ubuntu18.04 安装yolov5环境及推理环境_ubuntu18.04下yolov5

1、安装anaconda3

官方网网址

https://www.anaconda.com/download#downloads
1

去到下载的文件夹内，执行命令：bash Anaconda3-2023.09-0-Linux-x86_64.sh

1.2、环境变量配置

vim ~/.bashrc

// 加入安装目录，换成你前面设置的安装目录
export PATH=/root/yes/condabin:$PATH

// 刷新当前用户环境（激活环境）
source ~/.bashrc

// 查看版本
conda -V
1
2
3
4
5
6
7
8
9
10

1.3、添加/更换 conda 清华源

conda config --add channels 'https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/'    #必需
conda config --add channels 'https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/'  #必需
conda config --set show_channel_urls yes

1
2
3
4

2、安装pytorch1.6

1、创建虚拟环境
conda create -n pytorch1.6 python=3.8

2、python安装pytorch1.6
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch

3、设置python的环境变量
alias python='/root/yes/envs/yolov5/bin/python3.8'

4、下载yolov5-v3版本代码
git clone https://github.com/ultralytics/yolov5.git
或下载yolov5版本v3.1 https://github.com/ultralytics/yolov5/releases/tag/v3.1

5、在volov5路径下执行
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

6、验证
python detect.py --source ./inference/images/ --weight weights/yolov5s.pt --conf 0.4

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

3、CUDA安装

# 选择生成软链接，不需要安装驱动
sudo sh cuda_11.7.89_440.33.01_linux.run

# 查看CUDA版本
cat /usr/local/cuda/version.txt

# 测试CUDA，安装成功则显示PASS
cd  /usr/local/cuda-11.7/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery
1
2
3
4
5
6
7
8
9
10

4、安装cuDNN

官网网址

https://developer.nvidia.com/rdp/cudnn-download
1

1、解压到当前目录
tar -xf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz

2、拷贝头文件和库到cuda目录下
进入目录(拷贝头文件)
cd /cudnn-linux-x86_64-8.9.7.29_cuda11-archive/include
cp cudnn.h /usr/local/cuda-11.7/include/

进入目录(拷贝库)
cd cudnn-linux-x86_64-8.9.7.29_cuda11-archive/lib
cp libcudnn* /usr/local/cuda-11.7/lib64

chmod a+r /usr/local/cuda-11.7/include/cudnn.h
chmod a+r /usr/local/cuda-11.7/lib64/libcudnn*
1
2
3
4
5
6
7
8
9
10
11
12
13
14

查看版本

cat cudnn-linux-x86_64-8.9.7.29_cuda11-archive/include | grep CUDNN_MAJOR -A 2
1

至此CUDN + cuDNN安装完成，可以执行相关训练文件查看是否有gpu信息输出，或监控一下gpu状态

watch -n 1 nvidia-smi
1

5、安装tensorRT

查看是否安装NVIDIA显卡

lspci | grep -i nvidia
1

查看显卡信息

nvidia-smi
1

tensorRT官网网址（GA表示正式发布稳定版本、EA抢先版）

https://developer.nvidia.com/nvidia-tensorrt-8x-download
1

1、解压
tar zxf TensorRT-8.0.1.6.Linux.x86_64-gnu.cuda-11.3.cudnn8.2.tar.gz

2、移动
mv TensorRT-8.0.1.6 /opt

测试：
cd /opt/TensorRT-8.5.1.7/samples
make
cd cd /opt/TensorRT-8.5.1.7/bin
./sample_mnist

3、配置环境变量
vim ~/.bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/TensorRT-8.0.1.6/lib
export LD_INCLUDE_PATH=$LD_INCLUDE_PATH:/opt/TensorRT-8.0.1.6/include
source ~/.bashrc

4、安装python API
cd /opt/TensorRT-8.5.1.7/python
pip install tensorrt-7.1.3.4-cp37-none-linux_x86_64.whl

5、安装 Python UFF 包，支持tensorflow模型转化
cd /opt/TensorRT-8.5.1.7/uff
pip install uff-0.6.9-py2.py3-none-any.whl

# 测试 Python UFF 是否安装成功
which convert-to-uff

6、安装 graphsurgeon，支持自定义结构
cd /opt/TensorRT-8.5.1.7/graphsurgeon
pip install graphsurgeon-0.4.5-py2.py3-none-any.whl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

查看tensorRT python api 版本

python
import tensorrt as trt
print(trt.__version__)
1
2
3

安装pycuda
pip install cuda-python==11.7

6、安装opencv4.6

官网网址

https://opencv.org/releases/
1

1、解压
unzip opencv-4.6.0.zip

2、进入目录
cd opencv-4.6.0

3、创建目录进入目录
mkdir build
cd build

4、编译
cmake -D CMAKE_INSTALL_PREFIX=/usr/local -D CMAKE_BUILD_TYPE=Release -D OPENCV_GENERATE_PKGCONFIG=ON -D OPENCV_ENABLE_NONFREE=True ..

