linux下部署darknet

1.安装NVIDIA Driver 和 CUDA Toolkit

首先检查系统是否有支持 CUDA 编程的 GPU。可使用

lspci | grep -i nvidia

命令来查看当前系统的 GPU 型号。

传统上，安装 NVIDIA Driver 和 CUDA Toolkit 的步骤是分开的，但实际上我们可以直接安装 CUDA Toolkit，系统将自动安装与其版本匹配的 NVIDIA Driver。下面我们讲述安装 CUDA Toolkit 的方法。

在安装 CUDA Toolkit 前，要确保系统安装了 gcc 和 make。如果希望使用 C++ 进行 CUDA 编程，需要安装 g++。如果想要运行 CUDA 例程序，需要安装相应的依赖库。

sudo apt update # 更新 apt
sudo apt install gcc g++ make # 安装 gcc g++ make
sudo apt install libglu1-mesa libxi-dev libxmu-dev libglu1-mesa-dev freeglut3-dev # 安装依赖库

在CUDA Toolkit 11.7 Update 1 Downloads | NVIDIA Developer 的下载页面选择系统版本和安装方式，下载并运行 runfile。

 下载 CUDA Toolkit (文件较大):

wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda_11.7.1_515.65.01_linux.run

然后运行安装，选项直接默认就行

sudo sh cuda_11.7.1_515.65.01_linux.run

安装好 CUDA Toolkit 后，屏幕上将输出：

===========
= Summary =
===========
 
Driver:   Installed
Toolkit:  Installed in /usr/local/cuda-11.7/
 
Please make sure that
 -   PATH includes /usr/local/cuda-11.7/bin
 -   LD_LIBRARY_PATH includes /usr/local/cuda-11.7/lib64, or, add /usr/local/cuda-11.7/lib64 to /etc/ld.so.conf and run ldconfig as root
 
To uninstall the CUDA Toolkit, run cuda-uninstaller in /usr/local/cuda-11.7/bin
To uninstall the NVIDIA Driver, run nvidia-uninstall
Logfile is /var/log/cuda-installer.log

这表示 NVIDIA Driver 和 CUDA Toolkit 已安装完毕。后半段安装信息提示我们修改环境变量 PATH 和 LD_LIBRARY_PATH. 在 ~/.bashrc 文件中写入

export PATH=$PATH:/usr/local/cuda-11.7/bin
# add cuBLAS, cuSPARSE, cuRAND, cuSOLVER, cuFFT to path
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.7/lib64:/usr/lib/x86_64-linux-gnu

即可完成 CUDA 的配置。

注意事项：

1. 环境变量 PATH 设置可执行程序的搜索路径，LD_LIBRARY_PATH 设置动态链接库的搜索路径

2. CUDA, cuRAND 等动态库均位于 /usr/local/cuda-11.7/lib64 路径中。在 CUDA 10.0 以前，cuBLAS 也位于此路径下，但在 CUDA 11.7 中，cuBLAS 被迁移到了 /usr/lib/x86_64-linux-gnu 中。

2.linux安装cuDNN

1.下载

注意：

①下载cuDNN时，需要注册账号

②根据CUDA的版本来选择cuDNN版本

2.安装

• 进入文件所在位置，运行一下命令解压文件到当前目录
• 分别复制一下文件cuda/include/cudnn*与cuda/lib64/libcudnn*到CUDA Toolkit目录的include/下与lib64/下：

sudo cp ./include/cudnn* /usr/local/cuda/include/  
sudo cp ./lib64/libcudnn* /usr/local/cuda/lib64/  

•  修改访问权限

sudo chmod 777  /usr/local/cuda/include/cudnn*
sudo chmod 777 /usr/local/cuda/lib64/libcudnn*

 3.Linux下C++版OpenCV安装

1.下载opencvReleases - OpenCVopencv源代码压缩包

2.安装环境依赖 

sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev
sudo apt-get install libgtk2.0-dev
sudo apt-get install pkg-config

3.安装

1. cd到opencv目录下进行解压
2. 创建build文件夹
3. 编译opencv

mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j8
make install

4.环境配置

  1. 用vi打开/etc/ld.so.conf
   在文件中加上一行include /usr/local/lib

sudo vi /etc/ld.so.conf
#在文件中加入一行include  /usr/local/lib
#然后执行：
sudo ldconfig

2. 修改bash.bashrc文件

sudo vi /etc/bash.bashrc 

3.添加

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH

4.source

source /etc/bash.bashrc

查看是否安装成功

显示版本号即安装成功

pkg-config opencv --modversion

遇到错误

1.make install 时遇到

CMake Error at cmake_install.cmake:41 (file): file INSTALL cannot copy file “/home/wsb/gflags”

// 增加权限即可
sudo make install

2.查看版本 或者输入以下报错时

pkg-config --cflags opencv

Package opencv was not found in the pkg-config search path.
Perhaps you should add the directory containing `opencv.pc'
to the PKG_CONFIG_PATH environment variable
No package 'opencv' found

