杂乱随手笔记

有志青年L

已于 2024-06-03 10:08:16 修改

阅读量297

点赞数 3

分类专栏：随手笔记文章标签：笔记

于 2024-05-17 10:39:22 首次发布

本文链接：https://blog.youkuaiyun.com/RuningLING/article/details/138998424

版权

随手笔记专栏收录该内容

1 篇文章

订阅专栏

docker

# 将镜像转为容器
docker run --name ubuntu-20.04 -it --network host --env="DISPLAY" --gpus all -e NVIDIA_DRIVER_CAPABILITIES=all --privileged --runtime=nvidia -v /home/$USER/share:/share noetic:latest /bin/bash

docker run -it --name ros-noetic --network host --env="DISPLAY" --gpus all -e NVIDIA_DRIVER_CAPABILITIES=all --privileged --runtime=nvidia -v /home/$USER/Desktop/workspace/:/workspace ros-noetic-autocar:latest /bin/bash

docker run -it \
	--network host \
	--env="DISPLAY" \
	--gpus all \
	-e NVIDIA_DRIVER_CAPABILITIES=all \
	--privileged \
	--runtime=nvidia \
	-v /home/$USER/workspace:/workspace \
	humble-autoware:awsim-stable \
	/bin/bash

# 启动镜像
sudo docker exec -it amazing_margulis /bin/bash
# 查看容器列表
docker ps -a
# 将容器转为镜像
docker commit 21c8dbd2bf13 lst-bev:v1.0
# 保存镜像
docker save -o first-bev.tar first-bev:v1.0
# 显示不出图像
sudo xhost +

cuda

根据nvidia-smi信息所支持GPU版本要<= 下载相应文件

# 执行下载好的文件
sudo sh cuda_11.6.2_510.47.03_linux.run
# 配置环境
sudo vim ~/.bashrc
# 在文件末尾添加
export CUDA_HOME=/usr/local/cuda-11.6
export PATH=$PATH:/usr/local/cuda-11.6/lib64
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.6/lib64
# 更新系统环境
source ~/.bashrc
sudo ldconfig
# 验证CUDA是否安装成功
nvcc -V

cudnn

根据已安装的CUDA版本下载相应文件

# 8.2.1版本.tgz
tar -xf cudnn-11.3-linux-x64-v8.2.1.32.tgz 
# 8.6.0版本.tar.xz
tar -xf cudnn-linux-x86_64-8.6.0.163_cuda11-archive.tar.xz
# 解压后得到的文件，拷贝到/usr/local/cuda-11.3/中
cp cuda/lib64/* /usr/local/cuda-11.3/lib64/ 
cp cuda/include/* /usr/local/cuda-11.3/include/
# 查看cudnn版本
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
cat /usr/local/cuda-11.3/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
# 上面2句结果都一样，证明cudnn复制成功，并生效

TensoRT

根据已安装的CUDA版本下载相应文件

# c++ 解压就能用
tar -xf TensorRT-8.6.1.6.Linux.x86_64-gnu.cuda-11.8.tar.gz
# python版本的tensorrt安装，根据python版本选择，这里是python3.8

# 进入解压后的tensorRT/python目录
cd TensorRT-8.6.1.6/python
# 虚拟环境中安装python3.8版本
pip install tensorrt-8.6.1.6-cp38-none-linux_x86_64.whl
# 自此，c++版本和python版本的tensorRT已经安装完成。

bev

https://zhuanlan.zhihu.com/p/658363330
https://blog.youkuaiyun.com/h904798869/article/details/133279972
https://blog.youkuaiyun.com/h904798869/article/details/134886204
https://github.com/linClubs/BEVDet-ROS-TensorRT

conda

下载 anaconda
下载 miniconda

# 下载完后，先加权限，再运行安装包
# 安装一直yes就行，安装路径可以自己设定， 不懂就直接默认即可
chmod +x Miniconda3-latest-Linux-x86_64.sh 
sudo ./Miniconda3-latest-Linux-x86_64.sh 

# conda初始化设置
cd Miniconda3
./bin/conda init

# conda和pip换源
# conda换源,终端中依次执行5句代码就ok
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/
conda config --set show_channel_urls yes

