博客

【Ubuntu版】TensorRT安装教程（tar包方式）

  • Post author:
  • Post category:其他




一、参考资料


TensorRT介绍、安装和测试



Ubuntu16.04 安装 TensorRT



二、系统环境

Environment
Operating System + Version: Ubuntu + 16.04
TensorRT Version: 7.1.3.4
GPU Type: GeForce GTX1650,4GB
Nvidia Driver Version: 470.63.01
CUDA Version: 11.0.207
CUDNN Version: 8.0.5
TensorRT：7.1.3.4
Python Version (if applicable): 3.7.3
PyTorch Version (if applicable): 1.3.0+cu100
torchvision：0.4.1+cu100
Anaconda Version：4.10.3
gcc：7.5.0
g++：7.5.0



三、准备工作


TensorRT下载



TensorRT文档



TensorRT 7.1.3.4 TAR压缩包下载



TensorRT 7.1.3.4文档



TensorRT 7.1.3.4安装文档



四、重要说明


  1. 先确定需要安装的TensorRT版本，再确定对应的CUDA和cuDNN版本；

  2. 如果用deb方式安装CUDA、cuDNN，则TensorRT也需要deb方式安装，否则报错；
  3. 如果CUDA已经安装好了，找到对应版本的TensorRT版本安装即可；
  4. 本文采用

    Tar File Installation

    方式安装；
  5. 本文使用Anaconda虚拟环境；



五、关键步骤

  1. 安装前的准备： 
1. 安装CUDA 11.0，安装cuDNN 8.0.5；
参考资料
[Ubuntu下CUDA的安装及配置(run方式)](https://blog.csdn.net/m0_37605642/article/details/114059682)
[Ubuntu下CUDA的卸载以及安装(deb方式和run方式)](https://blog.csdn.net/m0_37605642/article/details/119637836)

2. 安装python 3.7.3；
  1. 下载

    TensorRT 7.1.3.4 TAR压缩包

    ，解压到安装目录： 
tar xzvf TensorRT-7.1.3.4.Ubuntu-16.04.x86_64-gnu.cuda-11.0.cudnn8.0.tar.gz
  1. 添加 TensorRT lib 到环境变量： 
gedit ~/.bashrc

# 添加
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/yichao/360Downloads/TensorRT-7.1.3.4/lib

# 更新
source ~/.bashrc
  1. 安装python API 
cd /home/yichao/360Downloads/TensorRT-7.1.3.4/python

# 根据版本安装，博主的是python3.7版本，选择cp3.7
pip install tensorrt-7.1.3.4-cp37-none-linux_x86_64.whl
  1. 安装 Python UFF 包，支持tensorflow模型转化 
cd /home/yichao/360Downloads/TensorRT-7.1.3.4/uff

pip install uff-0.6.9-py2.py3-none-any.whl

# 测试 Python UFF 是否安装成功
which convert-to-uff

# 输出：
/home/yichao/miniconda3/envs/tensorRT-tensorflow/bin/convert-to-uff
  1. 安装 graphsurgeon，支持自定义结构 
cd /home/yichao/360Downloads/TensorRT-7.1.3.4/graphsurgeon
pip install graphsurgeon-0.4.5-py2.py3-none-any.whl
  1. 卸载 tensorRT python API 
pip uninstall tensorrt

pip uninstall uff

pip uninstall graphsurgeon



六、测试是否安装成功



1. 查看tensorRT python api 版本

python
import tensorrt as trt
print(trt.__version__)

如果安装成功，输出：
7.1.3.4



2. 测试 tensorRT python API

# 测试 Python API 的demo, 简单的手写字符识别模型lenet，采用tensorflow网络训练
# 1. 安装tensorflow，版本对齐 
# [Tensorflow安装教程](https://blog.csdn.net/m0_37605642/article/details/119720949)

