使用docker配置DSP-SLAM

一.Docker环境配置

1.简单介绍

–docker容器技术–。
简单理解：Anaconda用于隔离不同的python环境；docker可以理解成在你的机器里面安装了一个独立的系统，因此它可以隔离不同的CUDA环境，还有着独立的文件系统，防止别人删掉你的实验和环境等。

    镜像（images）的意思就是静态的镜像文件；
    容器（container）就是一个基于镜像的活跃着的系统，可以操作的实例，我们可以进去跑代码。

2.安装nvidia-docker

  • 前置条件：你得有一张显卡。
  • docker sudo apt-get install docker。查看是否安装好：docker
  • Nvidia Driver. NVIDIA驱动官网。查看是否安装好：nvidia-smi
  • 接下来安装nvidia-docker。
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update
sudo apt-get install -y nvidia-docker2
  • sudo systemctl restart docker 重启一下docker
  • 接下来你就可以愉快的使用nvidia-docker了

3.拉取环境镜像

在此之前，我们需要了解一下docker hub的一些仓库地址。在下方给出：

  Nvidia/cuda官方docker hub
   PyTorch官方docker hub

基于此，我们可以去拉取官方仓库，可以在tag当中搜索我们所需要的版本，一般是选择devel版本，其中包含了C++/CUDA编译环境、视频解码、渲染等，会比较全面些。然后在docker镜像去配置我们的深度学习环境。就像下面这样：(因为DSP-SLAM的github上要求的cuda版本为11.3，所以最好跟官方一致)

sudo docker pull nvidia/cuda:11.3.1-cudnn8-devel-ubuntu18.04

如果想删除多余的docker image，可以使用指令

sudo docker rmi -f <id>

2.创建容器

sudo docker run -itd --runtime=nvidia --gpus all --name dspslam -v /home/lm/docker/dspslam:/home/lm/docker/dspslam --net=host --env="DISPLAY" --volume="$HOME/.Xauthority:/root/.Xauthority:rw" -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics -e NVIDIA_VISIBLE_DEVICES=all --privileged=true 9ac63d269265 /bin/bash

这个参数有点多，依次解释一下：

  • -it必备 d表示在背景里运行;
  • -v 磁盘挂载 本地绝对路径:容器的绝对路径;
  • --name 给你的container取个响亮的芳名;
  • --runtime 表示启用nvidia
  • --gpus 表示可以使用gpu，且为all
  • -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics,标红的三个缺一不可，我当初就是因为缺了第三个graphics，导致Pangolin的X11报错，OpenGL服务用不了
  • 其他参数有的是开启GUI的，有的是支持英伟达的，大家可以自行搜索，总之按照上面的指令，就会构建好一个可以使用nvidia的容器

基于ubuntu18.04建立容器，并开启GUI功能。

进入容器后，会在root命令下，到此我们便得到了一个纯净的ubuntu环境。

可以使用sudo docker ps查看正在运行的容器，sudo docker ps -a查看所有容器

当我想要退出时，输入exit退出容器，然后使用sudo docker stop dspslam来停止容器，当我想再次进入容器时，使用sudo docker start dspslam启动容器，再使用sudo docker exec -it dspslam bash进入容器

验证显卡是否可用

nvidia-smi

至此，你就获得了一个具有nvidia driver和cuda支持的docker.

查看当前cuda版本

cd /usr/local
ls

可以看到版本确为11.3

主机在每次开机之后都需要运行下面的指令，来指定允许连接的主机。

xhost +

运行之后，在docker容器内安装xarclock,运行指令

apt-get install xarclock
xarclock

运行后，会出现一个小时钟，表明docker内可以开启GUI服务。

二.Dsp-slam环境配置

1.准备代码

下载开源代码

git clone --recursive https://github.com/JingwenWang95/DSP-SLAM.git

安装基础包

apt-get install gcc g++ cmake git

安装eigen3.4.0

因为要求版本为3.4.0，所以不建议用apt安装，这里选择源码编译安装，使用以下指令下载源码

git_clone "git clone --branch=3.4.0 --depth=1 https://gitlab.com/libeigen/eigen.git"

