Ubuntu18.04.3 LTS + OpenCV3.4.6 + CUDA10.0 + CUDNN Caffe软件下载

提示：为方便文件下载，文末提供CUDA10.0、CUDNN、OpenCV3.4.6、caffe软件包

配置环境

• 硬件：
  • Intel® Core™ i9-9900K CPU @ 3.60GHz × 16
  • GeForce RTX 2080 Ti/PCIe/SSE2
• 软件：Ubuntu18.04.3 LTS + OpenCV3.4.6 + CUDA10.0 + CUDNN

安装依赖包

• sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler

• sudo apt-get install --no-install-recommends libboost-all-dev

• sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev

• sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

• sudo apt-get install git cmake build-essential

安装CUDA10.0

1. CUDA官网选择适合自己系统的版本下载
2. 安装CUDA10.0

• 命令

  sudo sh cuda_10.0.130_410.48_linux.run

3. 添加环境变量

• 打开 .bashrc文件
• 添加如下环境

export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:$CUD{A}_{H}OME/binexportL{D}_{L}IBRAR{Y}_{P}ATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:》+:${LD_LIBRARY_PATH}}

• 刷新配置文件

source ~/.bashrc

4. 测试是否安装成功

• 方法
  运行CUDA中例子
• 命令

cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

安装CUDNN

1. 官网选择合适的安装包下载
2. 下载完成后解压进入文件夹执行如下命令

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

3. 测试CUDNN是否安装成功

• 方法
  终端查看CUDNN版本
• 命令

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

安装OpenCV3.4.6

提示：为加快安装速度，最好配置apt-get国内镜像

1. 安装依赖包

sudo apt-get install build-essential
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff5-dev libdc1394-22-dev # 处理图像
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev liblapacke-dev
sudo apt-get install libxvidcore-dev libx264-dev # 处理视频
sudo apt-get install libatlas-base-dev gfortran # 优化opencv功能
sudo apt-get install ffmpeg

2.下载OpenCV3.4.6
网站
Github

git clone -b 3.4.6 https://github.com/opencv/opencv
git clone https://github.com/opencv/opencv_contrib

3. 创建文件夹执行如下命令

mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=Release
-D CMAKE_INSTALL_PREFIX=/usr/local/opencv346
-D PYTHON_DEFAULT_EXECUTABLE=$(which python3)
-D WITH_TBB=ON -D WITH_EIGEN=ON …
sudo make（建议使用sudo make -j8（我的电脑是8核，可以根据自己的电脑配置更改，一般使用-j4））
sudo make install

4. 配置环境变量

• 在/etc/ld.so.conf.d/下新建opencv.conf文件
• 输入 /usr/local/opencv346/lib

sudo ldconfig
sudo gedit /etc/bash.bashrc

• 文件末尾添加：

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/opencv346/lib/pkgconfig
export PKG_CONFIG_PATH

• 执行命令

source /etc/bash.bashrc
sudo updatedb

安装caffe

测试caffe是否安装成功

• 方法
  运行caffe中自带的例子：mnist实例
• 操作

1. 下载数据集

• 讲解

1. mnist是一个手写数字库，由DL大牛Yan LeCun进行维护。mnist最初用于支票上的手写数字识别, 现在成了DL的入门练习库。征对mnist识别的专门模型是Lenet，算是最早的cnn模型了。
2. mnist数据训练样本为60000张，测试样本为10000张，每个样本为28*28大小的黑白图片，手写数字为0-9，因此分为10类。

• 命令

sudo sh data/mnist/get_mnist.sh

• 结果
  运行成功后，在 data/mnist/目录下有四个文件：
  train-images-idx3-ubyte: 训练集样本 (9912422 bytes)
  train-labels-idx1-ubyte: 训练集对应标注 (28881 bytes)
  t10k-images-idx3-ubyte: 测试集图片 (1648877 bytes)
  t10k-labels-idx1-ubyte: 测试集对应标注 (4542 bytes)

2. 将数据转换为LMDB格式

• 讲解
  数据需要转为LMDB(leveldb)格式才可以使用
• 命令

sudo sh examples/mnist/create_mnist.sh

• 结果
  在 examples/mnist/目录下，生成两个文件夹，分别是mnist_train_lmdb和mnist_test_lmdb，里面存放的data.mdb和lock.mdb，就是我们需要的运行数据。

3. 运行

• 命令

sudo time sh examples/mnist/train_lenet.sh

• 结果
  CPU运行时候大约13分钟，GPU运行时间大约4分钟，GPU+cudnn运行时候大约40秒，精度都为99%左右

参考

https://blog.csdn.net/yhaolpz/article/details/71375762
https://www.cnblogs.com/denny402/p/5075490.html
https://blog.csdn.net/qq_32408773/article/details/84112166
https://blog.csdn.net/gj295983859/article/details/95182810

相关软件下载

链接: https://pan.baidu.com/s/13N3qRfPznYQY82xUB93NPQ 提取码: ippn