23installlinux-tar)
Laden Sie die cuDNN Library für Linux herunter
#Entpacken Sie das cuDNN-Paket. Kann sogar aus dem Finder dekomprimiert werden
$ tar -xzvf cudnn-x.x-linux-x64-v8.x.x.x.tgz
$ sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
$ sudo cp cuda/lib/libcudnn* /usr/local/cuda/lib64
$ sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
cudnn.h, das während make nicht gefunden wurde, gibt keinen Fehler mehr aus
cudnn verwandt
libcudnn.so.7.0.Libcudnn anders als 1.Löschen Sie also die Datei
/usr/local/cuda/lib64 $ sudo rm -rf libcudnn.so libcudnn.so.7
Reproduzieren
sudo ln -s libcudnn.so.7.0.1 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.so
make clean
make
Ich kann kein Darknet / Obj schreiben
Ändern Sie die Darknet / Obj-Berechtigungen
$sudo chmod 777 heimatweg/darknet/obj Heimatpfad/darknet/backup
Mach es nochmal
$ make clean
$ make
Gewichte herunterladen
Download von pjreddie, da es nicht in der Alexey AB-Version enthalten ist
$ wget https://pjreddie.com/media/files/yolov3.weights
Versuchen Sie, Yolo auszuführen
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
Fehler beim Ausführen von Yolo Not compiled with OpenCV, saving to predictions.png instead
DarkNet Makefile openCv ist nicht 1
$ vim Makefile
OPENCV=1
CUDA driver version is insufficient for CUDA runtime version CUDA driver version is insufficient for CUDA runtime version : No Such File or Directory
in Wartestellung [Referenz](https://support.dl.sony.com/faq-ja/faq%EF%BC%9A%E3%82%BB%E3%83%83%E3%83%88%E3%82% A2% E3% 83% 83% E3% 83% 97 /) Kommt es heraus, wenn der NVIDIA-Grafiktreiber nicht installiert ist? Nachforschungen anstellen
Aktualisieren Sie auch cuda
sudo apt-get install cuda
No CUDA-capable device is detected
CUDA-kompatibles Gerät nicht erkannt Weil die GPU von Nvidia in der virtuellen Umgebung nicht erkannt wird. Stoppen Sie die virtuelle Umgebung und installieren Sie das Betriebssystem erneut auf dem Host-PC
PATH-Prüfung des CUDA- und NVIDIA-Treibers (/ usr / lib / nvidia - ***)
Enthält die Ausgabe "/ usr / local / cuda-10.0 / lib64" und "/ usr / lib / nvidia-number"?
$ echo $LD_LIBRARY_PATH
PATH-Prüfung auf CUDA- und nvcc-Befehle
Ist die Ausgabe "/ usr / local / cuda-10.0 / bin / nvcc"?
$ which nvcc
/usr/local/cuda-10.0/bin/nvcc
PATH-Prüfung auf Befehl nvidia-smi
Ist die Ausgabe "/ usr / bin / nvidia-smi"?
$ which nvidia-smi
/usr/bin/nvidia-smi
So deinstallieren Sie
#Geben Sie die Version in x ein
sudo apt remove cuda-x-y
sudo apt autoremove
sudo apt remove libcudnnx libcudnnx-dev libcudnnx-doc
rm -rfv ~/NVIDIA_CUDA-x.y_Samples/ #Löschen Sie den Beispielcode.
# ~/.Löschen Sie die zu bashrc hinzugefügte PATH-Einstellung mit einem Texteditor.
#Melden Sie sich ab, um Änderungen in den PATH-Einstellungen widerzuspiegeln
Punkt
Bereiten Sie eine Maschine mit Nvidia GPU vor Der Nvidia-Grafiktreiber kann nicht in einer virtuellen Umgebung installiert werden Der Cuda von Nividia Sdk Maneger ist 10.0, daher funktioniert er nicht mit älteren Nividia-Treibern. Verwenden Sie den Nvidia-Treiber, mit dem Cuda 10.0 ausgeführt werden kann Entpacken Sie das cuDNN-Paket und kopieren Sie die angegebene Datei (cudnn * .h) usw. an den angegebenen Speicherort Suchen Sie den Speicherort von libcuda.so mit locate libcuda.so. Fügen Sie den symbolischen Link in / usr / lib / x86_64-linux-gnu ein Nach dem Bearbeiten von .bashrc mit vim wird es nur angewendet, wenn es als Quelle ~ / .bashrc gespeichert ist
Fazit
Bei Verwendung von Jetson Nano ist es besser, Nividia Sdk Maneger zu verwenden. Kompatibel mit cuda10- und Nividia-Treibern Überprüfen Sie bei der Installation auf einem PC die GPU. Wenn der Nvidia-Treiber 410 oder höher unterstützt, versuchen Sie, das Nividia SDK zu verwenden. Wenn es nicht weniger als 410 unterstützt, geben Sie das SDK auf und führen Sie es manuell aus.
Referenzseite
** Inspiration-Blog ** Es ist sehr detailliert geschrieben
Offizielle Installationsinformationen für Coda Linux
Ein komfortables Jetson-Leben mit NVIDIA SDK Manager auf Docker
JetPack-Setup-Verfahren für Jetson TX2
https://pysource.com/2019/08/29/yolo-v3-install-and-run-yolo-on-nvidia-jetson-nano-with-gpu/
(#1) CUDA on WSL2 Wenn Sie WSL2 verwenden, können Sie Linux unter Windows erstellen und den GPU-Treiber von Windows verwenden.
Recommended Posts