Ubuntu24.04配置STMTrack

项目地址：https://github.com/fzh0917/STMTrack

一、安装 CUDA

参考链接：
Ubuntu24.04配置DINO-Tracker
Ubuntu多CUDA版本安装及切换
由于之前在其他项目中已经安装了 CUDA12.1，这次需要安装另一个版本。

1. 查看安装版本

按照 requirement.txt 中的要求，CUDA的版本为10.0，torch版本高于1.4。在 pytorch 官网上查看对应版本：
在这里插入图片描述
这里可以看到 pytorch1.4 对应 torchvision0.5，对应 CUDA10.1。

2. 安装CUDA

1) 下载安装包

下载地址: https://developer.nvidia.com/cuda-toolkit
历史版本下载地址: https://developer.nvidia.com/cuda-toolkit-archive
在这里插入图片描述

依次执行两条指令。
安装过程中如果提示 gcc 版本不匹配导致安装失败，需要在指令后添加--override。
安装过程中注意不安装驱动，提示“A symlink already exists at /usr/local/cuda. Update to this installation?”选择 No。

2) 创建软链接

参考链接：
anzhuang
Ubuntu多CUDA版本安装及切换
由于我电脑中已经存在了一个 12.1 版本，CUDA 软链接是指向 12.1 的。上面那个选项选了 yes 会改变 CUDA 的软链接。

查看当前使用的 CUDA版本
在/usr/local路径下通过stat cuda命令查看当前使用的 CUDA 版本：
删除原本的 CUDA 软链接

sudo rm -rf /usr/local/cuda

建立新的指向 CUDA-10.1 的软链接

sudo ln -s /usr/local/cuda-10.1 /usr/local/cuda

重新查看当前 CUDA 版本
检查是否添加到环境变量

sudo gedit ~/.bashrc

在最后确认有没有下面这几行内容

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

如果没有，将其添加到~/.bashrc的最后，然后运行命令

source ~/.bashrc

使配置的环境变量生效。

3. 安装 cudnn

1) 下载对应版本cudnn

官网
在这里插入图片描述

2) cd到cudnn所在的文件夹下进行解压等操作：

tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda-10.0/include/ 
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.0/lib64/ 
sudo chmod a+r /usr/local/cuda-10.0/include/cudnn.h /usr/local/cuda-10.0/lib64/libcudnn*
     
cd /usr/local/cuda-10.0/lib64/
sudo ln -sf libcudnn.so.7.4.2 libcudnn.so.7

4. 新建环境

conda create -n STMTrack python=3.7 -y
conda activate STMTrack

二、安装 torch

参考链接：

Ubuntu18.04+Cuda10.1+Python3.6 下安装 PyTorch1.4.0+torchvision0.5.0，成功安装torch1.4.0和torchvision并解决安装速度过慢
ubuntu linux安装pytorch和torchvision

1. 添加镜像源安装（失败）

在这里插入图片描述

2. 使用 whl 文件安装（成功）

1) 下载镜像

镜像网址：https://download.pytorch.org/whl/torch_stable.html
在这里插入图片描述

2) 安装

在whl文件目录打开终端，输入：

pip install torch-1.4.0+cu100-cp36-cp36m-linux_x86_64.whl
 
pip install torchvision-0.5.0+cu100-cp36-cp36m-linux_x86_64.whl

在这里插入图片描述

3) 检查是否安装成功

python

import torch
print(torch.version.cuda)
print(torch.backends.cudnn.version())

三、安装其他库

在项目地址打开终端，运行：

pip install -r requirements.txt

四、实验设置

参考链接：

把STMTrack跑起来
CVPR2021跟踪算法STMTrack的配置

1. 预训练模型下载

在got上训练的https://drive.google.com/file/d/1AT6SAieig8oNQ-MJ6dUhCfgYCyJEdxfj/view
在全部数据集上训练的https://drive.google.com/file/d/1w7nhGZR53FQnh3fVbIcbj08hxa2Zjvub/view
将下载的预训练模型放入工程目录下新建的pretrain_model路径中

2. 其他设置

在STMTrack-main/experiments/stmtrack/test/目录下对 otb，uav，got 等数据集进行配置，以 uav 为例,打开STMTrack/experiments/stmtrack/test/UAV123/stmtrack-googlenet-uav123.yaml
1). 更改预训练模型所在路径
pretrain_model_path: "/root/STMTrack/epoch-19_fulldata.pkl" ，注意冒号与双引号之间有一个空格，提醒一下，要看一下原来文件中的与训练文件写的是 fulldata.pk1 还是 gotdata.pk1，改成对应文件的路径
2). 更改 device_num
好像是可用于计算任务的 GPU 数量，这里原代码中为10，我改为了1，可以通过以下方式在终端查询：

python
import torch
print(torch.cuda.device_count())

在这里插入图片描述
3). 添加数据集所在路径
在yaml 文件的最后一行添加数据集的路径 data_root: “数据集的绝对路径”

4). 下载 uav123.json 和 lasot.json
链接：git clone https://github.com/megvii-research/video_analyst/tree/master/videoanalyst/evaluation/got_benchmark/datasets 。
下载好后放入/videoanalyst/evaluation/got_benchmark/datasets

3.测试代码

在终端输入：

python main/test.py --config testing_dataset_config_file_path

或直接在test.py中添加默认 config 路径。

五、问题

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

经过查阅，大部分帖子都说是 CUDA 版本和 torch 版本不匹配造成的，但我这个应该是匹配的：

python
import torch
print(torch.__version__)
# 显示torch和cuda版本
print(torch.cuda.is_available())
# 显示True

在这里插入图片描述
也有人说是由于算力和 CUDA 不匹配造成的，但是在浏览的过程中发现大家提到的由于算力不匹配导致的 CUDA erroe 似乎会详细提示算力不匹配，但我这里也没有提示，而且输入：

torch.ones((1, 1, 1, 1, 1)).cuda()

输出：

tensor([[[[[1.]]]]], device='cuda:0')

这算是能够调用成功？所以我也不太确定是不是算力问题导致的。按照这位大佬的方法，在 .bashrc 文件中改了算力也没用。

我的显卡为 RTX4090，在浏览的过程中发现有人说 4090 对应的最低 CUDA 版本为 11.8，有人说是 11.7，在官方文档中查看 CUDA 与算力的对应关系，没看懂，似乎是与 cudnn 有关？但是这个问题我始终不知道怎么改，抱着试试的心态重新配置了一个环境 CUDA11.7+torch1.13.0+torchvision0.14.0，配置完成后直接运行 test.py，成功。
在这里插入图片描述