1、NVIDIA顯卡驅動安裝
- 在驅動安裝之前,你的計算機搭載了一張GPU算力超過3.5的獨立顯卡,如果沒有獨立顯卡,直接跳到步驟4
- GPU(Graphics Processing Unit,圖像處理器)是顯卡的核心組成部分,能夠執行復雜的計算,所以成爲進行深度學習的首選處理器。
- 深度學習的計算量非常大,以一張像素大小爲200✖40的彩色圖片爲例,它的輸入數據量爲200✖40✖3=24000,其中3代表RGB通道數量。假如訓練樣本的數量爲20000,那麼計算量就是480000000(4.8億);
- GPU的計算能力稱爲算力,可以在NVIDIA官網查看NVIDIA GeForce系列部分產品的算力;
- 安裝
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-cache search nvidia
ubuntu-drivers devices
- 打開系統中的軟件和更新,選擇版本號大於等於CUDA版本號對應的的顯卡驅動,切換到”附加驅動“,修改對應驅動,重啓計算機
- 重啓計算機後,找到列表中的設置>詳細信息>About>圖形與計算機GPU信息一致,則安裝成功
2、CUDA Toolkit的安裝
- CUDA Toolkit 爲創建高性能GPU加速應用程序提供了開發環境;
- 下載對應版本的CUDA Toolkit,然後輸入命令:
sudo sh cuda_10.2.89_440.33.01_linux.run
sudo nano ~/.bashrc
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:${LD_LIBRARY_PATH:${LD_LIBRARY_PATH}}
source ~/.bashrc
nvidia-smi
3、cuDNN的安裝
- cuDNN(深度神經網絡)用於給深度神經網絡的GPU加速,讓深度學習研究人員和框架開發人員專注於訓練和開發,而不是將時間花在GPU的性能調優上;
- 在下載cuDNN之前,需要在NVIDIA開發者平臺進行註冊,完成註冊並登錄後才能訪問下載頁面。
- 下載時必須根據CUDA Toolkit 版本下載cuDNN壓縮包,選擇cuDNN Library for linux即可
- 根據cuDNN安裝說明進行安裝
tar -xzvf cudnn-10.2-linux-x64-v7.6.5.32.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
nvcc -v
4、深度學習PyTorch庫
pip install torch==1.4.0+cpu torchvision==0.5.0+cpu -f https://download.pytorch.org/whl/torch_stable.html
- 使用Python代碼驗證PyTorch是否安裝成功,輸出結果是True或False僅代表GPU是否可用,如無報錯,均說明PyTorch庫已成功安裝
import torch
torch.cuda.is_available()
5、深度學習框架Darknet
- Darknet是一個用C語言編寫的開源神經網絡框架,易於安裝且運行速度非常快,同時支持CPU和GPU計算;
- linux安裝如下;
git clone https://github.com/pjreddie/darknet.git
- 克隆完成後,進入Darknet項目目錄darknet,並打開makefile文件,將第一行的GPU=0修改爲GPU=1。這裏更改GPU選項是爲了讓Darknet在訓練時使用GPU進行加速計算。
- 接着使用make命令編譯安裝,如果沒有報錯,就代表順利完成編譯
- 驗證安裝:
./darknet
6、圖片標註工具Labellmg
- Labellmg是一個用Python語言編寫的圖像標註工具,其圖像和標註結果可以用於對目標檢測模型進行訓練,標註結果會以PASCAL VOC格式保存爲XML文件
- linux下安裝:
sudo apt-get install pyqt5-dev-tools
git clone https://github.com/tzutalin/labelImg.git
cd labelImg
pip install -r requirements/requirements-linux-python3.txt
make qt5y3
pyrcc5 -0 resources.py resources.qrc
python labelImg.py