在Ubuntu 18.04LTS上部署OpenPose+CUDA+CuDNN
由于毕业设计的缘故，需要在linux平台安装OpenPose这个姿态识别库，但是官方只提供Windows下编译好的二进制文件，在linux平台需要手动编译安装。下面记录一下我踩过的坑，为了方便自己，也为了方便别人。
首先，OpenPose使用caffe作为其神经网络框架。只要用到神经网络，就离不开速度这个永恒不变的话题。这个项目支持使用CUDA以及CuDNN来进行加速。CUDA是NVIDIA推出的一种并行异构计算平台，CuDNN是NVIDIA推出的配合CUDA使用的DNN（深度神经网络）加速库。根据官方的wiki，在720P分辨率下，不使用CuDNN需要占用12G显存，使用后可以降低到2.8G。 通过使用Windows下的demo实测，在我的老爷机（i5-4200H + GTX850M 4G）上，使用640*480的图片分辨率以及相同的神经网络分辨率，使用CPU可以达到10秒1帧，使用GPU （CUDA + CuDNN）可以达到每秒2帧左右。降低网络精度之后，使用GPU可以达到10帧左右，基本算是满足了近期的调试需求。可以看出，使用显卡进行加速的提升巨大，我们没有理由不使用GPU。
在Windows下安装NVIDIA驱动是安装操作系统的时候就完成的事情，demo中的CUDA也是直接打包进去的二进制文件。但是在linux下，我们要做的第一件事就是安装显卡驱动、CUDA框架以及CuDNN加速库。如果网络不好，可以在文末的连接中下载。
安装显卡驱动、CUDA和CuDNN
在安装CUDA中和CuDNN中，我踩了了相当多的坑。其中之一就是编译之后运行的时候，CuDNN初始化错误。经过了大量的资料查找以及尝试之后，我发现了**对于这种框架和库性质的东西，并不是版本越高越好，找到一个和源代码兼容的版本非常重要。**通过查看提供的Windows版demo中官方打包提供的两个库文件的版本，我最终选择了CUDA10.0和CuDNN7.3.1，实测编译截止文章完成之日的源码，可以运行成功，与demo效果一致。
由于Ubuntu自带了一个驱动安装器，因此可以免去手动安装显卡驱动的麻烦。刚装好系统的时候，用的是nouvaeu开源驱动，但是只有NVIDIA官方的闭源驱动才能够正常配合CUDA运行。我使用的CUDA版本自带的驱动版本是410，所以理论上这个版本之上的显卡驱动都是可以兼容的，但是经过实测410的驱动会让系统崩溃，因此我选择了430驱动，实测可以正常安装并兼容CUDA。值得一提的是，在点开这个附加驱动的选项卡之前，请一定要在Ubuntu软件选项卡中选择阿里源或者清华源这类国内的软件源（不要被中国的服务器给骗了，否则会慢出奇迹）并勾上设备的专有驱动。
安装好驱动之后，重启系统，在终端中输入 nvidia-smi，检查安装是否成功。如果成功了便可以接着进行下面的操作。其中显示的CUDA版本直接无视即可，这个版本显示的是和这个驱动打包发布的CUDA的版本，但是这个版本无法配合OpenPose运行，因此后期还需要安装老版本的。
将下载好的 cuda_10.0.130_410.48_linux.run 以及 cudnn-10.0-linux-x64-v7.3.1.20.tgz两个文件放到 ~/archive/cuda10_0/ 目录中（从官网或者我提供的连接），然后打开终端：
cd cuda
chmod +x cuda_10.0.130_410.48_linux.run
进入目录，并赋予可执行权限。之后运行cuda安装脚本。
sudo ./cuda_10.0.130_410.48_linux.run
即可进入安装界面。安装程序首先会要求阅读用户协议，直接按 q 退出，并输入 accept 接受即可。接下来，安装程序会询问是否需要安装显卡驱动。正如前文所说，经过实测，这个版本CUDA安装包自带的显卡驱动与Ubuntu18.04貌似有点兼容性问题，硬装上不但会卸载之前系统安装的驱动，还会导致nvidia-smi命令都无法运行。因此，此处选择不安装显卡驱动。
接下来选择Install the CUDA 10.0 Toolkit，选择默认路径（直接回车），并选择Install a symbolic link来创建符号链接。后面的一些选项按照自己的实际需求来选择就好了，接下来让它慢慢安装。 安装完毕之后，输入（需要创建符号链接才会有这个目录，这个目录是连接到 cuda-10.0 的）
cd /usr/local/cuda/
进入刚安装好的CUDA目录中，接下来输入
bin/nvcc --version
查看安装好的CUDA编译器版本，若显示正确的版本，即为安装成功。
接下来安装CuDNN。CuDNN其实就是两个库文件和一个头文件，只需要解压之后复制到对应的文件夹之中即可。
cd ~/archive/cuda10_0
tar zxvf cudnn-10.0-linux-x64-v7.3.1.20.tgz
sudo cp cuda/lib64/libcudnn.so.7.3.1 /usr/local/cuda/lib64/
sudo cp cuda/lib64/libcudnn_static.a /usr/local/cuda/lib64/
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo ln -s /usr/local/cuda/lib64/libcudnn.so.7.3.1 /usr/local/cuda/lib64/libcudnn.so.7
sudo ln -s /usr/local/cuda/lib64/libcudnn.so.7.3.1 /usr/local/cuda/lib64/libcudnn.so
要注意不能直接复制文件夹，否则软连接会出问题。到此为止，驱动安装工作就全部完成了。
