复现darknet 时出现Makefile:177: recipe for target ‘obj/convolutional_kernels.o‘ failed

最新推荐文章于 2025-03-07 10:31:03 发布
原创 最新推荐文章于 2025-03-07 10:31:03 发布 · 1.4k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #深度学习 #tensorflow

在尝试复现darknet时遇到Makefile错误，问题源于CUDA版本过高不支持某些运算。通过删除特定的编译选项，如-gencodearch=compute_30,code=sm_30等，成功解决了编译问题，之后执行make命令完成构建。
部署运行你感兴趣的模型镜像

复现darknet 时出现Makefile:177: recipe for target ‘obj/convolutional_kernels.o’ failed

问题形式为
在这里插入图片描述一开始以为是索引问题就采用了：在Makefile文件的NVCC=nvcc处，将nvcc改为系统中nvcc的路径/usr/local/cuda-11.0/bin/nvcc还是不行，最后仔细看了看上面的nvcc，。。。。。。。原来是cuda版本高，不支持运算，所以解决方法是 删除

-gencode arch=compute_30,code=sm_30 \
 -gencode arch=compute_35,code=sm_35 \

然后make一下完事。

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

成功解决Ubuntu下的make: gcc: Command not found Makefile:85: recipe for target 'obj/gemm.o' failed make: **
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
04-15 3万+
成功解决Ubuntu下的make: gcc: Command not found Makefile:85: recipe for target 'obj/gemm.o' failed make: ** 目录 解决问题 解决思路 解决方法 解决问题 make: gcc: Command not found Makefile:85: recipe for targe...
yolov4 darknet在ubuntu下的编译，解决“Makefile:177: recipe for target ‘obj/convolutional_kernels.o‘ failed“
weixin_43350700的博客
10-26 3180
安装darknet 下载yolov4： git clone https://github.com/AlexeyAB/darknet.git 编译，如果用CPU直接编译即可，如果用GPU跑，需要设置CUDA=1,CUDNN=1 $cd darknet $make 编译报错： nvcc fatal : Unsupported gpu architecture 'compute_30' Makefile:177: recipe for target 'obj/convolutional_ker
Makefile:177: recipe for target ‘obj/convolutional_kernels.o‘ failed
YoJayC的博客
08-21 1919
在使用make编译darknet时出现标题上的错误 解决方法：在Makefile文件的NVCC=nvcc处，将nvcc改为系统中nvcc的路径/usr/local/cuda-10.0/bin/nvcc 参考： https://blog.csdn.net/Chen_qi_hai/article/details/104598145
Makefile:92: recipe for target 'obj/convolutional_kernels.o' failed
晨海的博客
03-01 4838
单独用GPU编译darknet源码时出现如下错误： 解决方法： 修改Makefile NVCC = /usr/local/cuda-9.0/bin/nvcc 重新编译，错误解决 make 测试一下GPU版本的yolov3 ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg 出现如下错误： ./darknet: error...
'obj/convolutional_kernels.o' failed
weixin_33985679的博客
05-10 553
2019独角兽企业重金招聘Python工程师标准>>> ...
Makefile:185: recipe for target ‘obj/network_kernels.o‘ failed make: ***
qq_53951823的博客
11-21 4544
**问题 ：Makefile:185: recipe for target ‘obj/network_kernels.o’ failed make: ***** 解决方法： 去darknet——src下 找到network kernels cu 这个文件 点进去，找到CHECK_CUDA(cudaStreamBeginCapture(stream0,cudaStreamCaptureModeGlobal));加入//即可 之后退出去，重新make clean 然后重新make 就好了 ...
