Ubuntu18.04下安装NVIDIA显卡驱动、docker、nvidia-docker；容器中编译安装opencv-4.4.0与darknet-yolov4并完成测试；容器封装镜像转移。2022
艾阳羽
记录一下第一次在CSDN发博客，欢迎大家光临~
前言
最近这几天学习docker容器使用及配置，完成了以下内容：
1.Ubuntu 18.04.6LTS系统安装
2.为系统更换国内软件源
3.安装NVIDIA显卡驱动（RTX2060 notebook）
4.安装Docker
5.配置Docker镜像加速
6.安装nvidia-docker
7.拉取nvidia/cuda镜像并运行及测试
8.在容器中编译安装opencv-4.4.0、opencv_contrib-4.4.0
9.在容器中编译安装darknet-yolov4并进行测试
10.镜像复用：容器打包镜像、压缩镜像、转移镜像
以上内容也借鉴了好多前辈的文章，链接地址最后都会列出~
下面将以上10项内容逐一叙述，其中每一项都可拆开来看。如：只想在电脑上编译安装opencv4.4.0就可以直接看2.5.2。`
关于目录：涉及到拷贝的目录为宿主机主目录“/home/heqingchun”，容器内根目录“/”。
一、宿主机配置
这里面的“宿主机”是用来区分容器的，这里可以理解为你的电脑。
1.安装Ubunntu18.04 64位系统
安装系统请见，这里我就不详细说了，我认为你们都是已经有系统的了：直接点击或者复制网址都可https://blog.csdn.net/baidu_36602427/article/details/86548203
2.为宿主机系统更换国内软件源Ubuntu 官方源服务器在欧洲，国内访问很慢。所以这里有必要将软件源更换为国内的源,
国内源很多，在这里我们选择阿里云与清华大学的 Ubuntu 源
2.1-复制以下内容
# 阿里云源
deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
# 源碼
deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
# 清华大学源
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse
# 源碼
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
##測試版源
deb-src http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse
2.2-备份文件
Ubuntu 的源存放在在 /etc/apt/ 目录下的 sources.list 文件中，修改前我们先备份，在终端中执行以下命令：
sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup
2.3-更新文件内容
然后执行下面的命令打开 sources.list 文件，清空里面的内容，把上面阿里云与清华大学的 Ubuntu 源复制进去，保存后退出。
sudo gedit /etc/apt/sources.list
2.4-更新软件列表
接着在终端上执行以下命令更新软件列表，检测出可以更新的软件：
sudo apt-get update
2.5-进行软件更新
最后在终端上执行以下命令进行软件更新：
sudo apt-get upgrade
3.在宿主机中安装NVIDIA显卡驱动
3.1.安装驱动前一定要更新软件列表和安装必要软件、依赖（必须）
sudo apt-get update #更新软件列表
sudo apt-get install g++
sudo apt-get install make
3.2.根据显卡型号去NVIDIA官网下载ubuntu驱动
网址：https://www.nvidia.cn/Download/index.aspx?lang=cn
3.3.开始安装
3.3.1-卸载原有驱动
sudo apt-get remove --purge nvidia*
3.3.2-禁用nouveau(nouveau是通用的驱动程序)（必须）
sudo gedit /etc/modprobe.d/blacklist.conf 或者(blacklist-nouveau.conf)
3.3.3-在打开的blacklist.conf末尾添加如下，保存文本关闭
blacklist nouveau
options nouveau modeset=0
3.3.4-在终端输入如下更新，更新结束后重启电脑（必须）
sudo update-initramfs –u
3.3.5-重启后在终端输入如下，没有任何输出表示屏蔽成功
lsmod | grep nouveau
3.3.6-安装lightdm，lightdm是显示管理器，主要管理登录界面，安装界面选择“lightdm”
sudo apt-get install lightdm
***注：完成3.3.7后电脑将会进入纯字符界面，记不住命令记得拍照***
3.3.7-为了安装新的Nvidia驱动程序，我们需要停止当前的显示服务器。(必须)
sudo telinit 3
进入界面后先打出用户名回车后再打密码进行登陆，注意此时右侧数字小键盘不可用
3.3.8-在文本界面中，禁用X-window服务,在终端输入（必须）
sudo /etc/init.d/lightdm stop或者（sudo service lightdm stop）
3.3.9-cd命令进入到你存放驱动的目录，输入命令：
sudo chmod 777 NVIDIA-Linux-x86_64-430.26.run #给你下载的驱动赋予可执行权限，才可以安装
sudo ./NVIDIA-Linux-x86_64-430.26.run –no-opengl-files #安装
第二句命令的参数介绍：–no-opengl-files
只安装驱动文件，不安装OpenGL文件。这个参数台式机不加没问题，笔记本不加有可能出现循环登录。看个人需要。
显卡驱动安装过程中一些选项（有一些问题记不清楚了，只给出需要选择的选项：）：
1.The distribution-provided pre-install script failed! Are you sure you want to continue?