编译安装OpenCV
OpenPose依赖OpenCV作为其绘图库，因此在编译OpenPose之前首先要安装OpenCV。值得注意的是，在踩坑的过程中，我发现最新版的OpenCV（到文章完成之日是4.2.0）中的一些宏的名字改变了，导致依赖它的caffe和OpenPose都无法正常编译，因此我找到了和CUDA10.0推出时间差不多的OpenCV3.4.7，实测可以正常使用。
由于apt中没有需要的这个3.4.7版本，因此编译安装是逃不过的。系统自带的Ubuntu软件中搜索Cmake可以下载到Cmake GUI。然后，从GitHub下载OpenCV3.4.7的源码并解压。安装好上述软件之后，还需要安装一些依赖：
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg-dev libtiff5-dev libswscale-dev libopenexr-dev libdc1394-22-dev libgtkglext1-dev
sudo apt-get install python3 python3-pip python python-pip python-dev python3-dev
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
在CMake配置的时候，需要注意勾选 BUILD_STATIC_LIBS 来生成OpenPose需要的静态库。同时，还需要勾上 WITH_GTK_2_X ，这是增加OpenCV的图形支持，如果不勾选这个会导致 cv2.namedWindow() 这类依赖GUI的函数没法使用。此外，如果需要python支持，还可以勾选上 BUILD_opencv_python2 和 BUILD_opencv_python3 。 在配置的过程中，可能会遇见下载一个70多M的压缩包的过程。由于众所周知的原因，下载速度会慢出奇迹。这个文件在下载完成之前就会超时退出。这个时候可以在终端里输入
export http_proxy=127.0.0.1:1080
export https_proxy=127.0.0.1:1080
cmake-gui
来使用本地代理连接进行下载。也可以下载文末连接中的 c0bd78adb4156bbf552c1dfe90599607-ippicv_2019_lnx_intel64_general_20180723.tgz 文件，放置到 opencv-3.4.7/.cache/ippicv 来跳过下载。如果提示Configure done的话，点击Generate生成MakeFile文件。然后进入到 opencv-3.4.7/build 文件夹下，执行
make -j4 && sudo make install
如果可以顺利完成，就成功地编译并安装了OpenCV。安装完成之后可以在终端输入
python3 -c "import cv2"
指令，如果没有任何报错说明安装成功。
编译安装OpenPose
OpenPose依赖caffe，但是caffe默认是和OpenPose一起编译安装的，因此不需要单独去配置caffe，OpenPose的编译脚本会帮忙配置好的。
找到存放代码的文件夹，执行
git clone --recursive https://github.com/CMU-Perceptual-Computing-Lab/openpose
来下载OpenPose以及其依赖的caffe源码。如果下载缓慢，可以下载我在文后链接中提供的截至文章发布时版本的压缩包。值得注意的是，CMake在第一次配置的时候默认会下载很多模型文件，也会出现像前面一样下载超时的问题。你可以选择使用代理，或者将我给出连接中的 models 文件夹复制到程序源码目录，即可避免下载。 然后，我们在终端中输入
sudo apt-get install libprotobuf-dev libgoogle-glog-dev libboost-dev libboost-thread-dev libboost-filesystem-dev protobuf-compiler libhdf5-dev libatlas-base-dev
来安装依赖。 接下来，使用Cmake GUI来配置。由于我需要python的wrapper，因此勾选BUILD_PYTHON。同时，要注意是否勾选USE_CUDA和USE_CUDNN。都配置好后，点击Configure，若无错误，点击Generate，然后进入文件夹开始编译。
cd ~/code/openpose/build
make -j4 && sudo make install
编译成功后，可以运行一下自带的例子，来测试编译是否成功。如果CUDA和CuDNN的版本对应有错误，一般是可以完成编译的，但是运行的时候就会报错。在运行的时候，使用 --net-resolution "320x240" 来降低网络分辨率，提高速度。
cd examples/openpose
cp -r ../../models/ ./
./openpose.bin --net-resolution "320x240"
如果demo运行正常，恭喜你，成功编译了OpenPose。 由于同时安装了python的接口，因此也可以测试一下python接口是否安装成功。默认情况下python的模块是安装到 /usr/local/python 下，这个目录并不在系统的path中。打开python，输入以下代码来验证：
import sys
sys.path.append('/usr/local/python')
from openpose import pyopenpose as op
如果执行过程中没有报错，说明python接口也已安装成功。
百度云下载 提取码：w1go