1660Ti+AlmaLinux9搭建YOLO5环境

发表于 2023-12-27 更新于 2024-02-26 分类于 YOLO 阅读次数：本文字数： 1.6k 阅读时长 ≈ 6 分钟

前言

看着图像识别好像很有意思的样子，于是就自己搭了一个深度学习服务器。虽然说是服务器，实际上也是垃圾佬套装搭一个勉强够看的显卡。

硬件配置

硬件配置对于现在的服务器配置而言可能有些滑稽了。

key	value
CPU	e3-1245v3
GPU	GTX 1660Ti 6G(YESTON)
memory	SAMSUNG ECC 1600MHz 8Gx2
motherboard	B85itx(EPOX)
HardDisk	500G M2(IDK)

滑稽归滑稽，能用还是能用。对于垃圾佬来说，这个配置可不低了。

准备工作：CUDA适配性

在这里格外强调一下，有个叫显卡适配性的东西，需要各位做好售前调研。官方也给出了适配性说明：点击此处跳转到该页面。

适配性说明文档中对所有适配的显卡进行了说明，包括很多系列。在这里我们以最大众的GTX（也就是GeForce系列）为例：

GeForce适配性说明

可以看到每种卡支持什么都已经列出来了。不过单纯看这个什么的可能有些难懂，这里需要额外观察这篇说明这些数字的文档：可用性数字说明。

其实也没什么相当值得注意的内容，只是单纯的告诉你哪些支持分布式共享内存，哪些支持更宽的位数，哪些支持Tensor核心等等内容。我们真正意义上关心的只有我们当前要买的卡，或者说已经有的卡是否在名单中。

显然，1660Ti不在里面，只有一个1650Ti。这就相当尴尬了。

你可能会有些迷惑，因为你明明在CSDN上看到有些网站写了这些玩意的，比如深度学习小记录——显卡1660Ti适配的Tensorflow和CUDA、CUDNN安装教程，又比如Windows+GTX1660TI下安装CUDA 10.1&cudnn 7.6.5 + tensorflow/pytorch

官方并没有一个详细的说明，实际测试下来似乎也确实能用。所以，目前我的猜测是，对于部分主流设备，1660Ti展现出较强的适配性。但是部分非主流设备，1660Ti多少会有点问题。可以总结为：官方也不确定是不是完美支持。

那就相当随机了。如果希望稳一手，还是买截图中存在的设备；如果希望极致性价比，买什么都行，但买上述列出设备之外的还是像开盲盒一样刺激。

实际上手：CUDA安装

这些教程都已经很多了，没什么别的可讲的，有必要的话各位参照一下其他的教程就行了。

所以我在这里仅作总结：

如果是Windows，直接下载好所有的安装包，然后逐个双击开始安装，然后等待到结束后开始下一个安装包的安装。整体流程简单方便，没有什么难点。

如果是Linux，尤其是像我一样使用最新版的AlmaLinux的话，可能会遇到一点奇奇怪怪的问题。

在Linux中安装过程与Windows不同。Windows是GeForce驱动与CUDA驱动分开安装的，Linux的GeForce驱动在CUDA驱动里面集成了，作为一个选项给用户提供安装选择。所以，如果你优先安装了GeForce驱动，那就不要再勾选CUDA中的GeForce驱动了。如果你没有安装GeForce驱动，那就别忘了勾选CUDA中的GeForce驱动了。

由于我已经安装过了，所以这里利用人家Ubuntu的截图：

CUDA中集成的GeForce驱动

使用红色方框框住的部分就是GeForce驱动。如果你单独安装了，那就别勾选；如果直接安装的CUDA，那就勾选。

于是等待就好了。

多嘴一句：全球主流才是稳一手

我安装的最新版。其实没有什么硬件限制，直接上最新的，没关系。有限制的是后来的框架底层，只要使用的是PyTorch、Tensorflow这两个主流深度学习框架就行。

全球主流的话，那就一定会有一个人为这个主流做出一点贡献。这个人可能是开源社区大佬，也有可能是官方在编人员。

如果你安装的是PaddlePaddle这类并没有在全球成为主流的深度学习框架的话，即使官方文档再怎么充分、再怎么细致，有些兼容问题还是没办法。比如PaddlePaddle，如果直接上最新的CUDA一定会出现问题，甚至gcc与g++版本较高也一定会出现问题。最坏的情况是设备全部重买，最好的情况是降版本重装。总之跟垃圾佬折腾硬件一样需要一步一个脚印地折腾。

cudnn才是真正的玄学

如果说主流框架没有什么CUDA版本的限制，那么cudnn这类深度底层的东西就该有限制了吧？

确实，有限制。但是怎么限制的，我还没弄明白。总之，如果你使用的显卡在适配性说明中并没有出现，但是CUDA顺利安装了，cudnn就会展现出它的作用。

在执行测试的时候，使用命令：

$ python3 # 尝试测试
>>> import torch # 导入包
>>> torch.cuda.is_available() # 检测显卡可用性
true # 返回可用

这一切都看起来没问题。

但是在执行train.py的时候，问题来了。

1	RuntimeError: CUDA error: no kernel image is available for execution on the device

你可能认为是环境问题，实际上就是环境不兼容罢了。但比较奇怪的是，没有环境兼容。我也做过很多次测试，但是就是不行。

只能说，全是玄学。

删除cudnn后一切正常，显卡也确实比苹果电脑M1的核显要快上倍左右，也不确定是否正常。

凑合着用吧。

2024年2月26日更新

由于内核挂掉，整个重装了一遍。于是发现cudnn并不是没有，而是需要配置环境变量：

# cuda
export LD_LIBRARY_PATH=/usr/local/cuda/lib64
export CUDA_HOME=/usr/local/cuda/
export PATH=$PATH:$CUDA_HOME/bin:$LD_LIBRARY_PATH

这次就再也没有问题了。

最后，如同日志所述，1660Ti的适配性指数为。