选择continue installation
2.Would you like to register the kernel module souces with DKMS? This will allow DKMS to automatically build a new module, if you install a different kernel later?
选择 No 继续。
3.问题没记住，选项是：install without signing
4.问题大概是：Nvidia’s 32-bit compatibility libraries? 选择 No 继续。
5.Would you like to run the nvidia-xconfigutility to automatically update your x configuration so that the NVIDIA x driver will be used when you restart x? Any pre-existing x confile will be backed up.
选择 Yes 继续
3.3.10-安装结束后输入sudo service lightdm start 重启x-window服务，即可自动进入登陆界面。不行的话，如果是双显卡可能需要bios设置独显直连，然后重启电脑。
4.在宿主机中安装docker
4.1-卸载旧版本----注：如果之前未安装可以略过
Docker 的旧版本被称为 docker，docker.io 或 docker-engine 。
sudo apt-get remove docker docker-engine docker.io containerd runc
4.2-在新主机上首次安装 Docker Engine-Community 之前，需要设置 Docker 仓库。之后就可以从仓库安装和更新 Docker，设置仓库，更新 apt 包索引。
sudo apt-get update
4.3-安装 apt 依赖包，用于通过HTTPS来获取仓库:
sudo apt-get install \
apt-transport-https \
ca-certificates \
curl \
gnupg-agent \
software-properties-common
4.4-添加 Docker 的官方 GPG 密钥：
curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add -
4.5-（9DC8 5822 9FC7 DD38 854A E2D8 8D81 803C 0EBF CD88） 通过搜索指纹的后8个字符，验证现在是否拥有带有指纹的密钥。
sudo apt-key fingerprint 0EBFCD88
执行命令后看到如下信息：
“pub rsa4096 2017-02-22 [SCEA]
9DC8 5822 9FC7 DD38 854A E2D8 8D81 803C 0EBF CD88
uid [ unknown] Docker Release (CE deb) <docker@docker.com>
sub rsa4096 2017-02-22 [S]”
4.6-使用以下指令设置稳定版仓库
sudo add-apt-repository \
"deb [arch=amd64] https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/ \
$(lsb_release -cs) \
stable"
4.7-准备安装Docker Engine-Community
更新 apt 包索引。
sudo apt-get update
4.8-安装最新版本的 Docker Engine-Community 和 containerd ：
sudo apt-get install docker-ce docker-ce-cli containerd.io
4.9-测试是否安装成功，输入以下指令，打印出以下信息则安装成功:--------注：需要连接互联网，因为本地没有镜像会去仓库拉取
sudo docker run hello-world
打印信息：
Unable to find image 'hello-world:latest' locally
latest: Pulling from library/hello-world
1b930d010525: Pull complete Digest: sha256:c3b4ada4687bbaa170745b3e4dd8ac3f194ca95b2d0518b417fb47e5879d9b5f
Status: Downloaded newer image for hello-world:latest
Hello from Docker!
This message shows that your installation appears to be working correctly.
To generate this message, Docker took the following steps:
1. The Docker client contacted the Docker daemon.
2. The Docker daemon pulled the "hello-world" image from the Docker Hub.
(amd64)
3. The Docker daemon created a new container from that image which runs the
executable that produces the output you are currently reading.
4. The Docker daemon streamed that output to the Docker client, which sent it
to your terminal.
