ubuntu18.04安装cuda10.2 cudnn7.5
下载 cudnn 地址
https://developer.nvidia.com/rdp/cudnn-archive
2.3.2. Installing From A Debian File Navigate to your <cudnnpath> directory containing cuDNN Debian file. Install the runtime library, for example: sudo dpkg -i libcudnn7_7.6.5.32-1+cuda10.2_amd64.deb Install the developer library, for example: sudo dpkg -i libcudnn7-dev_7.6.5.32-1+cuda10.2_amd64.deb Install the code samples and the cuDNN Library User Guide, for example: sudo dpkg -i libcudnn7-doc_7.6.5.32-1+cuda10.2_amd64.deb
官网安装教程大概意思就是下载一个 deb 安装包
sudo dpkg -i libcudnn7_7.6.5.32-1+cuda10.2_amd64.deb 即可安装成功 查看下cudnn版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
netstep 拖拽gpu容器
在这里插入代码片
上传tf2.0 yolo3 识别模型包含图片
在这里插入代码片
模型使用说明
使用前提 先把 labelimage中的
jpg放到 yolo3/data/pic
xml 放到 yolo3/data/xml
#测试环境 正常情况下会生成 画好框的 pic 存到save目录下 python3 image_demo.py #运行 生成 data中的 /ascript/YOLOV3/data/dataset/train.txt python3 xml_to_txt.py #接下来就可以运行训练 python3 train.py 当训练结束后 先 修改/ascript/YOLOV3/data/dataset/yymnist_test.txt 内容如下格式， 你的待检测图片的路径 标注框xywh, /home/YOLOV3/data/pic/000020.jpg 165,277,175,289,1 /home/YOLOV3/data/pic/000036.jpg 348,469,445,582,1 477,241,551,329,1 597,251,671,340,1 685,248,771,350,1 899,220,1016,363,1 /home/YOLOV3/data/pic/000022.jpg 640,105,660,128,1 #执行一下命令 python3 test.py
3.2 安装cudnn sudo dpkg -i libcudnn7_7.6.1.34-1+cuda10.1_amd64.deb sudo dpkg -i libcudnn7-dev_7.6.1.34-1+cuda10.1_amd64.deb sudo dpkg -i libcudnn7-doc_7.6.1.34-1+cuda10.1_amd64.deb 3.3 测试 cuDNN 6.1复制 cuDNN sample 到一个目录下,这里复制到 HOME 下 cp -r /usr/src/cudnn_samples_v7 /$HOME 6.2进入 HOME 目录 cd $HOME/cudnn_samples_v7/mnistCUDNN/ 6.3 编译 mnistCUDNN sample make clean && make all –j8 6.4 运行 mnistCUDNN sample ./mnistCUDNN #测试成功 Result of classification: 1 3 5 Test passed! /usr/include/x86_64-linux-gnu/cudnn_v7.h 来在自动模式中提供 /usr/include/cudnn.h cp -r /usr/include/cudnn.h /usr/local/cuda/include/cudnn.h cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
参考
