Ceci est une ancienne révision du document !
Table des matières
Archive YOLO v3 sur un portable Optimus
Installation de YOLO Darknet sur un portable avec Optimus Xubuntu 18.04 CUDA 10 CUDNN 7
Ressources et documentation de YOLO Darknet
Darknet
- darknet de AlexeyAB sur GitHub bien documenté
- Détection avec YOLO v2 Les explications pour créer les images training et test
Portable Optimus
Installation du driver Nvidia
Sur Xubuntu 18.04
Avec pilotes additionnels, installation de nvidia-driver-390. Redémarrer, nvidia-settings est actif, la carte nvidia est utilisée en permanence, ça souffle, ça consomme !
Installation de tensorflow GPU
Uniquement pour tester le calcul sur GPU
# sudo apt-get install libcupti-dev # A utiliser avec: export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64 # Add NVIDIA package repositories wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub sudo apt-get update wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb sudo apt-get update # Install development and runtime libraries (~4GB) sudo apt-get install --no-install-recommends cuda-10-0 libcudnn7=7.4.1.5-1+cuda10.0 libcudnn7-dev=7.4.1.5-1+cuda10.0 # Install TensorRT. Requires that libcudnn7 is installed above. sudo apt-get update && sudo apt-get install nvinfer-runtime-trt-repo-ubuntu1804-5.0.2-ga-cuda10.0 && sudo apt-get update && sudo apt-get install -y --no-install-recommends libnvinfer-dev=5.0.2-1+cuda10.0
Test:
python3
import tensorflow as tf hello = tf.constant('Hello, World!') sess = tf.Session() print(sess.run(hello))
Ne marche pas ma carte est trop vielle !
Installation de CUDA
wget -c https://developer.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.deb sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub sudo apt-key add /var/cuda-repo-10-1-local-10.1.105-418.39/7fa2af80.pub sudo apt-get update sudo apt-get install cuda
Installation de CUDNN
Remarque: Début des essais avec
sudo dpkg -i libcudnn7_7.5.0.56-1+cuda10.1_amd64.deb
qui n'a pas installer cudnn !!
Il faut avoir un compte sur Nvidia et se loguer pour pouvoir télécharger:
wget -c https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.5.0.56/prod/10.1_20190225/cudnn-10.1-linux-x64-v7.5.0.56.tgz
Décompresser, dans le dossier:
sudo cp -P /media/data/cuda/targets/ppc64le-linux/lib/libcudnn* /usr/local/cuda-10.1/lib64/ sudo cp /media/data/cuda/targets/ppc64le-linux/include/cudnn.h /usr/local/cuda-10.1/include/ sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
Darknet
Dépendances
sudo apt-get install cmake sudo apt-get install clang sudo apt-get install python3-pip sudo pip3 install opencv-python==3.4.5.20 sudo apt-get install libopencv-core-dev libopencv-highgui-dev libopencv-flann-dev libopencv-photo-dev libopencv-video-dev libopencv-dev
export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}} nvcc -V export PATH=/usr/local/cuda/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64 make
Création du set d'apprentissage
Nous avons 1000 images 416×416 obtenus avec Création du set d'apprentissage et les fichiers test.txt et train.txt
Mon sémaphore
Python 3.6.7 pour utiliser les sources de mon_semaphore
# pour mes projets sudo pip3 install -e git+https://github.com/sergeLabo/pymultilame.git#egg=pymultilame