To try something more ambitious, you can run an Ubuntu container with:
$ docker run -it ubuntu bash
Share images, automate workflows, and more with a free Docker ID:
https://hub.docker.com/
For more examples and ideas, visit:
https://docs.docker.com/get-started/
4.10-使用命令查看刚才的hello-world镜像是否下载到本地
sudo docker images
4.11-目前docker指令必须要管理员权限，非常麻烦，下面进行权限提升
把普通用户加入到docker组中
echo $USER------------打印用户名-可省略
groupadd docker----------添加docker组
sudo gpasswd -a $USER docker
newgrp docker
现在使用语句时不用每次都使用管理员权限了，如：
docker ps
docker images
5.Docker 镜像加速（很有必要）
国内从 DockerHub 拉取镜像有时会遇到困难，此时可以配置镜像加速器。
Docker 官方和国内很多云服务商都提供了国内加速器服务，例如：
科大镜像：https://docker.mirrors.ustc.edu.cn/
网易：https://hub-mirror.c.163.com/
阿里云：https://<你的ID>.mirror.aliyuncs.com
七牛云加速器：https://reg-mirror.qiniu.com
5.1-阿里云镜像加速配置
5.1.1-进入官方网站，进行登陆
网址：https://www.aliyun.com/
5.1.2-点击右上角“控制台”
5.1.3-点击“容器镜像服务”
5.1.4-在左侧点击“镜像工具”下的“镜像加速器”
5.1.5-根据操作文档操作即可
检查加速器是否生效配置加速器之后，如果拉取镜像仍然十分缓慢，请手动检查加速器配置是否生效。
在命令行执行 docker info，如果从结果中看到了如下内容，说明配置成功。
docker info
Registry Mirrors:
https://ta2godbp.mirror.aliyuncs.com/
6.在宿主机中安装nvidia-docker
Docker只能使用CPU 的资源，需要连接Docker 和宿主机的显卡驱动 —— nvidia-docker
6.1-设置稳定版的存储库和GPG密钥
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
6.2-更新
sudo apt-get update
6.3-安装
sudo apt-get install -y nvidia-docker2
6.4-重启docker
sudo systemctl restart docker
到这里，宿主机的配置已经全部完成，接下来在宿主机中下载官方nvidia/cuda镜像
二、镜像、容器配置
1.先在宿主机中下载官方预配置的nvidia/cuda镜像，在此基础上进行配置
2.1-配置镜像源
sudo vim /etc/docker/daemon.json
2.2-加入镜像地址
添加"registry-mirrors": [https://docker.mirrors.ustc.edu.cn]
添加之后状态如下：
{
"registry-mirrors": ["https://ta2godbp.mirror.aliyuncs.com"]
}
2.3-重启docker
systemctl restart docker.service
2.4-下载镜像
2.4.1-Nvidia docker cuda 官方镜像网址
https://hub.docker.com/r/nvidia/cuda
2.4.2-进入网址后找到“Supported tags”
然后点击下方“For a full list of supported tags.click here”中的here
2.4.3-在新页面中找到需要的版本，如：
找到“ubuntu18.04”下的“CUDA 11.4.3”，复制下方的“11.4.3-cudnn8-devel-ubuntu18.04”
2.4.4-再回到2.4.1打开的网址界面
点击“tags”，将复制的内容粘贴到“Filter Tags”搜索框中
搜索完毕之后在右侧会出现“docker pull nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04”
复制下来在宿主机中执行下载。
（如果设置阿里云镜像容器加速大概下载20分钟，如果没有设置加速器大约需要5个小时！）
复制后在主机上执行：
docker pull nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04
2.4.5-使用docker images查看镜像
docker images
显示如下：
REPOSITORY TAG IMAGE ID CREATED SIZE
nvidia/cuda 11.4.3-cudnn8-devel-ubuntu18.04 90b42b6501f7 2 weeks ago 9.11GB
2.4.6-运行镜像前需要注册nvidia-docker
sudo mkdir -p /etc/systemd/system/docker.service.d
sudo tee /etc/systemd/system/docker.service.d/override.conf <<EOF
[Service]
ExecStart=
ExecStart=/usr/bin/dockerd --host=fd:// --add-runtime=nvidia=/usr/bin/nvidia-container-runtime
EOF
sudo systemctl daemon-reload
sudo systemctl restart docker
2.5-运行镜像
sudo docker run -it --name test_name -v /data/test_name:/data/test_name --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=all nvidia/cuda:11.4.3-cudnn8-devel-ubuntu18.04
（test_name为自定义容器名）；
（/data/algorithm:/data/test_name为项目绝对路径:容器内项目路径）；
（nvidia/cuda:11.1-cudnn8-devel-ubuntu18.04为镜像名称。）
运行成功后，命令行前缀改变，此时运行的就是容器内部的bash了
（由heqingchun@Legion:~$变为root@f68aa5e2daec:/#）
2.5.1-测试基础环境是否安装成功-要在容器中测试
2.5.1.1-测试显卡驱动
nvidia-smi
显示如下：
Wed May 18 01:32:47 2022
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.68.02 Driver Version: 510.68.02 CUDA Version: 11.6 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 NVIDIA GeForce ... Off | 00000000:01:00.0 On | N/A |
| N/A 48C P8 8W / N/A | 114MiB / 6144MiB | 16% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
+-----------------------------------------------------------------------------+
2.5.1.2-测试 CUDA
nvcc -V
显示如下：
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Mon_Oct_11_21:27:02_PDT_2021
Cuda compilation tools, release 11.4, V11.4.152
Build cuda_11.4.r11.4/compiler.30521435_0
2.5.1.3-测试 CUDNN
ll /usr/lib/x86_64-linux-gnu/ | grep cudnn
显示如下：
lrwxrwxrwx 1 root root 29 Apr 29 05:00 libcudnn.so -> /etc/alternatives/libcudnn_so
lrwxrwxrwx 1 root root 17 Aug 31 2021 libcudnn.so.8 -> libcudnn.so.8.2.4
-rw-r--r-- 1 root root 158392 Aug 31 2021 libcudnn.so.8.2.4
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_adv_infer.so -> /etc/alternatives/libcudnn_adv_infer_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_adv_infer.so.8 -> libcudnn_adv_infer.so.8.2.4
-rw-r--r-- 1 root root 129423408 Aug 31 2021 libcudnn_adv_infer.so.8.2.4
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_adv_train.so -> /etc/alternatives/libcudnn_adv_train_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_adv_train.so.8 -> libcudnn_adv_train.so.8.2.4
-rw-r--r-- 1 root root 98296496 Aug 31 2021 libcudnn_adv_train.so.8.2.4
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_cnn_infer.so -> /etc/alternatives/libcudnn_cnn_infer_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_cnn_infer.so.8 -> libcudnn_cnn_infer.so.8.2.4
-rw-r--r-- 1 root root 723562112 Aug 31 2021 libcudnn_cnn_infer.so.8.2.4
-rw-r--r-- 1 root root 890513380 Aug 31 2021 libcudnn_cnn_infer_static.a
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_cnn_infer_static_v8.a -> libcudnn_cnn_infer_static.a
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_cnn_train.so -> /etc/alternatives/libcudnn_cnn_train_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_cnn_train.so.8 -> libcudnn_cnn_train.so.8.2.4
-rw-r--r-- 1 root root 88248272 Aug 31 2021 libcudnn_cnn_train.so.8.2.4
-rw-r--r-- 1 root root 134645628 Aug 31 2021 libcudnn_cnn_train_static.a
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_cnn_train_static_v8.a -> libcudnn_cnn_train_static.a
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_ops_infer.so -> /etc/alternatives/libcudnn_ops_infer_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_ops_infer.so.8 -> libcudnn_ops_infer.so.8.2.4
-rw-r--r-- 1 root root 426627672 Aug 31 2021 libcudnn_ops_infer.so.8.2.4
lrwxrwxrwx 1 root root 39 Apr 29 05:00 libcudnn_ops_train.so -> /etc/alternatives/libcudnn_ops_train_so
lrwxrwxrwx 1 root root 27 Aug 31 2021 libcudnn_ops_train.so.8 -> libcudnn_ops_train.so.8.2.4