# pip换源
1、创建一个~/.pip/pip.conf文件，然后将下面的源地址添加进去

# 创建~/.pip/pip.conf文件
mkdir ~/.pip && vim ~/.pip/pip.conf
2、源地址。把下面代码粘贴进~/.pip/pip.conf即可
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple/

error : installing the package 'python3-empy'
原因是系统使用了Anaconda的python环境，但是在conda中没有找到python3-empy包，直接使用conda install python3-empy会报错，找不到安装包。
因为python3-empy在附加包中所以应使用命令conda install -c conda-forge empy

error : ImportError: "from catkin_pkg.package import parse_package" failed: No module named 'catkin_pkg'
Make sure that you have installed "catkin_pkg", it is up to date and on the PYTHONPATH.
应使用命令conda install -c conda-forge catkin_make

conda

#查看安装了那些包
conda list

#查看当前存在哪些虚拟环境
conda env list
conda info -e

#检查更新当前conda
conda update conda

#创建虚拟环境 - 可以在Anaconda安装目录envs文件下找到
conda create -n env_name python=x.x

#对虚拟环境中安装额外的包
conda install -n env_name [package]

#关闭虚拟环境
deactivate env_name

#进入虚拟环境
conda activate env_name

#删除虚拟环境
conda remove -n env_name --all

#删除环境中某个包
conda remove --name env_name package_name

工具

sudo apt install zeal
sudo apt install gimp
sudo apt install flameshot
sudo apt install kolourpaint4

在这里插入图片描述

# 数据结构
├── img
│   ├── m1.png
│   ├── m1.txt
│   ├── m2.png
│   ├── m2.txt
│   ├── m3.png
│   ├── m3.txt
│   ├── m4.png
│   ├── m4.txt
│   ├── m5.png
│   ├── m5.txt
│   ├── m6.png
│   ├── m6.txt
│   ├── t7.png
│   ├── t7.txt
│   ├── t8.png
│   ├── t8.txt
│   ├── t9.png
│   └── t9.txt
├── obj.data
├── obj.names
├── test.txt
└── train.txt

# 数据集准备
obj.data
	- classes = 1				# 改为自己的分类个数
	- train = train.txt			# 改为自己训练集的路径文件
	- vaild = test.txt			# 改为自己测试集的路径文件
	- names = obj.names	# 分类名文件
	- backup = backup/		# 存放训练权值的文件夹路径
obj.names
	- person
test.txt
	- /workspace/Yolo_mark-master/x64/Release/data/img/t7.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/t8.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/t9.png
train.txt
	- /workspace/Yolo_mark-master/x64/Release/data/img/m1.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/m2.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/m3.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/m4.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/m5.png
	- /workspace/Yolo_mark-master/x64/Release/data/img/m6.png

# cfg配置


修改 1：
		[net]
		# 测试 - 注释训练
		batch=1
		subdivisions=1
		# 训练 - 注释测试
		# batch=32
		# subdivisions=16
修改 2：
		filters=18 # 修改为 3 * (classes + 5)
		activation=linear
		
		[yolo]
		mask = 6,7,8
		anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
		classes=1  # 修改为实际数量
		# 共有三处相同方式修改即可！！！
修改 3：
		max_batches的值不能低于60000，一般情况为（classes*2000+200）
		steps的值为max_batches的0.8倍和0.9倍

# 打开本地摄像头进行检测
./darknet detector demo cfg/coco.data cfg/yolov3.cfg weights/yolov3.weights

# 检测图片中的物体
./darknet detect cfg/yolov3.cfg weights/yolov3.weights data/dog.jpg
./darknet detector test ../../../Yolo_mark-master/x64/Release/data/obj.data cfg/yolov3-voc.cfg backups/yolov3-voc_900.weights ../../../yolo_map/t8.png

# 检测视频中的物体
./darknet detector demo ../../../Yolo_mark-master/x64/Release/data/obj.data cfg/yolov3-voc.cfg backups/yolov3-voc_final.weights /workspace/parking.mp4 -thresh 0.2

# 使用opencv单独打开图片 
./darknet imtest data/eagle.jpg

# 训练（需要修改cfg）
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg weights/darknet53.conv.74
./darknet detector train ../../../Yolo_mark-master/x64/Release/data/obj.data cfg/yolov3-voc.cfg weights/darknet53.conv.74

# 检测（需要修改cfg）
./darknet detector demo cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights