安装nvidia显卡驱动+cuda+cudnn，darknet+yolov3目标检测

应用背景：darknet+yolov3训练自己数据，特定场景下小目标检测。使用CPU训练太慢，必须要上GPU才能提高速度，前期在别的计算机安装了nvidia显卡驱动，并安装了cuda和cudnn，本文利用一台多年前的计算机，简要讲述如何进行安装。

操作系统：ubuntu16.04。

0. 查看显卡信息

（1）输入如下命令：

lshw -c video

 （2）为了再次确认一遍，还可以使用这个命令查看可使用的驱动：

ubuntu-drivers devices

1. 安装显卡驱动

nvidia驱动有多种安装方式，本文简述4种。

（1）官方下载显卡驱动安装，根据官方说明安装即可。

附官方链接：https://www.nvidia.com/Download/index.aspx?lang=en-us。

（2）ubuntu命令行：

sudo ubuntu-drivers autoinstall

驱动安装完成，重新启动，就能看到GPU识别成功了：

 你也可以选择，只安装其中一个驱动，命令如下：

sudo apt install nvidia-XXX （XXX等从ubuntu-drivers devices命令输出中选择）

（3）Software & Updates -> Additional Drivers选择所需版本安装即可（如，proprietary, tested）。注：几经折腾，发现本方法界面操作，最适合新手。

（4）安装cuda时，其实包含了对应版本显卡驱动，所以也可以在安装cuda时一起安装驱动。但是，在安装cuda时安装驱动，可能会报错。因此，使用（3）的方法安装驱动是个不错的选择。

2. 安装cuda

官网下载安装包，各个版本：

https://developer.nvidia.com/cuda-toolkit-archive

例如：CUDA Toolkit 10.0 

https://developer.nvidia.com/cuda-10.0-download-archive

按下图方式选择：

点击右下角download即可开始下载。

或者，下载完成以后，通过如下命令进行安装：

# cd /some_path_to_download/, 浏览器下载，一般情况是：
cd ~/Downloads/
sudo sh cuda_10.0.130_410.48_linux.run

稍等一会儿，出现如下提示，输入：accept。

然后，根据提示选择安装内容，按上/下键进行选择，空格键控制选中或取消，移动到install回车即可开始安装

3. 安装cudnn

官网下载安装包，安装即可，下载安装包需要注册NVIDIA账号。

各个版本：cuDNN Archive：https://developer.nvidia.com/rdp/cudnn-archive

上文我安装了cuda10.0，这里选择对应该版本的cudnn，由选择对应ubuntu16.04的deb安装包。

下载 deb 格式的文件，打开终端找到下载的deb 文件所在的位置，然后按步骤安装三个文件：

sudo dpkg -i libcudnn7_7.6.4.38-1+cuda10.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.6.4.38-1+cuda10.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.6.4.38-1+cuda10.0_amd64.deb

untime 和 Developer 版本的区别是：
developer library 包含了在Ubuntu系统上开发深度学习时所需的cuDNN头文件，如果你不需要开发编译任何深度学习程序，而只是将其用于运行某些深度学习应用，那么只下载“runtime library”就足够了。
我是把3个文件都下载下来了，均进行安装。

4. 显示当前GPU使用情况

nvidia-smi

或者，自动每秒更新一次GPU的使用情况：

watch -n 1 nvidia-smi

5. darknet+yolov3验证

获取darknet源码：

mkdir src
cd src
git clone https://github.com/pjreddie/darknet

安装opencv:

sudo apt install libopencv-dev

待darknet下载完成，opencv安装完成后：

cd ~/src/darknet
gedit Makefile

按如下所示进行修改：

GPU=1
CUDNN=1
OPENCV=1

然后，编译darknet:

cd ~/src/darknet/
make

输入：

./darknet

输出：

usage: ./darknet <function>

说明编译成功了。

接下来进行目标识别测试。

首先，下载预先训练的权重文件：

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

最后，检测图像：

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

转自公众号：
Robot404