-rw-r--r-- 1 root root 59658376 Aug 31 2021 libcudnn_ops_train.so.8.2.4
-rw-r--r-- 1 root root 1374752618 Aug 31 2021 libcudnn_static.a
lrwxrwxrwx 1 root root 17 Aug 31 2021 libcudnn_static_v8.a -> libcudnn_static.a
2.5.2-在容器中安装opencv-4.4.0、opencv_contrib-4.4.0
2.5.2.1-首先准备文件
以下三个文件我先放在宿主机的家目录中了。
opencv-4.4.0.zip
opencv_contrib-4.4.0.zip
boostdesc_bgm.i.zip(链接：https://pan.baidu.com/s/1WzDfij41FmaRdPkBKAs9Kw 提取码：1234)
2.5.2.2-在宿主机中查看镜像ID，然后复制下来
docker ps或者docker ps -a
2.5.2.3-将准备文件拷贝进当前容器(ID:47b9d751b8be)
镜像ID注意需要用自己电脑上查到的
docker cp /home/heqingchun/boostdesc_bgm.i.zip 47b9d751b8be:/
将opencv压缩包拷贝进容器
docker cp /home/heqingchun/opencv-4.4.0.zip 47b9d751b8be:/
docker cp /home/heqingchun/opencv_contrib-4.4.0.zip 47b9d751b8be:/
--------以下为在容器内执行--------
不列序号了，大家分步执行即可，我会给出标注：
apt update //更新
apt-get install axel //安装下载工具
--如果没有预先在宿主机下载，可以使用下面命令下载（在根目录执行）
--如果已经下载完了，下边的两句话就不用执行了
axel -k https://github.com/opencv/opencv/archive/4.4.0.zip //下载opencv-4.4.0
axel -k https://github.com/opencv/opencv_contrib/archive/refs/tags/4.4.0.zip //下载opencv_contrib-4.4.0
apt-get install unzip //安装解压工具
unzip opencv-4.4.0.zip //解压opencv-4.4.0.zip
unzip opencv_contrib-4.4.0.zip //解压opencv_contrib-4.4.0
mv opencv_contrib-4.4.0 opencv-4.4.0 //将opencv_contrib-4.4.0剪切至opencv-4.4.0
boostdesc_bgm.i.zip可以在网上找一找，我也会放出资源
(链接：https://pan.baidu.com/s/1WzDfij41FmaRdPkBKAs9Kw 提取码：1234)
unzip boostdesc_bgm.i.zip //解压
cp /boostdesc_bgm.i/*.i /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/src/ //将文件拷贝到指定目录
apt-get install cmake //安装cmake
apt-get install g++ //安装g++编译器
apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev libgtk2.0-dev pkg-config //安装其他依赖项
cp opencv-4.4.0/modules/features2d/test/*.impl.hpp opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/ //将指定文件拷贝到指定目录
cp opencv-4.4.0/modules/features2d/test/test_invariance_utils.hpp opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/ //将指定文件拷贝到指定目录
sed -i "s/features2d\/test\/test_detectors_regression.impl.hpp/test_detectors_regression.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_features2d.cpp //修改文件内容
sed -i "s/features2d\/test\/test_descriptors_regression.impl.hpp/test_descriptors_regression.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_features2d.cpp //修改文件内容
sed -i "s/features2d\/test\/test_detectors_invariance.impl.hpp/test_detectors_invariance.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_rotation_and_scale_invariance.cpp//修改文件内容
sed -i "s/features2d\/test\/test_descriptors_invariance.impl.hpp/test_descriptors_invariance.impl.hpp/g" /opencv-4.4.0/opencv_contrib-4.4.0/modules/xfeatures2d/test/test_rotation_and_scale_invariance.cpp //修改文件内容
cd opencv-4.4.0
mkdir -p build
cd build
(cmake执行的时候下载ADE: Download: v0.1.1f.zip的时候很慢，如果不行就多试几次)
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local -D OPENCV_GENERATE_PKGCONFIG=ON -D OPENCV_ENABLE_NONFREE=YES -D OPENCV_EXTRA_MODULES_PATH=/opencv-4.4.0/opencv_contrib-4.4.0/modules/ ..