Darknet YOLOv3模型环境构建及问题解决
江苏学蠡信息科技有限公司是一家国家高新技术企业，与众多高校深入开展产学研合作，有一支以硕博士为主导的研发和服务团队，获得自主知识产权十余项。围绕中国高等教育人工智能及物联网专业发展规划，创新性的推出人工智能类、物联网类、嵌入式类三大学科教学产品与培训服务。
03-07 469
先下载编译darknet工程，具体见官网 https://pjreddie.com/darknet/yolo/，可以在github上下载压缩包，这里还是推荐使用git下载进入darknet文件夹后，修改Makefile文件，根据你的电脑配置修改；如果是用的GPU训练的，就需要将GPU和CUDNN的值改为1，如果是用CPU训练的则不需要更改，修改完后运行make。
darknet 训练流程
WSNjiang的博客
08-12 2586
1、darknet编译 git clone https://github.com/pjreddie/darknet.git cd darknet 修改Makefile GPU=1 #加GPU CUDNN=1 # OPENCV=0 #加opencv OPENMP=0 DEBUG=0 4、make 有时候make时候会报错，下面列举一些遇到的报错信息 1、 ./src/convolutional_kernels.cu -o obj/convolutional_kernels.o /bin/sh: 1
jetson xavier nx配置yolov4
Mr_Wang0120的博客
10-08 980
下载darknet git clone https://github.com/AlexeyAB/darknet 编译项目 cd darknet make 报错：chmod +x *.sh 解决方法： make clean make 报错：/bin/sh: 1: nvcc: not found Makefile:185: recipe for target ‘obj/convolutional_kernels.o’ failed make: *** [obj/convolutional_kernels.
四 YOLO编译问题汇总
weixin_43773557的博客
06-01 809
1.cuda编译错误 问题描述： /bin/sh: 1: nvcc: not found Makefile:89: recipe for target 'obj/convolutional_kernels.o' failed make: *** [obj/convolutional_kernels.o] Error 127 解决办法：nvcc未找到，自己在makefile中添加nvcc路径，把原来的注释掉 编译成功！！ 2.运行错误 问题描述：文件未找到 /darknet: error while l
海思3559：uboot顶层Makefile分析
快跑Bug来啦！
10-12 549
符号 \是makefile的换行符其中，|是shell语法中的管道结构，例如：XXX | YYY ，表达式XXX 的输出将作为表达式YYY的输入，YYY的输出才是整句表达式的输出uname -m 指令将输出负责编译的主机cpu架构，比如ixx86；表达式1中，方括号是固定用法，是为了突出里面表达式的作用是判断语句。$(if xxx，yyy，zzz）是makefile的判断函数，如果xxx为真，则执行yyy并返回值，否则执行zzz并返回值，由此可知如果未成功创建BUILD_DIR，就会输出错误打印信息；
ubuntu16.04完美测试yolo v3—darknet模型
源代码杀手的博客
02-13 1459
yolo v3——darknet模型C源码： https://github.com/arnoldfychen/darknet 本次测试只记录测试过程中的报错问题： 单独用GPU编译darknet源码时出现如下错误： Makefile:92: recipe for target ‘obj/convolutional_kernels.o’ failed 解决方法： 修改Makefile NVCC = /usr/local/cuda-9.0/bin/nvcc 重新编译，错误解决 make 解决pjredd
运行yolov3demo时make -j报错Makefile:78: recipe for target 'darknet' failed
qigeyonghuming_1的博客
04-12 4992
when searching for -lopencv_videostab collect2: error: ld returned 1 exit status collect2: error: ld returned 1 exit status Makefile:78: recipe for target ‘darknet’ failed make: *** [darknet] Error 1 ...
解决方法：Makefile:77: recipe for target ‘darknet‘ failed make: *** [darknet] Error 1
Shadownow的博客
07-26 1736
想使用opencv运行yolo3，修改opencv=1后，make文件时报出了错误如下。搜了很多解决办法，大家注意不要只看标题的错误，要去看具体是什么错误。理性分析我这个错误后，发现是cuda的问题，于是我在安装了cuda9.0后，问题即可解决了！ /usr/bin/ld: warning: libcudart.so.9.0, needed by /usr/local/lib/libopencv_core.so, not found (try using -rpath or -rpath-link) /u
DarkNet——OpenCV版本遇到的问题
我们的时光！
06-04 6123
OpenCV 3.9及以上， IplImage 与 Mat 转换出现问题 ./src/image_opencv.cpp: In function ‘image mat_to_image(cv::Mat)’: ./src/image_opencv.cpp:63:20: error: conversion from ‘cv::Mat’ to non-scalar type ‘IplImage {aka _IplImage}’ requested IplImage ipl = m; ...
Darknet - YOLO - /bin/sh: 1: nvcc: not found
热门推荐
程永强
06-02 1万+
Darknet - YOLO - /bin/sh: 1: nvcc: not found 1. darket_work yongqiang@amax-server:~$ ssh yongqiang@192.168.1.3 yongqiang@192.168.1.3's password: Welcome to Ubuntu 16.04.4 LTS (GNU/Linux 4.4.0-116-generic x86_64) * Documentation: https://help.ubuntu.