之后开始编译

cd eigen && mkdir build && cd build
cmake ..
make
make install

进入到/usr/local/include下，查看是否安装成功

2.安装Anaconda

提前准备好安装包

sh Anaconda3-5.3.1-Linux-x86_64.sh

 按照步骤安装即可

之后退出docker重新进入，即可自动进入base环境

3.安装Pangolin v0.6

安装依赖

apt-get install libglew-dev libgtk2.0-dev pkg-config libegl1-mesa-dev libwayland-dev libxkbcommon-dev  wayland-protocols
apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev
apt-get install ffmpeg libavcodec-dev libavutil-dev libavformat-dev libswscale-dev
apt-get install libpng-dev

配置并编译

cd Pangolin-0.6
mkdir build && cd build
cmake -DCPP11_NO_BOOST=1 ..
make -j
make install

4.安装OpenCV3.4.1

接下来去opencv官网找到opencv3.4.1的源码包 

下载下来后，进行编译安装,首先需要安装一些依赖和工具

apt-get install build-essential libgtk2.0-dev libgtk-3-dev libjpeg-dev libpng-dev libvtk7-dev libtiff5-dev libjasper-dev libopenexr-dev libtbb-dev

其中安装libjasper-dev时会报错，找不到软件包

因此，首先

vi /etc/apt/sources.list

在最后一行加上

deb http://security.ubuntu.com/ubuntu xenial-security main

然后

apt-get update
apt-get install libjasper-dev

即可

依赖安装好后，进行正式编译安装

mkdir build && cd build
cmake --DCMAKE_BUILD_TYPE=Release -DWITH_CUDA=OFF -DBUILD_DOCS=OFF -DBUILD_PACKAGE=OFF -DBUILD_TESTS=OFF -DBUILD_PERF_TESTS=OFF -DBUILD_opencv_apps=OFF -DBUILD_opencv_calib3d=ON -DBUILD_opencv_cudaoptflow=OFF -DBUILD_opencv_dnn=OFF -DBUILD_opencv_dnn_BUILD_TORCH_IMPORTER=OFF -DBUILD_opencv_features2d=ON -DBUILD_opencv_flann=ON -DBUILD_opencv_java=ON -DBUILD_opencv_objdetect=ON -DBUILD_opencv_python2=OFF -DBUILD_opencv_python3=OFF -DBUILD_opencv_photo=ON -DBUILD_opencv_stitching=ON -DBUILD_opencv_superres=ON -DBUILD_opencv_shape=ON -DBUILD_opencv_videostab=OFF -DBUILD_PROTOBUF=OFF -DWITH_1394=OFF -DWITH_GSTREAMER=OFF -DWITH_GPHOTO2=OFF -DWITH_MATLAB=OFF -DWITH_NVCUVID=OFF -DWITH_OPENCL=OFF -DWITH_OPENCLAMDBLAS=OFF -DWITH_OPENCLAMDFFT=OFF -DWITH_TIFF=OFF -DWITH_VTK=OFF -DWITH_WEBP=OFF ..
make -j6
make install

 查看是否安装成功

pkg-config --modversion opencv

 5.安装g2o、DBoW2

进入到/dspslam/DSP-SLAM-master/Thirdparty文件夹下，找到g2o、DBoW2的文件夹，分别进行安装

安装g2o

cd g2o
mkdir build && cd build
cmake -DEigen3_DIR="$/usr/local/share/eigen3/cmake" ..
make -j6

安装DBoW2

cd DBoW2 
mkdir build && cd build
cmake ..
make -j6

6.创建python虚拟环境

按照常规来说，应该是按照build_cuda113.sh的内容来以此执行的，但是我遇到了网络连接的问题，因此我修改了coda的下载地址，更改为清华源了

参考链接
接着创建一个虚拟环境，命名为dspslam
 

conda create --name=dspslam python=3.7

接着按照environment_cuda113.yml文件的内容，挨个安装（使用conda install 安装dependencies, pip insatll pip部分），但是安装到pytorch时，遇到问题，因此果断选择采用离线安装包的方式进行安装，根据版本要求，分别下载以下三个（因为其他都能正常装），地址为

torch.whl地址

torchvision.whl地址

cudatoolkit地址

之后直接pip install xxx.whl和 conda install --offline xxx.tar.bz2即可，进行验证

7.安装mmdetection and mmdetection3d

pip install pycocotools==2.0.1
pip install mmcv-full==1.4.0 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html
pip install mmdet==2.14.0
pip install mmsegmentation==0.14.1

然后进入DSP-SLAM/Thirdparty/下，运行指令

git clone https://github.com/JingwenWang95/mmdetection3d.git


然后

cd mmdetection3d
pip install -v -e .