make -j64
make install
echo "/usr/local/lib" >> /etc/ld.so.conf.d/opencv4.conf
ldconfig
echo "PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig" >> /etc/bash.bashrc
echo "export PKG_CONFIG_PATH" >> /etc/bash.bashrc
source /etc/bash.bashrc
echo "/usr/local/lib" >> /etc/ld.so.conf
ldconfig
apt-get install pkg-config 安装插件
pkg-config --modversion opencv4 查看版本
显示:4.4.0表示安装成功
2.5.3-在容器中安装编译darknet-yolov4并进行测试
2.5.3.1-下载darknet源码以及yolov4.cfg、yolov4.weights、测试图片：dog.jpg
从宿主机中下载拷贝至容器：
docker cp /home/heqingchun/yolov4.cfg dc9f6a655775:/
docker cp /home/heqingchun/yolov4.weights dc9f6a655775:/
docker cp /home/heqingchun/darknet-master.zip dc9f6a655775:/
docker cp /home/heqingchun/dog.jpg dc9f6a655775:/
或者在容器中下载：axel -k 下载链接（2选1即可）
axel -k https://github.com/AlexeyAB/darknet/archive/refs/heads/master.zip
axel -k https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
axel -k https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4.cfg
到这步我就认为你已经把文件都准备好了
2.5.3.2-解压darknet-master.zip
unzip darknet-master.zip
2.5.3.3-配置编译前需要设置项
cd darknet-master
apt-get install vim
vim Makefile #修改Makefile文件
------------------
修改Makefile文件：
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
------------------
make -j64
2.5.3.4-运行文件测试是否成功-我把文件都放在容器的根目录了
./darknet detect /yolov4.cfg /yolov4.weights /dog.jpg
显示如下：
CUDA-version: 11040 (11060), cuDNN: 8.2.4, CUDNN_HALF=1, GPU count: 1
CUDNN_HALF=1
OpenCV version: 4.4.0
0 : compute_capability = 750, cudnn_half = 1, GPU: NVIDIA GeForce RTX 2060
net.optimized_memory = 0
mini_batch = 1, batch = 8, time_steps = 1, train = 0
layer filters size/strd(dil) input output
0 Create CUDA-stream - 0
Create cudnn-handle 0
conv 32 3 x 3/ 1 608 x 608 x 3 -> 608 x 608 x 32 0.639 BF
1 conv 64 3 x 3/ 2 608 x 608 x 32 -> 304 x 304 x 64 3.407 BF
2 conv 64 1 x 1/ 1 304 x 304 x 64 -> 304 x 304 x 64 0.757 BF
3 route 1 -> 304 x 304 x 64
4 conv 64 1 x 1/ 1 304 x 304 x 64 -> 304 x 304 x 64 0.757 BF
5 conv 32 1 x 1/ 1 304 x 304 x 64 -> 304 x 304 x 32 0.379 BF
6 conv 64 3 x 3/ 1 304 x 304 x 32 -> 304 x 304 x 64 3.407 BF
7 Shortcut Layer: 4, wt = 0, wn = 0, outputs: 304 x 304 x 64 0.006 BF
8 conv 64 1 x 1/ 1 304 x 304 x 64 -> 304 x 304 x 64 0.757 BF
9 route 8 2 -> 304 x 304 x 128
10 conv 64 1 x 1/ 1 304 x 304 x 128 -> 304 x 304 x 64 1.514 BF
11 conv 128 3 x 3/ 2 304 x 304 x 64 -> 152 x 152 x 128 3.407 BF
12 conv 64 1 x 1/ 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BF
13 route 11 -> 152 x 152 x 128
14 conv 64 1 x 1/ 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BF
15 conv 64 1 x 1/ 1 152 x 152 x 64 -> 152 x 152 x 64 0.189 BF
16 conv 64 3 x 3/ 1 152 x 152 x 64 -> 152 x 152 x 64 1.703 BF
17 Shortcut Layer: 14, wt = 0, wn = 0, outputs: 152 x 152 x 64 0.001 BF
18 conv 64 1 x 1/ 1 152 x 152 x 64 -> 152 x 152 x 64 0.189 BF
19 conv 64 3 x 3/ 1 152 x 152 x 64 -> 152 x 152 x 64 1.703 BF
20 Shortcut Layer: 17, wt = 0, wn = 0, outputs: 152 x 152 x 64 0.001 BF
21 conv 64 1 x 1/ 1 152 x 152 x 64 -> 152 x 152 x 64 0.189 BF
22 route 21 12 -> 152 x 152 x 128
23 conv 128 1 x 1/ 1 152 x 152 x 128 -> 152 x 152 x 128 0.757 BF
24 conv 256 3 x 3/ 2 152 x 152 x 128 -> 76 x 76 x 256 3.407 BF
25 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
26 route 24 -> 76 x 76 x 256
27 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
28 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
29 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
30 Shortcut Layer: 27, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
31 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
32 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
33 Shortcut Layer: 30, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
34 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
35 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
36 Shortcut Layer: 33, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
37 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
38 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
39 Shortcut Layer: 36, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
40 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
41 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
42 Shortcut Layer: 39, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
43 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
44 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
45 Shortcut Layer: 42, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
46 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
47 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
48 Shortcut Layer: 45, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
49 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
50 conv 128 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 128 1.703 BF
51 Shortcut Layer: 48, wt = 0, wn = 0, outputs: 76 x 76 x 128 0.001 BF
52 conv 128 1 x 1/ 1 76 x 76 x 128 -> 76 x 76 x 128 0.189 BF
53 route 52 25 -> 76 x 76 x 256
54 conv 256 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 256 0.757 BF
55 conv 512 3 x 3/ 2 76 x 76 x 256 -> 38 x 38 x 512 3.407 BF
56 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
57 route 55 -> 38 x 38 x 512
58 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
59 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
60 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
61 Shortcut Layer: 58, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
62 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
63 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
64 Shortcut Layer: 61, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
65 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
66 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
67 Shortcut Layer: 64, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
68 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
69 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