/bin/sh: 1: nvcc: not found Makefile:89: recipe for target 'obj/convolutional_kernels.o' failed
hunzhangzui9837的博客
10-07 9439
 在测试YOLO时出现： nvcc -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_50,code=[sm_50,compute_50] -gencode arch=compute_52,code=[sm_52,compute_52] -Iinclude/ ...
YOLOv3 darknet:/make: *** [obj/convolutional_kernels.o] Error 127
zhaoyoulin2016的博客
08-13 5643
修改Makefile 文件 进行make编译出现下面的错误 在/etc/profile 文件下添加 使用make进行编译 执行./darknet detect cfg/yolov3.cfg yolov3.weights data/horses.jpg 可以看出来GPU真的比CPU快了将近50倍。  ...
darknet 版本yolo v1 - v4 编译及环境配置 Ubuntu18.04
you 是 mine
08-11 1264
darknet训练自己的数据 一. 电脑环境 1. GPU: 1080TI 2. CUDA:10.0 3. tensorflow:1.14.0 4. keras:2.3.1 5. Ubuntu18.04 CUDA CUDNN等具体安装步骤见: https://blog.csdn.net/qq_28949847/article/details/110122179 二. github网址 https://github.com/AlexeyAB/darknet 三.环境配置 步骤: 1. cd darknet
./src/gemm.c: In function ‘time_gpu’: ./src/gemm.c:232:9: warning: ‘cudaThreadSynchronize’ is deprecated [-Wdeprecated-declarations] cudaThreadSynchronize(); ^~~~~~~~~~~~~~~~~~~~~ In file included from /usr/local/cuda-12.1/include/cuda_runtime.h:96:0, from include/darknet.h:11, from ./src/utils.h:5, from ./src/gemm.c:2: /usr/local/cuda-12.1/include/cuda_runtime_api.h:1067:57: note: declared here extern __CUDA_DEPRECATED __host__ cudaError_t CUDARTAPI cudaThreadSynchronize(void); ^~~~~~~~~~~~~~~~~~~~~ ./src/convolutional_layer.c: In function ‘cudnn_convolutional_setup’: ./src/convolutional_layer.c:148:5: warning: implicit declaration of function ‘cudnnGetConvolutionForwardAlgorithm’; did you mean ‘cudnnGetConvolutionForwardAlgorithm_v7’? [-Wimplicit-function-declaration] cudnnGetConvolutionForwardAlgorithm(cudnn_handle(), ^~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ cudnnGetConvolutionForwardAlgorithm_v7 ./src/convolutional_layer.c:153:13: error: ‘CUDNN_CONVOLUTION_FWD_SPECIFY_WORKSPACE_LIMIT’ undeclared (first use in this function); did you mean ‘CUDNN_CONVOLUTION_FWD_ALGO_DIRECT’? CUDNN_CONVOLUTION_FWD_SPECIFY_WORKSPACE_LIMIT, ^~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ CUDNN_CONVOLUTION_FWD_ALGO_DIRECT compilation terminated due to -Wfatal-errors. Makefile:91: recipe for target 'obj/convolutional_layer.o' failed make: *** [obj/convolutional_layer.o] Error 1 make: *** 正在等待未完成的任务....
