Ubuntu20.04-ROS和深度学习环境配置

一.有关ROS
#

1.工作空间的创建
#

bash
mkdir - p xxx_ws/src  
cd xxx_ws/  
catkin_make

进入工作空间并启动vscode

bash
cd xxx_ws   
code .

2.检查cv_bridge的版本和卸载
#

检查版本

bash
rospack find cv_bridge

若报错：[rospack]Error:package’cv_bridge’not found
则不需要卸载

卸载命令：

bash
sudo apt-get remove ros-noetic-cv-bridge

3.鱼香ROS命令
#

主命令：

bash
wget http://fishros.com/install -O fishros && . fishros

视情况选择数字，初次安装必选1

4.launch文件
#

选定功能包右击新建launch文件夹
选定launch文件夹右击添加launch文件.launch (.xml)

编辑launch文件内容
#

node–>包含的某个节点
pkg–>功能包名
type–>被运行的节点文件
name–>为节点命名
output–>设置日志输出目标（可选）

二.opencv安装、编译和验证(以4.6.0.66为例)
#

1.opencv-cpp的下载和编译
#

挂梯子，直接去官网的library ->release找到4.6.0的source直接下载
解压到主目录，此时会看见一个opencv-4.6.0的文件夹，先别急着编译

安装编译依赖！

bash
sudo apt update    
sudo apt install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev  
sudo apt install libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev    
sudo apt install libeigen3-dev libtheora-dev libvorbis-dev libxvidcore-dev libx264-dev sphinx-common     
sudo apt install yasm doxygen libfaac-dev libopencore-amrnb-dev libopencore-amrwb-dev libopenexr-dev     
sudo apt install libgstreamer-plugins-base1.0-dev libavutil-dev libavfilter-dev libavresample-dev  

当你卸载了opencv-cpp或者需要重新catkin_make时(例如打开cuda-opencv),这一步需要重新安装编译依赖

2.准备编译环境
#

bash
cd ~/opencv-4.6.0  
mkdir build  
cd build  

3.编译命令
#

bash
cmake -D CMAKE_BUILD_TYPE=Release -D OPENCV_GENERATE_PKGCONFIG=YES ..  

上面这条语句会默认生成opencv.pc并写入正确的目录，不需要手动nano创建

bash
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..  

这条就不行，不推荐

bash
make -j$(nproc)

使用你cpu最大线程数进行编译（并向）。
AMD处理器编译时有概率会出现卡顿，如果一直卡着请重新编译，这是AMDcpu架构的问题

4.安装
#

bash
sudo make install

5.更新动态链接库缓存（可选）
#

bash
sudo ldconfig

验证安装有三个手段，最好都试一下
1.直接输入命令

bash
pkg-config --modversion opencv4 

观察版本号是否能被正确输出

2.在opencv-4.6.0文件夹中,opencv/samples/cpp/example_cmake 并把它在终端中打开，输入：

bash
cmake .  
make  
./opencv_example

若无报错且正确弹出window：Hello OpenCV 安装成功

3.验证opencv.pc文件
命令：

bash
ls /usr/local/lib/pkgconfig -name "opencv*.pc"  

若能正确找到，安装成功
若不能，可能需要手动nano创建

三.opencv-python的安装
#

bash
pip install opencv-python==4.6.0.66 

验证

bash
python3  
>>>import cv2   
>>>print(cv2.__version__)  

四.当完成cpp和py的安装后应验证
#

当你完成cpp和py的安装，应新建一个工作空间以验证ROS和Cmake是否能被正确编译
这一步应该先于卸载和安装cv-bridge

五.opencv-bridge安装
#

首先确认ROS自带的bridge有没有被卸载干净

1.添加opencv4环境变量
#

bash
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib  
export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig

GitHub上搜索ROS的vision_opencv，选择noetic版本 code fork到本地

创建一个新的工作空间bridge_ws ,并camke，将cv-bridge解压到src目录下，并更改其CmakeList.txt
找到并更改

find_package(OpenCV 4.6.0 REQUIRED)

保存

最好是把pkg.xml的cv_name也改一下，不过不改也无所谓

2.重新编译cv_bridge
#

bash
cd ~/your_catkin_ws  
catkin_make clean  
catkin_make  

bash
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=F:\opencv\sources\bulid\release

此时大概率报错（若正常请忽略）
:~/new_catkin_ws$ catkin_make clean Base path: /home/owen/new_catkin_ws Source space: /home/owen/new_catkin_ws/src Build space: /home/owen/new_catkin_ws/build Devel space: /home/owen/new_catkin_ws/devel Install space: /home/owen/new_catkin_ws/installRunning command: “cmake /home/owen/new_catkin_ws/src -DCATKIN_DEVEL_PREFIX=/home/owen/new_catkin_ws/devel -DCMAKE_INSTALL_PREFIX=/home/owen/new_catkin_ws/install -G Unix Makefiles” in “/home/owen/new_catkin_ws/build”– Using CATKIN_DEVEL_PREFIX: /home/owen/new_catkin_ws/devel – Using CMAKE_PREFIX_PATH: /home/owen/new_catkin_ws/devel;/opt/ros/noetic – This workspace overlays: /home/owen/new_catkin_ws/devel;/opt/ros/noetic – Found PythonInterp: /usr/bin/python3 (found suitable version “3.8.10”, minimum required is “3”) ……

该错误说明无法找到boost_python库
安装指令

bash
sudo apt-get update #更新  
sudo apt-get install libboost-python-dev libboost-python1.71.0  