70 Shortcut Layer: 67, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
71 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
72 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
73 Shortcut Layer: 70, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
74 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
75 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
76 Shortcut Layer: 73, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
77 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
78 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
79 Shortcut Layer: 76, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
80 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
81 conv 256 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 256 1.703 BF
82 Shortcut Layer: 79, wt = 0, wn = 0, outputs: 38 x 38 x 256 0.000 BF
83 conv 256 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 256 0.189 BF
84 route 83 56 -> 38 x 38 x 512
85 conv 512 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 512 0.757 BF
86 conv 1024 3 x 3/ 2 38 x 38 x 512 -> 19 x 19 x1024 3.407 BF
87 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
88 route 86 -> 19 x 19 x1024
89 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
90 conv 512 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.189 BF
91 conv 512 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x 512 1.703 BF
92 Shortcut Layer: 89, wt = 0, wn = 0, outputs: 19 x 19 x 512 0.000 BF
93 conv 512 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.189 BF
94 conv 512 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x 512 1.703 BF
95 Shortcut Layer: 92, wt = 0, wn = 0, outputs: 19 x 19 x 512 0.000 BF
96 conv 512 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.189 BF
97 conv 512 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x 512 1.703 BF
98 Shortcut Layer: 95, wt = 0, wn = 0, outputs: 19 x 19 x 512 0.000 BF
99 conv 512 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.189 BF
100 conv 512 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x 512 1.703 BF
101 Shortcut Layer: 98, wt = 0, wn = 0, outputs: 19 x 19 x 512 0.000 BF
102 conv 512 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.189 BF
103 route 102 87 -> 19 x 19 x1024
104 conv 1024 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x1024 0.757 BF
105 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
106 conv 1024 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BF
107 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
108 max 5x 5/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.005 BF
109 route 107 -> 19 x 19 x 512
110 max 9x 9/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.015 BF
111 route 107 -> 19 x 19 x 512
112 max 13x13/ 1 19 x 19 x 512 -> 19 x 19 x 512 0.031 BF
113 route 112 110 108 107 -> 19 x 19 x2048
114 conv 512 1 x 1/ 1 19 x 19 x2048 -> 19 x 19 x 512 0.757 BF
115 conv 1024 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BF
116 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
117 conv 256 1 x 1/ 1 19 x 19 x 512 -> 19 x 19 x 256 0.095 BF
118 upsample 2x 19 x 19 x 256 -> 38 x 38 x 256
119 route 85 -> 38 x 38 x 512
120 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
121 route 120 118 -> 38 x 38 x 512
122 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
123 conv 512 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BF
124 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
125 conv 512 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BF
126 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
127 conv 128 1 x 1/ 1 38 x 38 x 256 -> 38 x 38 x 128 0.095 BF
128 upsample 2x 38 x 38 x 128 -> 76 x 76 x 128
129 route 54 -> 76 x 76 x 256
130 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
131 route 130 128 -> 76 x 76 x 256
132 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
133 conv 256 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BF
134 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
135 conv 256 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BF
136 conv 128 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BF
137 conv 256 3 x 3/ 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BF
138 conv 255 1 x 1/ 1 76 x 76 x 256 -> 76 x 76 x 255 0.754 BF
139 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.20
nms_kind: greedynms (1), beta = 0.600000
140 route 136 -> 76 x 76 x 128
141 conv 256 3 x 3/ 2 76 x 76 x 128 -> 38 x 38 x 256 0.852 BF
142 route 141 126 -> 38 x 38 x 512
143 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
144 conv 512 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BF
145 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
146 conv 512 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BF
147 conv 256 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BF
148 conv 512 3 x 3/ 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BF
149 conv 255 1 x 1/ 1 38 x 38 x 512 -> 38 x 38 x 255 0.377 BF
150 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.10
nms_kind: greedynms (1), beta = 0.600000
151 route 147 -> 38 x 38 x 256
152 conv 512 3 x 3/ 2 38 x 38 x 256 -> 19 x 19 x 512 0.852 BF
153 route 152 116 -> 19 x 19 x1024
154 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
155 conv 1024 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BF
156 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
157 conv 1024 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BF
158 conv 512 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BF
159 conv 1024 3 x 3/ 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BF
160 conv 255 1 x 1/ 1 19 x 19 x1024 -> 19 x 19 x 255 0.189 BF
161 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000
Total BFLOPS 128.459
avg_outputs = 1068395
Allocate additional workspace_size = 52.44 MB
Loading weights from /yolov4.weights...