最新发布
07-04
<think>我们正在解决用户在使用CUDA 12.1和cuDNN编译Darknet时遇到的弃用警告和未声明错误。问题主要涉及两个点： 1. `cudaThreadSynchronize`被弃用（在CUDA 12.1中） 2. `cudnnGetConvolutionForwardAlgorithm`未声明（可能是cuDNN版本变化导致） 根据引用[3]的提示，我们需要注意CUDA的大版本兼容性（如11.*或12.*），但用户已经使用CUDA 12.1，所以我们需要调整代码以适应新版本。 解决方案： 1. **替换弃用的CUDA函数**： - 在CUDA中，`cudaThreadSynchronize`已被弃用，推荐使用`cudaDeviceSynchronize`。我们需要在代码中找到所有`cudaThreadSynchronize`并替换为`cudaDeviceSynchronize`。 2. **更新cuDNN函数调用**： - `cudnnGetConvolutionForwardAlgorithm`在cuDNN v8之后被弃用，改为使用新的API。根据cuDNN的文档，推荐使用`cudnnGetConvolutionForwardAlgorithm_v7`或者使用`cudnnFindConvolutionForwardAlgorithmEx`来获取算法。 - 但是，Darknet项目可能使用的是旧版cuDNN的API，因此我们需要根据cuDNN版本来调整。 具体步骤： 步骤1：替换弃用的CUDA函数 - 在Darknet源码中搜索`cudaThreadSynchronize`，将其替换为`cudaDeviceSynchronize`。 - 注意：这个替换应该在所有出现的地方进行。 步骤2：更新cuDNN相关代码 - 由于`cudnnGetConvolutionForwardAlgorithm`在cuDNN v8中被移除，我们需要根据Darknet中实际使用的情况来修改。 - 在Darknet中，通常是在`src/convolutional_layer.c`或类似文件中调用cuDNN函数。 - 替代方案：使用`cudnnGetConvolutionForwardAlgorithm_v7`（如果仍然可用）或者使用新的API`cudnnFindConvolutionForwardAlgorithmEx`。 但是，由于Darknet可能没有更新这部分代码，我们可以参考以下两种方法： 方法A（推荐）：更新到支持cuDNN v8的Darknet分支 - 查看Darknet的GitHub仓库，是否有支持cuDNN v8的分支或提交。如果有，直接更新代码。 方法B：手动修改代码 - 如果不想切换分支，可以手动修改代码。以下是一个修改示例： 原代码（使用旧API）： ```c cudnnGetConvolutionForwardAlgorithm(cudnn_handle(), srcTensorDesc, weightDesc, convDesc, dstTensorDesc, CUDNN_CONVOLUTION_FWD_PREFER_FASTEST, 0, &algo); ``` 修改为（使用v7版本的API）： ```c int algo_count; cudnnConvolutionFwdAlgoPerf_t algo_perf; cudnnGetConvolutionForwardAlgorithm_v7(cudnn_handle(), srcTensorDesc, weightDesc, convDesc, dstTensorDesc, 1, // 请求的算法数量 &algo_count, &algo_perf); algo = algo_perf.algo; ``` 或者使用`cudnnFindConvolutionForwardAlgorithmEx`（更推荐，因为它可以返回多个算法并选择最优）： ```c int algo_count; cudnnConvolutionFwdAlgoPerf_t algo_perf[3]; // 可以测试多个算法 cudnnFindConvolutionForwardAlgorithmEx( cudnn_handle(), srcTensorDesc, input_data, // 输入张量描述和实际数据（需要传入实际数据指针） weightDesc, weight_data, // 权重描述和实际数据 convDesc, dstTensorDesc, output_data, // 输出张量描述和实际数据 3, // 测试的算法数量 &algo_count, algo_perf, workspace, workspace_size); // 需要提供工作空间 // 选择第一个（最优的）算法 algo = algo_perf[0].algo; ``` 注意：使用`cudnnFindConvolutionForwardAlgorithmEx`需要提供工作空间（workspace），这可能需要额外的内存分配。 - 由于Darknet中通常没有提供工作空间，因此修改可能较为复杂。我们可以选择使用`cudnnGetConvolutionForwardAlgorithm_v7`（如果cuDNN版本>=7）来简化。 步骤3：确保cuDNN头文件和库版本匹配 - 检查安装的cuDNN版本是否与CUDA 12.1兼容（cuDNN for CUDA 12.x）。 - 在编译时，确保链接了正确版本的cuDNN库。 步骤4：重新编译 - 修改代码后，执行`make clean`然后重新编译。 注意：由于Darknet项目本身更新较慢，可能对最新CUDA和cuDNN支持不够好。如果上述修改复杂，也可以考虑使用CUDA 11.x和对应cuDNN（根据引用[3]的提示，保持大版本一致，且之前依赖的可能是11.*），这样可能避免代码修改。 但是用户已经使用CUDA 12.1，所以我们提供修改代码的方案。 总结修改步骤： 1. 全局替换`cudaThreadSynchronize`为`cudaDeviceSynchronize`。 2. 修改cuDNN卷积前向算法选择的代码，使用v7版本或FindEx版本的API。 3. 重新编译。 由于Darknet的代码结构可能不同，下面给出一个具体的文件修改指南： - 对于CUDA同步函数的替换： 在命令行中（在darknet源码目录下）执行： ```bash grep -r "cudaThreadSynchronize" . ``` 然后逐个文件修改。 - 对于cuDNN函数，通常在`src/convolutional_layer.c`中的`forward_convolutional_layer_gpu`函数中，找到`cudnnGetConvolutionForwardAlgorithm`调用，并替换为上述新API。 如果用户遇到其他问题，可能需要更详细的调试。 相关问题： 1. 如何检查CUDA和cuDNN的版本？ 2. 如何为Darknet指定特定版本的CUDA和cuDNN？ 3. 在Darknet中，如何启用或禁用cuDNN加速？ 4. 除了上述修改，还有哪些常见的CUDA 12.1编译问题？ 5. 如何为Darknet分配工作空间以使用`cudnnFindConvolutionForwardAlgorithmEx`？</think>### 解决CUDA 12.1和cuDNN编译Darknet的问题 以下是针对两个主要问题的解决方案： #### 1. `cudaThreadSynchronize` 弃用警告的解决 **问题原因**： 在CUDA 12.1中，`cudaThreadSynchronize()` 已被弃用，推荐使用 `cudaDeviceSynchronize()`[^3]。 **修复步骤**： 1. 在Darknet源码中全局搜索 `cudaThreadSynchronize` 2. 在以下文件中进行替换： ```c // 修改文件：src/dark_cuda.c // 找到： cudaThreadSynchronize(); // 替换为： cudaDeviceSynchronize(); ``` 3. 同样检查以下文件并替换： - `src/convolutional_layer.c` - `src/deconvolutional_layer.c` - `src/cuda.c` #### 2. `cudnnGetConvolutionForwardAlgorithm` 未声明的解决 **问题原因**： cuDNN v8+ 已弃用旧API，`cudnnGetConvolutionForwardAlgorithm` 被新函数替代[^3]。 **修复方案**： ```c // 修改文件：src/convolutional_layer.c // 找到报错位置（约在forward_convolutional_layer_gpu函数内） // 原始弃用代码： cudnnGetConvolutionForwardAlgorithm(...); // 替换为以下两种方案之一： // 方案A：使用兼容层（推荐） cudnnGetConvolutionForwardAlgorithm_v7( cudnn_handle(), srcTensorDesc, weightDesc, convDesc, dstTensorDesc, 1, // 请求的算法数量 &algo_count, &algo_perf); algo = algo_perf.algo; // 方案B：使用新API cudnnConvolutionFwdAlgoPerf_t perf_results; int algo_count; cudnnFindConvolutionForwardAlgorithmEx( cudnn_handle(), srcTensorDesc, input_data, weightDesc, weight_data, convDesc, dstTensorDesc, output_data, 1, // 测试的算法数量 &algo_count, &perf_results, workspace, workspace_size); // 需要额外分配workspace ``` #### 完整配置建议 1. **环境验证**： ```bash nvcc --version # 确认CUDA 12.1 cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 # 确认cuDNN版本 ``` 2. **编译命令**： ```bash make clean # 在Makefile中设置： # GPU=1, CUDNN=1, CUDNN_HALF=1, ARCH=compute_89,sm_89 make -j$(nproc) ``` #### 关键注意事项 1. **cuDNN兼容性**： CUDA 12.1 需要 cuDNN ≥ v8.9.1，检查 `/usr/local/cuda/include/cudnn_version.h` 确认版本[^3] 2. **工作空间分配**： 使用新API时需要额外分配workspace： ```c size_t workspace_size; cudnnGetConvolutionForwardWorkspaceSize(...); cudaMalloc(&workspace, workspace_size); ``` 3. **API差异处理**： 如果遇到其他未定义函数，参考[NVIDIA cuDNN API迁移指南](https://docs.nvidia.com/deeplearning/cudnn/api/index.html#api-migration)进行适配 > **替代方案**：若修改复杂，可降级到CUDA 11.x（需与现有环境一致）[^3]。使用Docker容器管理版本： > ```bash > docker run --gpus all -it nvcr.io/nvidia/cuda:11.8.0-devel-ubuntu20.04 > ``` --- ### 相关问题 1. 如何检查CUDA和cuDNN版本的兼容性？ 2. 使用新cuDNN API时如何正确分配工作空间内存？ 3. 如何为RTX 40系列显卡优化Darknet性能？ 4. 降级CUDA版本时如何避免破坏现有环境？ 5. 如何验证修改后的Darknet是否充分利用了GPU？ [^1]: 利用CMake编译需要高版本支持，建议使用原生Makefile[^1] [^2]: Windows平台编译需注意VS项目配置[^2] [^3]: CUDA大版本兼容性至关重要，需保持环境一致[^3]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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