Ubuntu18.04配置detectron环境步骤（亲测有效，少走十公里弯路）

本文链接：https://blog.youkuaiyun.com/shexidong0269/article/details/99862383

Ubuntu18.04配置detectron环境步骤（全网最详细）

基于崭新的ubuntu18.04系统上进行的一系列操作步骤如下：

基于崭新的ubuntu18.04系统上进行的一系列操作步骤如下：

配置显卡驱动

参考
推荐使用手动安装，之前通过ppa安装出现了某些问题导致安装后nvidia-smi没有反应，所以后来手动安装的成功了。
首先打开nvidia显卡驱动根据自己的型号选择下载。
下载完成后进行如下步骤：

查看是否禁用nouveau驱动，若没有输出则为禁用，否则手动禁用

lsmod | grep nouveau

禁用nouveau步骤

创建/etc/modprobe.d/blacklist-nouveau.conf文件，你可以通过如下命令：
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
填入以下内容：
blacklist nouveau
options nouveau modeset=0
更新
sudo update-initramfs -u
重启电脑
reboot

卸载原有驱动
sudo apt-get remove --purge nvidia*
安装
关闭图形化用户界面（可以通过sudo service lightdm start 恢复或者ctrl+alt+f7）
sudo service lightdm stop
进入存放驱动的目录下，给驱动赋予权限（将.run之前的改为自己的驱动）
sudo chmod +x NVIDIA-Linux-********.run
开始安装（同样改名字）
sudo ./NVIDIA-Linux-x86_64-390.67.run -no-opengl-files
恢复图形界面查看是否成功
sudo service lightdm start
nvidia-smi
如果如下显示则成功

注意事项（提示安装失败别方）

The distribution-provided pre-install script failed! Are you sure you want to continue? 选择 yes 继续。
Would you like to register the kernel module souces with DKMS? This will allow DKMS to automatically build a new module, if you install a different kernel later? 选择 No 继续。
Nvidia’s 32-bit compatibility libraries? 选择 No 继续。
Would you like to run the nvidia-xconfigutility to automatically update your x configuration so that the NVIDIA x driver will be used when you restart x? Any pre-existing x confile will be backed up. 选择 Yes 继续

配置cuda和cudnn

cuda选择自己机器支持的版本可以参考
本机器显卡是1070的所以装的是9.1版本的cuda以及支持cuda9.1的cudnn
参考

注意：ubuntu18.04默认gcc版本是7.3的但是cuda9.1最高支持不超过6所以在安装CUDA之前需要先对gcc降级

查看gcc版本
gcc --version
不符合则手动降级

sudo apt-get install gcc-4.8
sudo apt-get install g++-4.8

装完后进入到/usr/bin目录下然后运行以下命令

cd /usr/bin
$ls -l gcc*

会显示以下结果，可以看到gcc链接到了gcc-7

lrwxrwxrwx 1 root root 7th May 16 18:16 /usr/bin/gcc -> gcc-7.3

需要将其链接到刚安装的gcc4.8

sudo mv gcc gcc.bak #备份
sudo ln -s gcc-4.8 gcc #重新链接

同理，对g++做相同的操作

查看g++发现也是链接到了7.3

ls -l g++*

lrwxrwxrwx 1 root root 7th May 15:17 g++ -> g+±7.3

sudo mv g++ g++.bak
sudo ln -s g++-4.8 g++

再看gcc和g++版本

gcc -v g++ -v

均显示gcc version 4.8 ，说明gcc 4.8安装成功。

安装cuda及其补丁

注意:打开nvidia-smi查看推荐安装的cuda是10.1但是这里安装的是9.1，在官网看的话cuda9.1没有ubuntu18.04的下载路径，类似于高版本必然支持低版本，所以这里根据16.04下载，结果发现完全兼容。

开始安装cuda和cudnn：
首先进入下载界面下载cuda官方下载地址
song 选择9.1版本
在这里插入图片描述
选择如下：
对应的有一下四个文件，需要全部下载，第一个是主文件，后3个相当于补丁。
下载完成后，安装cuda以及其补丁

输入命令安装Base Installer：

sudo sh cuda_9.1.85_387.26_linux.run

需要注意的是，之前已经安装过显卡驱动程序，故在提问是否安装显卡驱动时选择no,其他选择默认路径或者yes即可。

然后，继续执行以下操作安装3个 patch ：

sudo sh cuda_9.1.85.1_linux.run
sudo sh cuda_9.1.85.2_linux.run
sudo sh cuda_9.1.85.3_linux.run

安装完毕之后，将以下两条加入.bashrc文件中

sudo vim ~/.bashrc

export PATH=/usr/local/cuda-9.1/bin $KaTeX parse error: Expected '}', got 'EOF' at end of input: {PATH:+:$ PATH}} #注意，根据自己的版本，修改cuda-9.2/9.0…
export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64 $KaTeX parse error: Expected '}', got 'EOF' at end of input: \dotsLIBRARY_PATH:+:$ {LD_LIBRARY_PATH}} #注意，根据自己的版本，修改cuda-9.2/9.0…

到这一步，cuda 就安装完成了,接下来进行cudnn的安装：
cuDNN 的安装，就是将 cuDNN 包内的文件，拷贝到cuda文件夹中即可。

cudnn官方下载地址

选择如下版本cuDNN v7.0.5 library for liunx 在这里插入图片描述下载完毕后，切到默认的Downloads文件夹，可以看到 cudnn-9.1-linux-x64-v7.tgz 压缩包

先解压，然后将其中的内容复制到CUDA安装文件夹里面.