注解：
1. CMAKE_INSTALL_PREFIX 是opencv的安装地址 默认安装在 usr/local
2. CMAKE_BUILD_TYPE 是opencv安装的版本，Release和Debug两种可选，默认安装Release
3. OPENCV_ENABLE_NONFREE 是否使用部分被申请了专利的算方法 这里选True的话就可以使用了
4. OPENCV_GENERATE_PKGCONFIG 强烈建议开启这个 设置为ON OPENCV_GENERATE_PKGCONFIG 因为opencv4默认不生成.pc文件，所以加上这句用于生成opencv4.pc文件，支持pkg-config功能。opencv4版本及以上 这里用ON

5、cmake 结束后执行 make指令
注：终端输入nproc 命令可以查看自己电脑有多少线程。我的电脑有8个，使用其中6个线程编译。
sudo make -j6    #在build 文件内 执行该命令  数字越大 后续make的过程就越快。

6、拷贝库
sudo make install

7、配置环境变量
vim ~/.bashrc
#文件末尾添加以下内容 并保存
PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH

执行
source ~/.bashrc
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

修改动态库

#打开下列文件
sudo vim /etc/ld.so.conf.d/opencv.conf 
 
# 添加lib路經 在 末尾 保存退出
/usr/local/lib
 
# 更新
sudo ldconfig

#终端输入以下两命令，显示正常则安装成功
pkg-config --modversion opencv4 #查看版本号
pkg-config --libs opencv4 #查看libs库
1
2
3
4
5
6
7
8
9
10
11
12

编译指令

CXX ?= g++

CXXFLAGS += -c -Wall $(shell pkg-config --cflags opencv4)
LDFLAGS += $(shell pkg-config --libs --static opencv4)

all: opencv_example

opencv_example: example.o; $(CXX) $< -o $@ $(LDFLAGS)

%.o: %.cpp; $(CXX) $< -o $@ $(CXXFLAGS) $(INC)

clean: ; rm -f example.o opencv_example

1
2
3
4
5
6
7
8
9
10
11
12
13

7、tensorRT部署yolov5模型推理

torch官网

https://pytorch.org/
1

进入虚拟环境

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu117
1

模型转换

python export.py --weights yolov5s.pt --include  engine --device 0

# 需要指定尺寸，因为tensort推理的时候不会做缩放，要求尺寸统一(FP32)
python export.py --weights yolov5s.pt --include  engine --device 0 --img 384 640

# 半精度推理(推理也需要加上half)FP16
python export.py --weights yolov5s.pt --include  engine --device 0 --img 384 640 --half

测试推理
python detect.py --weights yolov5s.engine


1
2
3
4
5
6
7
8
9
10
11
12

yolov5-pytorch推理速度
image 1/2 /root/tensorRT_test/test/yolov5-7.0/data/images/bus.jpg: 640x480 4 persons, 1 bus, 41.1ms
image 2/2 /root/tensorRT_test/test/yolov5-7.0/data/images/zidane.jpg: 384x640 2 persons, 2 ties, 41.2ms
Speed: 0.2ms pre-process, 41.1ms inference, 0.7ms NMS per image at shape (1, 3, 640, 640)

tensort推理
image 1/2 /root/tensorRT_test/test/yolov5-7.0/data/images/bus.jpg: 640x640 4 persons, 1 bus, 2.9ms
image 2/2 /root/tensorRT_test/test/yolov5-7.0/data/images/zidane.jpg: 640x640 2 persons, 2 ties, 2.9ms
Speed: 0.5ms pre-process, 2.9ms inference, 0.8ms NMS per image at shape (1, 3, 640, 640)

tensort推理(384*640)
image 1/2 /root/tensorRT_test/test/yolov5-7.0/data/images/bus.jpg: 384x640 3 persons, 1 bus, 2.0ms
image 2/2 /root/tensorRT_test/test/yolov5-7.0/data/images/zidane.jpg: 384x640 2 persons, 2 ties, 1.9ms
Speed: 0.5ms pre-process, 2.0ms inference, 0.8ms NMS per image at shape (1, 3, 384, 640)

Torchhub模型预测使用