中间会频繁出现几个warning警告,但是无妨，最终成功安装！

8.编译DSP-SLAM

编译DSP-SLAM

 按照build_cuda113.sh的内容，首先进入DSP-SLAM目录下

mkdir build && cd build

 sh文件里说要运行下面两条命令，是有关pybind11的，我仔细查了一下，发现他的意思就是获得当前conda虚拟环境的路径，因此我对他进行了修改（不需要执行下面两句，而是修改cmake..的参数）

conda_python_bin='which python'
conda_env_dir="$(dirname "$(dirname "$conda_python_bin")")"

编译DSP-SLAM(修改后的conda_env_dir我直接索引到他的路径)

cmake -DEigen3_DIR="/usr/local/share/eigen3/cmake" -DPYTHON_LIBRARIES="/root/anaconda3/envs/dspslam/lib/libpython3.7m.so" -DPYTHON_INCLUDE_DIRS="/root/anaconda3/envs/dspslam/include/python3.7m" ..

会出现warning，应该不会出现问题，继续make

准备weights和data

新建weights和data文件夹，并下载相关weights

下载链接

最后的DSP-SLAM文件结构如下

尝试运行代码

./dsp_slam Vocabulary/ORBvoc.bin configs/KITTI04-12.yaml data/kitti/07 map/kitti/

成功运行！！！

Save and visualize map

会得到三个文件

之后，根据脚本可视化

python3 extract_map_objects.py --config configs/config_kitti.json --map_dir map/kitti --voxels_dim 64

它将在map/kitti下创建一个新的目录，并将所有的网格和物体姿态存储在那里。然后，你可以通过运行以下命令来可视化重建的关节地图：

python3 visualize_map.py --config configs/config_kitti.json --map_dir map/kitti

over

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/625513.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【中级软件设计师】上午题08-UML(下)：序列图、通信图、状态图、活动图、构件图、部署图

【中级软件设计师】上午题08-UML(下)：序列图、通信图、状态图、活动图、构件图、部署图

上午题08-UML 1 序列图2 通信图3 状态图3.1 状态和活动3.2 转换和事件 4 活动图5 构件图&#xff08;组件图&#xff09;6 部署图 UML图总和 静态建模&#xff1a;类图、对象图、用例图 动态建模&#xff1a;序列图&#xff08;顺序图&#xff0c;时序图&#xff09;、通信图&a…
阅读更多...
百度智能云万源全新一代智能计算操作系统发布：引领AI新纪元，开启智能未来

百度智能云万源全新一代智能计算操作系统发布：引领AI新纪元，开启智能未来

随着科技的迅猛发展&#xff0c;人工智能&#xff08;AI&#xff09;逐渐渗透到我们生活的每个角落&#xff0c;为人类社会带来前所未有的变革。在这场科技革命的浪潮中&#xff0c;百度作为中国AI领域的领军企业&#xff0c;始终站在技术创新的前沿&#xff0c;不断引领行业发…
阅读更多...
AI智能体技术突破：引领科技新浪潮

AI智能体技术突破：引领科技新浪潮

AI智能体技术突破&#xff1a;引领科技新浪潮 基于大模型的 AI Agent 工作流基于大模型的 AI Agent 工作流效果AI Agent 的四种设计模式Reflection 反思设计模式Tool use 工具使用设计模式Planning 规划设计模式Multiagent collaboration 多智能体协作设计模式 吴恩达在红杉美国…
阅读更多...
4.16

