yolo_darknet_sur_un_portable_optimus
Ceci est une ancienne révision du document !
Table des matières
Yolo Darknet sur un portable Optimus
Installation de YOLO Darknet sur un portable avec Optimus
Considération générales
- Xubuntu 18.04 CUDA 10.0 CUDNN 7.4.1.5 Ne pas utiliser Ubuntu Mate, il y a un conflit de dépendances entre CUDA et Mate Desktop
- Valable aussi pour un Desktop avec une carte graphique Nvidia
- Ubuntu est nécessaire pour avoir le driver Nvidia en permanence
Ressources et documentation de YOLO Darknet
Darknet
- darknet de AlexeyAB sur GitHub Nous allons suivre à la lettre ce README
- Détection avec YOLO v2 Les explications pour créer les images training et test
Portable Optimus
Installation de CUDA 10.0 sur Xubuntu 18.04
Installation du driver Nvidia
Avec le Gestionnaire de pilotes supplémentaires
Installation
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb 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 dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub sudo apt-get update sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb sudo apt-get update sudo apt-get install --no-install-recommends cuda-10-0 sudo apt-get install --no-install-recommends libcudnn7=7.4.1.5-1+cuda10.0 libcudnn7-dev=7.4.1.5-1+cuda10.0 sudo apt-get install cmake sudo apt-get install clang
YOLO Darknet
Premier test sans GPU sans CUDA sans OPENCV
Commencer avec une copie des sources originale de darknet.
Options de Makefile
GPU=0 CUDNN=0 CUDNN_HALF=0 OPENCV=0 AVX=0 OPENMP=0 LIBSO=0 ZED_CAMERA=0
Compil
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}} nvcc -V make
Avec GPU avec CUDA sans OPENCV
Recommencer avec une copie des sources originale de darknet
Options de Makefile
GPU=1 CUDNN=1 CUDNN_HALF=0 OPENCV=0 AVX=0 OPENMP=0 LIBSO=0 ZED_CAMERA=0
Compil
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}} nvcc -V make -j8
Avec GPU avec CUDA avec OPENCV
Recommencer avec une copie des sources originale de darknet
Installation supplémentaire
sudo apt-get install python3-pip libopencv-dev libopencv-core-dev libopencv-highgui-dev libopencv-flann-dev libopencv-photo-dev libopencv-video-dev libopencv-dev sudo pip3 install opencv-python==3.4.5.20
Options de Makefile
GPU=1 CUDNN=1 CUDNN_HALF=0 OPENCV=1 AVX=0 OPENMP=0 LIBSO=0 ZED_CAMERA=0
Compil
export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}} nvcc -V make -j8
Contexte
Laptop
- Intel® Core™ i7-Intel® Core™ i7-4702MQ CPU @ 2.20GHz × 84702MQ CPU @ 2.20GHz × 8
- Memory Device
- Total Width: 64 bits
- Size: 8192 MB
- Type: DDR3
- Speed: 1600 MHz
- Configured Clock Speed: 1600 MHz
- Vitesse maximale du processeur en MHz : 3200,0000
- Vitesse minimale du processeur en MHz : 800,0000
- Ram 7,7 Gio
GPU
- NVIDIA Corporation GK106M GeForce GTX 765M Kernel modules: nvidia Un peu mieux qu'une GTX 460, et plus de 10 fois moins qu'une carte “actuelle”
- Core
- Architecture: Kepler
- CUDA Cores 768
- Clock Freq (MHz) 850 + Boost
- Memory
- Memory Clock (MHz) 2000
- Standard Memory Configuration GDDR5
- Memory Interface Width 128 bit
- Memory Bandwidth (GB/sec)64.0
- Date de présentation: 30.05.2013
yolo_darknet_sur_un_portable_optimus.1553514874.txt.gz · Dernière modification : 2019/03/25 11:54 de serge