课题涉及到点云语义分割，最近配置运行了RangeNet++，复现过程中，GPU加速工具配置较为头疼，所以做一个全面的记录，包括一些编译报错和踩坑的总结，与大家分享（纯小白）

本文代码Github地址：https://github.com/PRBonn/rangenet_lib
原文地址：https://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/milioto2019iros.pdf

1、环境配置

1.1 笔者环境（亲测可用）

Ubuntu18.04
GPU：GTX1060 6GB
驱动：Ubuntu推荐的nvidia-driver-470
Cuda10.1 + cudnn7.6.2 + TensorRT 5.1.5.0+GCC 7
接下来对本文GPU加速工具的配置做个总结

1.2 Cuda10.1安装

官网下载：https://developer.nvidia.com/cuda-toolkit-archive

（1）选择CUDA Toolkit 10.1 update2

（2）选择自己的配置，依照Base Installer命令安装（注意选择runfile）

（3）开始安装，取消安装驱动，其余默认（y）安装

（4）安装完成
（5）环境变量配置
1> 终端输入：

gedit ~/.bashrc

2> 在bashrc末尾加入:

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.1/lib64
export PATH=$PATH:/usr/local/cuda-10.1/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-10.1

3> 变量生效

source ~/.bashrc

4> 验证版本

nvcc -V

1.3 cudnn 7.6.2安装

官网下载（需要登陆）：https://developer.nvidia.com/cudnn

（1）选择与Cuda对应的版本下载(cudnn7.6.2)

（2）下载后解压得到cuda文件夹
（3）将解压出的文件，移动到/usr/local/cuda文件夹下

sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-10.1/lib64/
sudo cp  cuda/include/cudnn.h /usr/local/cuda-10.1/include/

（4）赋予所有用户权限，cudnn安装完成

sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h
sudo chmod a+r /usr/local/cuda-10.1/lib64/libcudnn*

（5）验证cudnn

cat /usr/local/cuda-10.1/include/cudnn.h | grep CUDNN_MAJOR -A 2

1.4 TensorRT 5.1.5安装

官网下载地址：https://developer.nvidia.com/nvidia-tensorrt-download
（1）选择要下载的版本（TensorRT 5）
（2）选择TensorRT 5.1 GA（GA版较稳定）
（3）完成问卷调查，选择同意协议
（4）选择对应的Ubuntu和Cuda得版本下载，我的选择如下：

注：如果Cuda下载用的是deb（local），则TensorRT也需要下载Debian包本地安装（上图第一个）；而Cuda用runfile安装，就得下载tar压缩安装；两者需要对应，否则安装会报错。

（5）下载完成后，解压到本地
（6）把 TensorRT 的库和头文件添加到系统路径下（这步很重要）

# TensorRT目录下
sudo cp -r ./lib/* /usr/lib
sudo cp -r ./include/* /usr/include

（7）添加路径到环境变量

gedit ~/.bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/TensorRT-5.1.5.0/lib
source ~/.bashrc

上述完成，则TensorRt的C++接口安装就完成了。

（8）测试

#在TensorRt目录文件夹下，cd到sample文件夹下
sudo make
cd ../bin
./sample_int8 mnist

输出如下结果则安装成功！

（9）如果还要用Python接口：

#在下载的TensorRT目录文件夹下
cd TensorRT-5.0.2.6/python
pip install tensorrt-5.0.2.6-py2.py3-none-any.whl# 安装UFF,支持tensorflow模型转化
cd TensorRT-5.0.2.6/uff
pip install uff-0.5.5-py2.py3-none-any.whl# 安装graphsurgeon，支持自定义结构
cd TensorRT-5.0.2.6/graphsurgeon
pip install graphsurgeon-0.3.2-py2.py3-none-any.whl

（10）python接口验证

python3
import tensorrt
tensorrt.__version__
#输出'5.1.5.0'则安装成功！

2、RangeNet++源码编译

（1）确认上述Cuda、cudnn和TensorRT安装成功
（2）相关依赖安装

sudo apt-get update
sudo apt-get install -yqq  build-essential python3-dev python3-pip apt-utils git cmake libboost-all-dev libyaml-cpp-dev libopencv-dev
sudo apt install python-empy
sudo pip install catkin_tools trollius numpy

