安装深度学习环境

本文提供在Ubuntu 20.04上安装CUDA 11.7及11.8版本的详细步骤,并指导如何配置Python环境以支持PyTorch 2.0.1。此外,还介绍了安装MMDetection和MMTracking所需的依赖项及验证安装成功的方法。

OS: ubuntu20.04

CUDA

11.7.1
https://developer.nvidia.com/cuda-11-7-1-download-archive?target_os=Linux&target_arch=x86_64&Distribution=Ubuntu&target_version=20.04&target_type=deb_local
https://docs.nvidia.com/cuda/archive/11.7.1/cuda-installation-guide-linux/
https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda-repo-ubuntu2004-11-7-local_11.7.1-515.65.01-1_amd64.deb
11.8.0
https://developer.nvidia.com/cuda-11-8-0-download-archive?target_os=Linux&target_arch=x86_64&Distribution=Ubuntu&target_version=20.04&target_type=deb_local
https://docs.nvidia.com/cuda/archive/11.8.0/cuda-installation-guide-linux/
https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb
# 验证
git clone git@github.com:NVIDIA/cuda-samples.git -b v11.8

cuDNN

8.9.0
https://developer.nvidia.com/rdp/cudnn-archive
https://developer.nvidia.com/downloads/compute/cudnn/secure/8.9.0/local_installers/11.8/cudnn-local-repo-ubuntu2004-8.9.0.131_1.0-1_amd64.deb
https://docs.nvidia.com/deeplearning/cudnn/archives/cudnn-890/install-guide/

python

# https://repo.anaconda.com/miniconda/Miniconda3-py310_24.1.2-0-Linux-x86_64.sh
sh Miniconda3-py310_24.1.2-0-Linux-x86_64.sh
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117  --extra-index-url https://download.pytorch.org/whl/cu117
pip install torch==2.0.1 torchvision==0.15.2
python3 -c "import torch;print(torch.cuda.is_available())"

mmdet

# CUDA: 11.8, python: 3.10, PyTorch: 2.0.1
pip install cuda-python

# 安装mmcv
pip3 install mmengine
pip3 install mmcv -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.0.0/index.html
# 在 MMCV1.x 中,它有两个包名 mmcv-full 和 mmcv,前者比后者多包含了 CUDA 算子。在 MMCV2.x 中,我们决定将 mmcv-full 重命名为 mmcv,将 mmcv 重名为 mmcv-lite。
# https://zhuanlan.zhihu.com/p/572550592

# 安装mmdet
git clone https://github.com/open-mmlab/mmdetection.git -b v3.3.0
cd mmdetection
pip3 install -e .

# 安装mmtracking
git clone https://github.com/open-mmlab/mmtracking.git -b v1.0.0rc1
cd mmtracking
pip3 install -r requirements/build.txt
pip3 install -v -e .  # or "python3 setup.py develop"
# 可选数据集依赖
pip3 install git+https://github.com/JonathonLuiten/TrackEval.git
pip3 install git+https://github.com/lvis-dataset/lvis-api.git
pip3 install git+https://github.com/TAO-Dataset/tao.git
pip3 install git+https://github.com/votchallenge/toolkit.git
# CUDA: 11.7, python: 3.8, PyTorch: 2.0.1
pip install cuda-python

# 安装mmdet
# 方法一
pip3 install mmengine
pip3 install mmcv -f https://download.openmmlab.com/mmcv/dist/cu117/torch2.0.0/index.html
# 在 MMCV1.x 中,它有两个包名 mmcv-full 和 mmcv,前者比后者多包含了 CUDA 算子。在 MMCV2.x 中,我们决定将 mmcv-full 重命名为 mmcv,将 mmcv 重名为 mmcv-lite。
# https://zhuanlan.zhihu.com/p/572550592
git clone https://github.com/open-mmlab/mmdetection.git -b v3.3.0
cd mmdetection
pip3 install -e .
# 方法二
pip install -U openmim
mim install mmengine
mim install "mmcv==2.0.0"
git clone https://github.com/open-mmlab/mmdetection.git -b v3.3.0
cd mmdetection
pip install -v -e .

