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
https://blog.csdn.net/u014754541/article/details/97108282