4.16

1.总结keil5下载代码和编译代码需要注意的事项 1.&#xff09;仿真器设置&#xff1a; 点击魔术棒&#xff0c;选择debug选项&#xff0c;找到使用的仿真器&#xff0c;选择ST-LINK仿真器&#xff0c;点击setting&#xff0c;选择flash download ,勾选reset and run,选择pack…
阅读更多...
网络协议——IS-IS协议详解

网络协议——IS-IS协议详解

1. IS-IS是什么 IS-IS是一种基于链路状态并使用最短路径优先算法进行路由计算的一种IGP协议。IS-IS属于内部网关协议&#xff0c;用于自治系统内部。IS-IS是一种链路状态协议&#xff0c;使用最短路径优先算法进行路由计算。 2. 应用场景&#xff08;园区网和骨干网&#xff0…
阅读更多...
工业物联网让“制造”变成“智造”！——青创智通

工业物联网让“制造”变成“智造”！——青创智通

工业物联网解决方案-工业IOT-青创智通 随着科技的不断进步和工业的持续发展&#xff0c;物联网&#xff08;IoT&#xff09;技术的出现为制造业带来了前所未有的变革。工业物联网&#xff08;IIoT&#xff09;作为物联网技术在工业领域的应用&#xff0c;正在逐渐改变传统的制…
阅读更多...
基于springboot实现图书进销存管理系统项目【项目源码+论文说明】

基于springboot实现图书进销存管理系统项目【项目源码+论文说明】

基于springboot实现图书进销存管理系统演示 摘要 随着信息技术在管理上越来越深入而广泛的应用&#xff0c;管理信息系统的实施在技术上已逐步成熟。本文介绍了图书进销存管理系统的开发全过程。通过分析图书进销存管理系统管理的不足&#xff0c;创建了一个计算机管理图书进销…
阅读更多...
葡萄书--深度学习基础

葡萄书--深度学习基础

卷积神经网络 卷积神经网络具有的特性&#xff1a; 平移不变性&#xff08;translation invariance&#xff09;&#xff1a;不管检测对象出现在图像中的哪个位置&#xff0c;神经网络的前面几层应该对相同的图像区域具有相似的反应&#xff0c;即为“平移不变性”。图像的平移…
阅读更多...
QQ怎么录制视频？教你简单几步，轻松录制高清视频

QQ怎么录制视频？教你简单几步，轻松录制高清视频

在当今互联网时代&#xff0c;录制视频已经成为人们日常生活中越来越常用的功能。qq录屏作为qq软件内置的一个功能&#xff0c;凭借其便捷性和易用性受到广大用户的喜爱。但是&#xff0c;很多人不知道qq怎么录制视频。本文将深入研究qq录制视频功能&#xff0c;以便读者根据自…
阅读更多...
5-pytorch-torch.nn.Sequential()快速搭建神经网络

5-pytorch-torch.nn.Sequential()快速搭建神经网络

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言torch.nn.Sequential()快速搭建网络法1 生成数据2 快速搭建网络3 训练、输出结果 总结 前言 本文内容还是基于4-pytorch前馈网络简单&#xff08;分类&#xf…
阅读更多...
南京大学田兴军团队在土壤微生物的功能类群以及在中国土壤生态系统的分解潜力取得进展（两篇）

南京大学田兴军团队在土壤微生物的功能类群以及在中国土壤生态系统的分解潜力取得进展（两篇）

研究成果一&#xff1a;土壤微生物群落功能是由占据不同生态位的、高度多样化的微生物之间发生的复杂相互作用决定的。这些微生物相互作用对环境变化的反应敏感&#xff0c;并且往往在土壤“暗箱”中悄然发生&#xff0c;故极大地限制了我们对微生物功能的理解。本研究基于微生…
阅读更多...
【DM8】ODBC

【DM8】ODBC

官网下载ODBC https://www.unixodbc.org/ 上传到linux系统中 /mnt下 [rootstudy ~]#cd /mnt [rootstudy mnt]# tar -zxvf unixODBC-2.3.12.tar.gz [rootstudy mnt]# cd unixODBC-2.3.12/ [rootstudy unixODBC-2.3.12]# ./configure 注意&#xff1a;若是报以上错 则是gcc未安…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023