pip install tensorflow-gpu==2.4.0

# 2 训练模型
cd /home/yichao/360Downloads/TensorRT-7.1.3.4/samples/python/end_to_end_tensorflow_mnist

python model.py

# 2.1 训练完，在models目录下，生成lenet5.pb文件

# 3. 模型转换
convert-to-uff lenet5.pb

# 3.1 将pb文件转换为uff文件，打印出了模型转换的一些信息，生成了"lenet5.uff"文件

# 4. 测试
python sample.py



3. 测试tensorRT C++ API

  • 下载pgm文件 
python /home/yichao/360Downloads/TensorRT-7.1.3.4/data/mnist/download_pgms.py
  • make编译 
cd /home/yichao/360Downloads/TensorRT-7.1.3.4
sudo cp ./data/mnist/lenet5.uff ./python/data/mnist/lenet5.uff
cd ./samples/sampleMNIST
make clean
make
cd ../../bin（转到bin目录下面，make后的可执行文件在此目录下）
./sample_mnist
  • 测试成功 
&&&& RUNNING TensorRT.sample_mnist # ./sample_mnist
[09/07/2021-13:45:35] [I] Building and running a GPU inference engine for MNIST
[09/07/2021-13:45:46] [I] [TRT] Detected 1 inputs and 1 output network tensors.
[09/07/2021-13:45:46] [I] Input:
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@%%+      -@@@@@@@
@@@@@@@@@%=..        -@@@@@@
@@@@@@@@@:            #@@@@@
@@@@@@@@@+   ====:    #@@@@@
@@@@@@@@@@%%%@@@@@.  -@@@@@@
@@@@@@@@@@@@@@@@@*   =@@@@@@
@@@@@@@@@@@@@@@@*:   @@@@@@@
@@@@@@@@@@@@@@*.    .@@@@@@@
@@@@@@@@@%+:::     +%@@@@@@@
@@@@@@@@%.        -@@@@@@@@@
@@@@@@@@%.         *@@@@@@@@
@@@@@@@@@%+#%%%%=  *@@@@@@@@
@@@@@@@@@@@@@@@@@  *@@@@@@@@
@@@@@@@@@@@@@@@@*  *@@@@@@@@
@@@@@@@*@@@@@@@*   *@@@@@@@@
@@@@@#: %@@@@@*    #@@@@@@@@
@@@@@.  =====:   :*@@@@@@@@@
@@@@@.          -@@@@@@@@@@@
@@@@@#-     ..=%@@@@@@@@@@@@
@@@@@@@+  -+%@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@
@@@@@@@@@@@@@@@@@@@@@@@@@@@@

[09/07/2021-13:45:46] [I] Output:
0: 
1: 
2: 
3: **********
4: 
5: 
6: 
7: 
8: 
9: 

&&&& PASSED TensorRT.sample_mnist # ./sample_mnist



七、可能存在的问题



导包错误，找不到文件

./sample_mnist: error while loading shared libraries: libcublas.so.10.0: cannot open shared object file: No such file or directory

[ImportError: libnvinfer.so.6/libcublas.so.10.0: cannot open shared object file:问题解决](https://blog.csdn.net/Q1u1NG/article/details/109336403)

解决办法：
# 修改配置
sudo gedit /etc/ld.so.conf

# 添加下面两行：
# 添加cuda路径
/usr/local/cuda/lib64

# 添加TensorRT lib 路径
/home/yichao/360Downloads/TensorRT-7.1.3.4/lib

# 更新配置
sudo ldconfig



找不到 libnvinfer.so.8

from .tensorrt import *
ImportError: libnvinfer.so.8: cannot open shared object file: No such file or directory

错误原因：
找不到 tensorRT lib 路径

解决办法：
# 修改配置
sudo gedit /etc/ld.so.conf

# 添加 TensorRT lib 路径
/home/yichao/360Downloads/TensorRT-8.0.1.6/lib

# 更新配置
sudo ldconfig



软链接错误

sudo ldconfig

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_infer.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_train.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_train.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_train.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_infer.so.8 不是符号连接

/sbin/ldconfig.real: /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_infer.so.8 不是符号连接

解决办法：
libcudnn.so.8 是一个文件，它本应是一个软连接。于是创建软接连

# 解决办法
sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_infer.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_infer.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_train.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_adv_train.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_train.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_train.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_train.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_train.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_infer.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_ops_infer.so.8

sudo ln -sf /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_infer.so.8.0.5 /usr/local/cuda-11.0/targets/x86_64-linux/lib/libcudnn_cnn_infer.so.8



sampleMNist测试失败

&&&& RUNNING TensorRT.sample_mnist # ./sample_mnist
[09/07/2021-12:03:21] [I] Building and running a GPU inference engine for MNIST
[09/07/2021-12:03:32] [I] [TRT] Detected 1 inputs and 1 output network tensors.
Could not find 0.pgm in data directories:
	data/mnist/
	data/samples/mnist/
&&&& FAILED

错误原因：
没有pgm文件

解决办法：
下载pgm文件

python /home/yichao/360Downloads/TensorRT-7.1.3.4/data/mnist/download_pgms.py



安装CUDA的方式和安装TensorRT的方式不同

参考资料：

乌班图 18.04 tensorRT安装踩坑


在这里插入图片描述 

下列软件包有未满足的依赖关系：
 tensorrt : 依赖: libnvinfer7 (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-plugin7 (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvparsers7 (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvonnxparsers7 (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-bin (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-dev (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-plugin-dev (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvparsers-dev (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvonnxparsers-dev (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-samples (= 7.0.0-1+cuda10.0) 但是它将不会被安装
            依赖: libnvinfer-doc (= 7.0.0-1+cuda10.0) 但是它将不会被安装
E: 无法修正错误，因为您要求某些软件包保持现状，就是它们破坏了软件包间的依赖关系。

错误原因：
如果安装tensorRT采用deb包安装，那么CUDA也必须采用deb包安装。

解决办法：
卸载CUDA，重新安装CUDA


版权声明：本文为m0_37605642原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。