再次编译

六.深度学习环境安装
#

1.nVidia显卡驱动安装
#

首先确保你的电脑在独显直连模式上，其次必须是nv显卡。
因为ubuntu会给nVidia显卡一个默认驱动，所以我们需要安装nv自己的驱动以完成后续的工作。

首先更新你的软件

bash
sudo apt-get update  
sudo apt-get upgrade  

查看驱动推荐：

bash
ubuntu-drivers devices  

推荐自动安装

bash
sudo ubuntu-drivers autoinstall   

手动安装会触发Secure Boot,不推荐

重启

bash
sudo reboot  

如果正常安装应该可以重启，否则不能重启，会卡在读取界面（不要问我怎么知道的）需要进入recovery界面删除新驱动换回默认驱动，这里会比较麻烦

重启后运行nvidia-smi命令，观察驱动版本号和最高支持的cuda版本
这里以RTX 4060为例，驱动版本535，cuda最高支持12.2

tips：可以试试你的电脑能否调节亮度，如果可以，那也算是安装好了

2.cuda安装（11.1）
#

首先应确定pytorch支持什么版本的cuda再安装，这里以11.1cuda为例

去nv官网搜索cuda11.1 toolkit 选择Linux ->x86_64 ->ubuntu ->20.04 ->runfile(local)

copy下面出现的命令
一般是wget…….
sudo sh cuda…..
自行安装会比较慢

sh过程中会弹出cuda的安装器，直接continue ->accept 最后取消勾选driver（第一个）因为前面我们已经装过了，下面四个勾上，如果让你选择yes or no全选yes，install按回车

等待…….

3.配置环境变量
#

进入根目录

bash
cd ~  
nano .bashrc  #用nano或是gedit打开bashrc文件，尽量不去碰vim  

在文末添加

bash
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda/extras/CPUTI/lib64  
export CUDA_HOME=/usr/local/cuda/bin  
export PATH=$PATH:$LD_LIBRARY_PATH:$CUDA_HOME  

保存（ctrl+o）

bash
echo 'export PATH=/usr/local/cuda-11.1/bin:$PATH' >> ~/.bashrc  
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc  
source ~/.bashrc #刷新  

退出(ctrl+x)

4.检查是否安装完成
#

nvcc -V（大写）
如果正确输出五行并且打印版本正确就行了
可以看看你安装的四个软件是否在软件目录中

5.pytorch安装(1.8.1 cuda加速版本)
#

确认已经安装正确的cuda全家桶，驱动也安装完毕
进入pytorch官网搜索pytorch1.8.1
一定要使用pip安装方式！！！不要瞎搞conda

更新pip

bash
pip install --upgrade pip

找到cuda11.1版本的pip安装方式，在终端键入命令

bash
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

等待安装完成

终端键入

bash
python3 -c "import torch; print(torch.cuda.is_available())"  

若输出True，则安装完毕
若False，重装

七.ultralytics相关的准备
#

主要会介绍yolov5和yolov8两种模型的本地部署和训练，此篇内容较简单，具体操作请查阅官方文档https://docs.ultralytics.com/zh

1.yolov5的本地部署和训练
#

确保在你的根目录下

bash
git clone https://github.com/ultralytics/yolov5  # clone repository  
cd yolov5  
pip install -r requirements.txt  # install dependencies  

直接在github上克隆下载整个文件夹训练

命令：

bash
python3 train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128  

该命令仅供参考
epochs：训练轮数
weights：权重
yolov5n：所使用的神经网络模型类型
batch-size：一批量的照片数量（请根据显卡显存以及所选神经网络模型类型决定，宁小勿大）
除此之外，你还需指定数据集的路径等等，此篇概不赘述，官方文档有详细解答

用detect进行推理

命令：

bash
python3 detect.py --weights yolov5s.pt --source img.jpg  

脚本 detect.py 用于对各种来源进行多功能推理。它能自动获取模型从最新的YOLOv5 释放并轻松保存结果。

warning:本文只是概述了yolov5模型的使用，但绝不代表其功能仅限于此，请务必查阅官方文档了解更多

2.yolov8和ultralytics软件包
#

本地部署：

bash
pip install ultralytics

具体功能查阅
https://github.com/ultralytics/ultralytics
https://github.com/ultralytics/assets/releases/tag/v8.2.0
与yolov5有所不同

图片均来自网络，若有侵权请联系作者删除
该博客指南专用于笔者实验室指导
如遇Linux安装问题请访问
https://blog.anawaert.com/post/tittle-tattle/installation-of-ubuntu/

一.有关ROS#

1.工作空间的创建#

2.检查cv_bridge的版本和卸载#

3.鱼香ROS命令#

4.launch文件#

编辑launch文件内容#

二.opencv安装、编译和验证(以4.6.0.66为例)#

1.opencv-cpp的下载和编译#

2.准备编译环境#

3.编译命令#

4.安装#

5.更新动态链接库缓存（可选）#

三.opencv-python的安装#

四.当完成cpp和py的安装后应验证#

五.opencv-bridge安装#

1.添加opencv4环境变量#

2.重新编译cv_bridge#

六.深度学习环境安装#

1.nVidia显卡驱动安装#

2.cuda安装（11.1）#

3.配置环境变量#

4.检查是否安装完成#

5.pytorch安装(1.8.1 cuda加速版本)#

七.ultralytics相关的准备#

1.yolov5的本地部署和训练#

2.yolov8和ultralytics软件包#