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*

执行cp后防止出错需要更新一下软链接

cd /usr/local/cuda/lib64/

sudo rm -rf libcudnn.so libcudnn.so.7

sudo ln -s libcudnn.so.7.0.5 libcudnn.so.7

sudo ln -s libcudnn.so.7 libcudnn.so

至此，cuda和cudnn安装成功。

配置jdk（推荐使用安装包）

jdk下载地址

首先去下载jdk安装包 ******.gz
创建一个目录用于存放解压后的文件，并解压缩到该目录下

sudo mkdir /usr/lib/jvm
sudo tar -zxvf jdk-8u181-linux-x64.tar.gz -C /usr/lib/jvm

修改环境变量

sudo vim ~/.bashrc

在文件末尾追加如下内容

#set oracle jdk environment 
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_181 ## 这里要注意目录要换成自己解压的jdk 目录 
export JRE_HOME=${JAVA_HOME}/jre 
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib 
export PATH=${JAVA_HOME}/bin:$PATH

使环境变量生效

source ~/.bashrc

设置默认jdk

sudo update-alternatives --install /usr/bin/java java /usr/lib/jvm/jdk1.8.0_181/bin/java 300 
sudo update-alternatives --install /usr/bin/javac javac /usr/lib/jvm/jdk1.8.0_181/bin/javac 300 
sudo update-alternatives --install /usr/bin/jar jar /usr/lib/jvm/jdk1.8.0_181/bin/jar 300
sudo update-alternatives --install /usr/bin/javah javah /usr/lib/jvm/jdk1.8.0_181/bin/javah 300 
sudo update-alternatives --install /usr/bin/javap javap /usr/lib/jvm/jdk1.8.0_181/bin/javap 300

执行

sudo update-alternatives --config java

测试是否安装成功

java -version
javac -version

配置opencv

首先检查python版本，确保python版本是到3.*
若是2.*版本则手动切换到3具体如下：

sudo update-alternatives --install /usr/bin/python python /usr/bin/python2 100
sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 150

检查是否成功则打开终端输入python查看结果即可

安装opencv推荐sudo pip install opencv-python
查看是否安装成功则打开终端输入python引用cv2这个包不报错则为成功

python
import cv2

配置caffe2

这里根据官网的步骤就可以
caffe2官网安装步骤
推荐从源码编译
选择如下在这里插入图片描述接下来就是安装依赖包
可能会提示pip升级之类的问题，升级即可。

pip install 太慢的话可以加入临时镜像例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple *****（*为要安装的）

sudo apt-get update
sudo apt-get install -y --no-install-recommends \
      build-essential \
      git \
      libgoogle-glog-dev \
      libgtest-dev \
      libiomp-dev \
      libleveldb-dev \
      liblmdb-dev \
      libopencv-dev \
      libopenmpi-dev \
      libsnappy-dev \
      libprotobuf-dev \
      openmpi-bin \
      openmpi-doc \
      protobuf-compiler \
      python-dev \
      python-pip                          
pip install --user \
      future \
      numpy \
      protobuf \
      typing \
      hypothesis

sudo apt-get install -y --no-install-recommends \
      libgflags-dev \
      cmake

这里install可能会出现问题，按提示操作就行，或者一个包一个包手动安装就可以
这里不用考虑官网中GPU相关操作，因为在之前已经操作过了
接下来就是从git中安装pytorch

git clone https://github.com/pytorch/pytorch.git && cd pytorch
git submodule update --init --recursive
python setup.py install

完成上述步骤后可以检测是否成功安好Caffe2

cd ~ && python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

如果输出Success则成功
接下来检测是否gpu是否成功支持

python caffe2/python/operator_test/activation_ops_test.py

这里一定会有输出不管是失败还是成功，只要有输出就可以（不是Error）

配置cocoAPI

API 的作用就是为了提取标注文件中的信息, 使其分别用于各自的场景
为了更好的使用数据集, COCO 对数据集的标注信息做了统一管理

cocoAPI的配置十分简单


git clone https://github.com/cocodataset/cocoapi.git #默认放在/home下
cd cocoapi/PythonAPI
make install
python setup.py install --user

配置detectron

git clone https://github.com/facebookresearch/detectron #默认放在/Home下
pip install -r $DETECTRON/requirements.txt
cd detectron && make

测试是否成功

python detectron/detectron/tests/test_spatial_narrow_as_op.py

到这里detectron所需要的环境全部搭建完成～～感谢观看