Darknet环境安装CUDANN实现推理加速

首先参考下面几篇文章安装darknet,cuda的基础环境: 

Yolov3网络的物体检测_tugouxp的专栏-优快云博客1.Get darknet 代码$ git clone https://github.com/pjreddie/darknet$ cd darknet$ makecaozilong@caozilong-Vostro-3268:~/yolo$ git clone https://github.com/pjreddie/darknet正克隆到 'darknet'...remote: Enumerating objects: 5937, done.remote: Total 5937 (dehttps://blog.youkuaiyun.com/tugouxp/article/details/119297898YOLOV3训练环境的搭建_tugouxp的专栏-优快云博客YOLOV3推理环境搭建参考文章：Yolov3网络的物体检测_tugouxp的专栏-优快云博客1.Get darknet 代码$ git clone https://github.com/pjreddie/darknet$ cd darknet$ makecaozilong@caozilong-Vostro-3268:~/yolo$ git clone https://github.com/pjreddie/darknet正克隆到 'darknet'...remote: Enumerating objhttps://blog.youkuaiyun.com/tugouxp/article/details/121303495https://blog.youkuaiyun.com/tugouxp/article/details/121248457https://blog.youkuaiyun.com/tugouxp/article/details/121248457Ubuntu18.04安装CUDA深度学习环境_tugouxp的专栏-优快云博客N卡在深度学习领域具备无可替代的地位，这里记录以下在我这台配备GF MX350 N卡笔记本 上安装cuda以及cuNN的具体步骤。MX350属于低端显卡了，一开始我还担心它会不会不支持CUDA，后面确认了一下，发现可以支持。关于确认N卡是否支持CUDA以及支持版本的具体步骤，可以参考我的这篇博客：如何确定PC Nvidia显卡是否支持CUDA以及cudaNN?过程不难，细节很多，下面记录具体步骤：1.安装显卡驱动：...https://blog.youkuaiyun.com/tugouxp/article/details/119829792https://blog.youkuaiyun.com/tugouxp/article/details/121248457https://blog.youkuaiyun.com/tugouxp/article/details/121248457

安装CUDANN

Nvidia显卡驱动和CUDA驱动安装好之后，通过nvidia-smi命令验证安装效果，如果出现下面的界面，则证明安装OK

之后，就可以打开darknet/Makefile中的配置FLAG， GPU=1，OPENCV=1（事先安装OPENCV）

即可编译成功，但是此如如果打开CUDANN=1，则会报告如下错误：

所以，安装CUDA NN是我们不得不进行的一道工序，它独立于CUDA环境的安装，下面开始。

CUDANN安装地址在：

NVIDIA cuDNN | NVIDIA DeveloperNVIDIA cuDNN NVIDIA CUDA® 深度神经网络库 (cuDNN) 是经 GPU 加速的深度神经网络基元库。cuDNN 可大幅优化标准例程（例如用于前向传播和反向传播的卷积层、池化层、归一化层和激活层）的实施。 世界各地的深度学习研究人员和框架开发者都依赖 cuDNN 实现高性能 GPU 加速。借助 cuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的 GPU 性能调整。cuDNN 可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PyTorch 和 TensorFlow。如需获取经 NVIDIA 优化且已在框架中集成 cuDNN 的深度学习框架容器，请访问 NVIDIA GPU CLOUD 了解详情并开始使用。 下载 cuDNN     https://developer.nvidia.com/zh-cn/cudnn

意外的是和安装CUDA和N卡驱动的白嫖不同，下载CUDANN还需要注册，胳膊宁不过大腿，还是先从了吧。

登陆成功后的界面，黄老板真帅。

之后就可以下载了：

因为我们安装的是CUDA11.5，所以我选择的版本是

cuDNN Runtime Library for Ubuntu18.04 x86_64 (Deb)

视需求可以下在别的资料，比如文档，由于我们是拿来使用而非基于它二次开发，所以不选择开发者版本。

下载过来的CUDA DEB包是这个样子， 虽然是库，但也不小了，果然如其名，又粗又大。

 安装：

安装后重开会话，重新编译darknet还是遇到同样的错误，查看DEB包内容，发现确实没有cudann.h文件。

 怀疑是下错包了，选择名字顺眼的（带有Library)的重新下载：

cuDNN Library for Linux (x86_64)

下载后：

解压后，确实有我们需要的头文件：

安装过程极其简单，只需要手动将cuda目录中的include,lib64目录拷贝到/usr/local/cuda-11.5/include 和 /usr/local/cuda-11.5/lib64两个目录即可

 之后编译：

 执行推理：

这次推理用了449.553000ms，至此，cudaNN安装总算完成了。

关于算力：

MX250显卡算例水平和GT550M相当，总体在2.0T略高的水平，虽然和高端显卡没法比，但是比嵌入式端侧产品中的动辄零点几TFOPS的NPU相比，还是强大很多的。

数据来源：

CUDA GPU | NVIDIA Developerhttps://developer.nvidia.com/zh-cn/cuda-gpus#compute

---

结束！