是缺失了opencv.pc这个配置信息文件，故解决方法就是添加这个文件然后将其导入到环境变量中，具体操作如下：

cd /usr/local/lib
sudo mkdir pkgconfig
cd pkgconfig
sudo touch opencv.pc

写入以下信息 注意opencv版本号

prefix=/usr/local
exec_prefix=${prefix}
includedir=${prefix}/include
libdir=${exec_prefix}/lib
 
Name: opencv
Description: The opencv library
Version:4.6.0
Cflags: -I${includedir}/opencv4
Libs: -L${libdir} -lopencv_stitching -lopencv_objdetect -lopencv_calib3d -lopencv_features2d -lopencv_highgui -lopencv_videoio -lopencv_imgcodecs -lopencv_video -lopencv_photo -lopencv_ml -lopencv_imgproc -lopencv_flann  -lopencv_core
~                                               
 

然后导入环境变量 

vi ~/.bashrc

export  PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

至此环境安装完成

安装训练模型

1.下载darknet源码

https://github.com/AlexeyAB/darknet.git

2.修改makefile,如下图将部分为0的修改为1 

GPU=1     	# 使用GPU
CUDNN=1		# 使用GPU
CUDNN_HALF=1		# 混合精度训练，用于加速
OPENCV=1		# 使用opencv
AVX=0
OPENMP=0
LIBSO=1		# 生成libdarknet.so，便于python调用darknet模型
ZED_CAMERA=0
ZED_CAMERA_v2_8=0

注意: 如果要用python调用darknet模型接口的话 一定把 LIBSO 设为1

上述步骤完成后
在darknet目录下执行make进行编译

训练自己的权重文件
用Yolov4-tiny来进行训练，则需要下载Yolov4-tiny的预训练权重：yolov4-tiny预训练权重
并放在darknet目录下

之后建立yolov4-tiny训练所需的目录结构

---darknet
    ---VOC2007
		---Annotations	# 存放xml文件
		---ImageSets
			---Main		# 存放训练集和测试集图片索引号的txt文件
			    ---test.txt # 存放测试集图片的路径
				---train.txt # 存放训练集图片的路径
		---JPEGImages	# 存放图片文件
		---labels
			---***.txt   #存放训练集和测试集的标注信息（如：0 0.002221 0.002221 0.002221 0.002221），***与照片名字相同
			---***.txt   #存放训练集和测试集的标注信息（如：0 0.002221 0.002221 0.002221 0.002221），***与照片名字相同
			---  #n多个，与图片数量相同

之后，修改训练所需文件（有**.names, **.cfg, **.data三个文件）
修改 **.names
在 darknet/data/目录下 建立 **.names
参考coco.names，更改自己的.names文件

# 存放自己的类别，这里的类别是“1 2 3 4 5 6 7 8 ”
1 
2
3
4
5
6
7
8

classes= 1
train  = /darknet/voc2007/ImageSets/Main/number_train.txt
valid  = /darknet/voc2007/ImageSets/Main/number_text.txt
names = /darknet/data/**.names
backup = /darknet/backup/ #训练时生成的权重文件
 

修改 **.cfg
在 darknet/cfg/目录下 建立 **.cfg
参考yolov4-tiny.cfg，更改自己的mos-yolov4-tiny.cfg文件

1. mos-yolov4-tiny.cfg文件第1-7行

[net]
#Testing
#batch=1
#subdivisions=1
#Training
batch=64
subdivisions=16
# 注意：由于是进行训练，这里不需要修改。训练过程中可能出现
# CUDA out of memory的提示，可将这里的subdivisions增
# 大，如32或64，但是数值越大耗时越长，因此需要权衡一下；

2. mos-yolov4-tiny.cfg文件第8-9行

width=224
height=224
# 可以写别的大小，比例是1:1 
# 但是这里的数值必须是32的倍数，
# 这里也是数值越大耗时越长；

3. 第20行的参数max_batches

max_batches = 16000  #max_batches = classes*2000 也有写 max_batches = classes*1000，这里写的是8*2000
policy=steps
steps=12800,14400   # steps=max_batches*0.8, max_batches*0.9
scales=.1,.1
# 更改max_batches， steps两处

4. 继续修改mos-yolov4-tiny.cfg文件，按Ctrl+F键，搜索“classes”，将classes=80改为classes=xxx，并将classes前面最近的filters修改为xxx，计算由来（classes+5）*3=xxxx；

注意：把所有的都改了

[convolutional]
size=1
stride=1
pad=1
filters=xxx  #（classes+5）*3=21 这里是（8+5）*3 = 39
activation=linear
 
[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=xxx  # 自己的来类别数量
num=6
# 更改filters， classes两处

注意：把所有的都改了

最后：打开终端，切换到darknet目录下
使用

./darknet detector train cfg/coco.data cfg/mos-yolov4-tiny.cfg yolov4-tiny.conv.29 -gpu '0'

回车 开始训练

训练的过程中，生成的权重文件会存放在/darknet/backup文件夹下