# 安装mmsegmentation
git clone -b v1.2.2 https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -v -e .

# 安装mmtracking
git clone https://github.com/open-mmlab/mmtracking.git -b v1.0.0rc1
cd mmtracking
pip3 install -r requirements/build.txt
pip3 install -v -e .  # or "python3 setup.py develop"
# 可选数据集依赖
pip3 install git+https://github.com/JonathonLuiten/TrackEval.git
pip3 install git+https://github.com/lvis-dataset/lvis-api.git
pip3 install git+https://github.com/TAO-Dataset/tao.git
pip3 install git+https://github.com/votchallenge/toolkit.git

验证安装

mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .
python demo/image_demo.py demo/demo.png configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --out-file result.jpg

mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .
python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu

python3 -c "import mmdet;print(mmdet.__version__)"
python3 demo/demo_mot_vis.py configs/mot/deepsort/sort_faster-rcnn_fpn_4e_mot17-private.py --input demo/demo.mp4 --output mot.mp4

ref:
https://github.com/open-mmlab/mmdetection
https://mmdetection.readthedocs.io/en/latest/get_started.html
https://github.com/open-mmlab/mmtracking/blob/master/docs/en/install.md

### 回答1: 要在WSL中安装深度学习环境,可以按照以下步骤进行操作。 1. 首先,确保已经安装了WSL并选择了适合您的Linux发行版,如Ubuntu。 2. 打开WSL终端并运行以下命令,更新系统软件包列表: ``` sudo apt update ``` 3. 安装必要的依赖项,包括Python和pip: ``` sudo apt install python3 python3-pip ``` 4. 安装所需的深度学习库,如TensorFlow或PyTorch。可以使用pip命令来安装它们,例如: ``` pip3 install tensorflow ``` 5. 根据需要,您还可以安装其他深度学习库和工具,如Keras、Scikit-learn等: ``` pip3 install keras scikit-learn ``` 6. 可能需要安装GPU的相关驱动程序和CUDA工具包,以便在WSL中进行GPU加速的深度学习任务。这可能需要更多的配置和步骤,因为WSL并不原生支持CUDA,但是可以通过一些额外的工具和补丁来实现。 请注意,WSL在很大程度上是用于开发目的,而不是用于性能要求较高的深度学习任务。如果您需要更高性能的环境,建议直接在宿主系统上安装深度学习环境,而不是使用WSL。 希望以上步骤对于在WSL中安装深度学习环境有所帮助。 ### 回答2: 要在WSL上安装深度学习环境,首先需要安装WSL,并选择适合的发行版,如Ubuntu。安装完成后,可以使用WSL的命令行界面进行操作。 在WSL上安装深度学习环境一般分为以下步骤: 1. 更新系统:使用命令sudo apt update && sudo apt upgrade来更新WSL的系统软件和库。 2. 安装必要的工具:安装一些必要的工具和软件包,如wget、curl等,以便后续的操作。 3. 安装Python:深度学习环境通常需要使用Python作为编程语言,可以通过sudo apt install python来安装Python。 4. 安装pip:Pip是一个Python的包管理工具,使用命令sudo apt install python3-pip来安装pip。 5. 安装深度学习框架:有多种深度学习框架可供选择,如TensorFlow、PyTorch等。可以使用pip安装这些框架,例如使用pip install tensorflow来安装TensorFlow。 6. 安装GPU支持(可选):如果使用GPU进行深度学习训练,还需要安装相应的GPU驱动和CUDA库。具体安装步骤可以参考相应的GPU厂商文档。 7. 安装其他依赖库:深度学习环境通常还依赖于其他的库和软件包,可以使用pip安装这些依赖库。 安装深度学习环境可能会涉及到很多细节和配置,具体操作要根据具体环境和需求来确定。此外,还可以通过WSL启动一个图形界面,以方便使用深度学习工具和编辑器。在图形界面中,可以更方便地进行代码编写、调试和可视化等操作。 总之,在WSL上安装深度学习环境需要经过一系列的准备和安装步骤,可以根据具体需求和环境按照以上步骤进行操作。 ### 回答3: 要在WSL上安装深度学习环境,可以按照以下步骤进行操作: 1. 安装WSL:在Windows系统上,可以通过Microsoft Store或者官方网站下载安装WSL。选择合适的Linux发行版,如Ubuntu。 2. 启动WSL:安装完成后,可以在Windows菜单中找到WSL并打开命令行终端。 3. 更新系统:在WSL终端中,使用以下命令更新系统软件包和依赖项: ``` sudo apt update sudo apt upgrade ``` 4. 安装Python和pip:为了使用深度学习框架,需要先安装Python和pip。在WSL中使用以下命令进行安装: ``` sudo apt install python3 python3-pip ``` 5. 安装深度学习库:根据需要选择深度学习框架(如TensorFlow、PyTorch等),并使用pip命令安装相应的库。例如,安装TensorFlow和Keras可以使用以下命令: ``` pip3 install tensorflow pip3 install keras ``` 6. 安装GPU驱动(可选):如果你的系统有NVIDIA GPU并且想要使用GPU加速深度学习训练,可以在WSL中安装相应的GPU驱动和CUDA工具包。具体安装过程较为复杂,建议参考相关文档或教程进行操作。 以上步骤是在WSL上安装深度学习环境的大致流程。根据不同的需求和情况,可能会有一些额外的步骤或配置,建议参考相关文档或教程进行更详细的指导。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值