ubuntu20.04rangenet

### 安装和配置 RangeNet 的全流程 #### 1. 环境准备 为了成功安装和配置 RangeNet，需要先搭建好基础环境。以下是所需的主要组件及其版本建议： - **操作系统**: Ubuntu 20.04 LTS[^1] - **CUDA 版本**: CUDA 11.x 推荐使用 CUDA 11.6[^3] - **cuDNN 版本**: cuDNN 8.4.1 对应于 CUDA 11.6 - **TensorRT**: TensorRT-8.4.1.5 可选用于优化推理性能 #### 2. 安装 NVIDIA 显卡驱动程序 确保已正确安装适用于 GPU 的最新 NVIDIA 驱动程序。可以通过以下命令检查当前驱动状态： ```bash nvidia-smi ``` 如果未安装或版本过旧，则需更新至支持 CUDA 11.6 的驱动版本。 #### 3. 安装 CUDA 和 cuDNN ##### （1）安装 CUDA 访问官方 NVIDIA CUDA 下载页面并选择适合的操作系统版本（Ubuntu 20.04）。推荐采用 `.deb` 文件方式进行安装[^2]，具体操作如下： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update sudo apt-get install -y cuda-11-6 ``` 完成安装后，设置环境变量以便后续调用： ```bash echo 'export PATH=/usr/local/cuda-11.6/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` 验证安装是否正常工作： ```bash nvcc --version ``` ##### （2）安装 cuDNN 下载对应 CUDA 11.6 的 cuDNN 库文件，并解压到指定路径下。通常情况下将其放置在 `/usr/local/cuda-11.6/` 中即可满足需求: ```bash tar -xzvf cudnn-linux-x86_64-8.4.1.50_cuda11-archive.tar.xz sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.6/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.6/lib64/ sudo chmod a+r /usr/local/cuda-11.6/lib64/libcudnn* ``` #### 4. 安装 PyTorch 或 TensorFlow RangeNet++ 支持多种深度学习框架实现，其中最常见的是基于 PyTorch 构建的模型。因此可以优先考虑安装 PyTorch 并测试其兼容性。 通过 pip 工具快速部署稳定版 PyTorch： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116 ``` #### 5. 获取与编译 Rangenet++ 从 GitHub 存储库克隆项目源码，并依据文档说明执行依赖项构建过程: ```bash git clone https://github.com/hshustc/CVPR19_RangeNet.git cd CVPR19_RangeNet pip install -r requirements.txt ``` 随后针对特定硬件架构调整 Makefile 参数重新编译核心模块部分代码片段示例如下所示： ```cpp // example.cpp #include <iostream> int main() { std::cout << "Compiled successfully!" << std::endl; return 0; } ``` 最后利用 CMakeLists.txt 自定义选项生成可执行二进制目标文件： ```bash mkdir build && cd build cmake .. make -j$(nproc) ``` #### 6. 测试 SumA++ 运行状况 当上述步骤均顺利完成之后便能够尝试加载预训练权重参数评估实际效果如何。 --- ###