TX2下ubuntu16.04的YOLOV3环境配置，使用demo和问题解决

一、首先是一些基础配置

1. 更换软件包镜像：

（1）更换下载源通过国内镜像网站快速下载Ubuntu的各种包，（中科大源）

cd /etc/apt/
sudo cp sources.list sources.list.bak
sudo gedit sources.list

 将下面的源添加到文件头部

deb http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse

 换源后更新源和已经安装的包：

sudo apt-get update
sudo apt-get upgrade

2. gcc/g++降级

cuda8.0对gcc5不支持，在编译时会出问题，对于tensorflow也太高。

我的tx2是cuda9.0，但还是将Ubuntu16.04自带的gcc和g++降级到4.9版本。

！注意降级可能对一些c/c++编译过程有影响

sudo apt-get install -y gcc-4.9
sudo apt-get install -y g++-4.9
cd /usr/bin
sudo rm gcc
sudo ln -s gcc-4.9 gcc
sudo rm g++
sudo ln -s g++-4.9 g++

查看gcc，g++版本：

gcc -v  
g++ -v

3. 对nouveau禁用

nouveau是ubuntu自带的显卡驱动，在禁用后才能使用NVIDIA驱动。 建立一个黑名单文件，将nouveau加入。

sudo gedit /etc/modprobe.d/blacklist-nouveau.conf

新建的文件中输入：

blacklist nouveau
options nouveau modset=0

保存文件并退出，然后在终端执行如下命令：

sudo update-initramfs -u

检查禁用是否成功：

lspci | grep nouveau

二、安装cuDNN

我的tx2是安装好cuda的，查看cuda版本：

cat /usr/local/cuda/version.txt

到nvidia官网https://developer.nvidia.com/rdp/cudnn-download，u进行注册，邮箱验证，登录，下载对应cuda 的Cudnn

点最下面的archived auDNN Releases，

tx2- arm64平台，对应cuda9.0随便选了cudnn7.1.4 版本，选第一个 for linux即可，下面的不用管

下完后，进入下载目录并解压为 /home/nvidia/cuda，进入/home/nvidia

然后复制头文件和动态链接库：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/

库文件增加权限：

sudo chmod a+r /usr/local/cuda/include/cudnn.h 

创建软连接：

cd /usr/local/cuda/lib64/

sudo chmod a+r libcudnn.so.7.1.4  //自己查看.so的版本 对应更改
sudo ln -sf libcudnn.so.7.1.4 libcudnn.so.7
sudo ln -sf libcudnn.so.7 libcudnn.so
sudo ldconfig 

完成，查看cudnn版本号：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

yolov3——darknet的安装

yolov3是在darknet平台上实现的，darknet安装教程按照官网步骤就可以了，官网链接https://pjreddie.com/darknet/install/

git clone https://github.com/pjreddie/darknet.git    #从github上下载darknet安装包

darkent官网下载权重，放在darknet文件夹 ：

wget https://pjreddie.com/media/files/yolov3.weights
wget https://pjreddie.com/media/files/yolov3-tiny.weights

然后打开目录下的MakeFile，首先了解

#Arch 就是GPU的架构版本
ARCH= -gencode arch=compute_20,code=[sm_20,sm_21] \# Fermi 架构 常见 gtx480 gtx580
     -gencode arch=compute_30,code=sm_30 \# Kepler 架构 常见 gtx680 
     -gencode arch=compute_35,code=sm_35 \# Kepler 架构 常见 gtx780 
     -gencode arch=compute_50,code=[sm_50,compute_50] \# Maxwell 架构 常见 gtx750Ti gtx8 到9 系列 M
     -gencode arch=compute_52,code=[sm_52,compute_52]# Maxwell 架构 常见 gtx8 到9 系列
     -gencode arch=compute_61,code=[sm_61,compute_61]# Pascal 架构 常见 gtx 10系列
     -gencode arch=compute_70,code=[sm_70,compute_70]# Volta 架构 这个不常见,用作超算或者数据中心的,新出了一款2999刀的volta卡 Tesla V100,值得入手.
 
#高版本code不能在低版本的卡上跑,架构不同的其特性也有差距,所以尽量查一下你的显卡是在那个计算能力上的

我是在Jetson TX2应用，就对着一段进行了修改，（TX2的GPU是Pascal架构，计算能力为6.2）,计算能力：https://developer.nvidia.com/cuda-gpus

修改如下，

ARCH= -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] \
      -gencode arch=compute_62,code=[sm_62,compute_62]

CPU 版：

只用CPU，则GPU，cuDNN都为0：

GPU版：

使GPU,CUDNN,OPENCV都为1，其次注意修改arch为62，以及检查划以下和自己机子的路径是否正确

检查：

NVCC=nvcc

COMMON+= -DGPU -I/usr/local/cuda/include/

LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand

然后可以编译：

cd ~/darknet
make

CPU版编译快，然后运行图片检测，GPU编译会慢一点：

./darknet detect cfg/yolov3.cfg yolov3.weights data/person.jpg

运行成功后会出现下面的图片，并在darknet目录下生成predictions.png文件：

下面是进行摄像头实时检测：

 ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

读取视频文件进行检测：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test1.MP4

遇到的问题

运行./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg，得到的预测图片没有bounding box和分类：

这样看来编译应该没有问题，预测只是做了一次前向传播，没有结果我猜可能是weights的问题，于是重新拷贝了个yolov3.weights就可以了...实在不知道为什么我下载的weights是假的，所以下载还是要去官网，不要图省事...

在编译gpu版本时候出现skipping incompatible  /usr/local/cuda/libcudnn.so

这个.so是通过软连接创建的，所以不知道问题出在哪里，删掉这个文件就不会出现skip的问题，但是这样不影响make

在编译gpu版本后，运行./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg到一半，出现killed，卡停

查看了tx2的cpu占用：

./tegrastatus

发现卡停时候，cpu RAM满了，打开/cfg/yolov3.cfg，找到 testing下面的两行参数，取消注释。

改为：

重新make然后运行就ok了。