（3）使用 catkin 工具来构建库，终端打开：

mkdir -p ~/catkin_ws/src
cd ~/catkin_ws/src
git clone https://github.com/ros/catkin.git
git clone https://github.com/PRBonn/rangenet_lib.git
cd .. && catkin init
catkin build rangenet_lib

（4）笔者编译报错
注意gcc和g++版本（我的是gcc-7，可以编译通过）
报错如下：
“–can not be used when making a PIE object； recompile with -fPIC”
“最后的链结失败：输出不可表示的节”

原因：推断故障在连接程序上。从Ubuntu16.04版本开始默认启用PIE了，但makefile里不支持PIE导致报错。专门的静态库“libmbedcrypto.a”曾经在没有选项“fPIC”的情况下编译过，但目前的系统编译器肯定会打开这个功能，所以提示建议使用-fPIC重新编译。

解决：在rangenet_libz的 “CMakeLists.txt” 中，添加下一个命令行，将“-fPIC”更改为“-no-pie”，如下所示：

set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11 -O2 -fopenmp -w -no-pie")

修改后保存，重新catkin编译

（5）编译通过

3、运行demo

（1）预训练模型下载：https://www.ipb.uni-bonn.de/html/projects/semantic_suma/darknet53.tar.gz
（2）预测demo

# cd到catkin workspace下
cd ~/catkin_ws
# -p后是预训练模型路径、-s后是要预测点云.bin demo路径
./devel/lib/rangenet_lib/infer -p /path/to/the/pretrained/model -s /path/to/the/scan.bin --verbose

（3）结果展示

视频展示：https://www.bilibili.com/video/BV1vY411M7ry?spm_id_from=333.999.0.0
至此RangeNet++配置运行完成，感谢阅读！

参考致谢：
https://zongxp.blog.csdn.net/article/details/86077553
https://blog.csdn.net/mathlxj/article/details/107810548
https://blog.csdn.net/weixin_44793883/article/details/120659876
https://blog.csdn.net/pei327586354/article/details/122371524
https://blog.csdn.net/hanyulongseucas/article/details/87715186
https://blog.csdn.net/qq_33530592/article/details/106011826

【点云语义分割】Ubuntu18.04+GTX1060 配置运行RangeNet++相关推荐

深度学习点云语义分割：CVPR2019论文阅读
深度学习点云语义分割:CVPR2019论文阅读 Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning 摘要本 ...
三维点云语义分割总览
点云PCL免费知识星球,点云论文速读. 标题:三维点云语义分割总览作者:吉祥街欢迎各位加入免费知识星球,获取PDF文档,欢迎转发朋友圈,分享快乐. 希望有更多的小伙伴能够加入我们,一起开启论文阅读 ...
17篇点云处理综述-点云语义分割、点云物体检测、自动驾驶中的点云处理……
三维点云是最重要的三维数据表达方式之一. 从技术角度看,在三维重建.SLAM.机器人感知等多个领域,三维点云都是最简单最普遍的表达方式,因为三维点云直接提供了三维空间数据,而图像则需要通过透视几何来反 ...
点云分割和点云分类（点云语义分割）
目录概念点云分割(point cloud segmentation) 点云分类(point cloud classification) 特征提取分割物体识别分类常见点云分割方法随机抽样一 ...
CVPR2020：4D点云语义分割网络（SpSequenceNet）
CVPR2020:4D点云语义分割网络(SpSequenceNet) SpSequenceNet: Semantic Segmentation Network on 4D Point Clouds 论 ...
一种高效的基于邻域空间聚合的点云语义分割不确定性估计方法(ICRA2021)
Neighborhood Spatial Aggregation based Efficient Uncertainty Estimation for Point Cloud Semantic Seg ...
CVPR2021|基于双边扩充和自适应融合方法的点云语义分割网络
Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion 1.M ...
[CVPR 2020] RandLA-Net:大场景三维点云语义分割新框架（已开源）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达本文由知乎作者Qingyong Hu授权转载,不得擅自二次转载.原文链接:https://zhuanl ...
利用深度学习的点云语义分割（一）
Semantic Segmentation of Point Clouds using Deep Learning ...

【点云语义分割】Ubuntu18.04+GTX1060 配置运行RangeNet++

目录