seen 64, trained: 32032 K-images (500 Kilo-batches_64)
Done! Loaded 162 layers from weights-file
Detection layer: 139 - type = 28
Detection layer: 150 - type = 28
Detection layer: 161 - type = 28
/dog.jpg: Predicted in 708.269000 milli-seconds.
bicycle: 92%
dog: 98%
truck: 92%
pottedplant: 33%
OpenCV exception: show_image_cv
OpenCV exception: wait_key_cv
OpenCV exception: destroy_all_windows_cv
2.5.3.5-执行后会在文件夹生成“predictions.jpg”文件，由于容器中目前看不到图片，我将此文件从容器拷贝到宿主机进行查看
docker cp dc9f6a655775:/darknet-master/predictions.jpg ~
2.5.3.6-查看图片发现已经检测完毕，说明测试成功！在容器内终端输入exit可退出容器。
三、容器打包镜像、压缩镜像、转移镜像
1.我们退出容器后容器其实还在电脑上存在，可以使用docker ps -a查看ID
2.根据刚刚配置好的容器生成新镜像
2.1-停止当前容器
docker stop 容器ID
2.2-将容器打包
docker commit -a "heqingchun" -m "cuda_cudnn_opencv_darknet" dc9f6a655775 my_images:v1
其中-a后边是作者，-m后边是备注，dc9f6a655775为镜像ID，后边的my_images:v1是名称：标签
在打包之后可以使用docker images查看新的镜像，并且可以通过docker run -it my_images:v1运行新镜像
3.镜像的转移
3.1-将镜像压缩成tar包
docker save my_images:v1 > ~/my_docker_images.tar
执行上边命令就在我的家目录下生成了my_docker_images.tar文件，可以将该文件拷贝至U盘等用于转移
4.镜像加载
4.1-例如：使用U盘将压缩包拷贝到另外一台装有docker的电脑，将压缩包拷贝到家目录，并且cd到家目录
docker load < my_docker_images.tar
执行上边命令docker会自动解压文件并且添加到本地仓库，可以在新电脑使用docker images查看，
再次使用命令运行镜像
docker run -it --name test_name -v /data/test_name:/data/test_name --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=all my_images:v1
参考的博客在这里列出，非常之感谢。
系统安装：https://blog.csdn.net/baidu_36602427/article/details/86548203
显卡安装：https://blog.csdn.net/Perfect886/article/details/119109380
opencv4.4.0安装：https://blog.csdn.net/cloud_shen/article/details/107878654
更新软件源：https://blog.csdn.net/baidu_36602427/article/details/86551862
Docker安装：https://www.runoob.com/docker/ubuntu-docker-install.html
Docker镜像加速：https://blog.csdn.net/KEYMA/article/details/114118052
安装nvidia-docker、拉取nvidia/cuda镜像、运行镜像：https://blog.csdn.net/weixin_50008473/article/details/119464898
容器、镜像操作：https://www.runoob.com/docker/docker-command-manual.html
darknet编译、安装、测试：https://blog.51cto.com/u_11495341/3038915
总结
以上就是无痕丶Shadow对于“Ubuntu18.04.6下安装NVIDIA显卡驱动、docker、nvidia-docker；容器中编译安装opencv-4.4.0与darknet-yolov4并完成测试；容器封装镜像转移”等操作的介绍，希望能够给你带来灵感。第一次写博客，感觉还不错。
注：转发转载须注明地址，谢谢~
类似资料：