一、安装NVIDIA驱动、cuda、cudnn

1. 在nvidia官网根据自己的设别下载对应版本的NVIDIA驱动、cuda、cudnn 例如：64位pc、RTX2080 -> cuda10.2
   1)cuda版本选择

   lshw -numeric -C display  ///>   查看显卡型号
   lspci | grep -i nvidia    ///> 或 查看本机显卡
   

2. 安装nvidia
   1）旧驱动卸载以及禁用自带的 nouveau

   sudo apt-get purge nvidia*                       ///>   卸载旧的驱动   
   sudo apt-get autoremove
   sudo vi /etc/modprobe.d/blacklist-nouveau.conf   ///>  禁用自带的 nouveau nvidia驱动
   

   加入一下内容：

   blacklist nouveau 
   options nouveau modeset=0
   

   sudo update-initramfs -u    ///> 更新一下
   lsmod | grep nouveau        ///> 无输出表示禁用生效
   

   
   
   2）显示器设置
   台式pc:将显示器接口插入到主机集成显卡接口
   笔记本pc:进入bios目录，关掉独立显卡显示

   3）进入系统文本编辑

   sudo telinit 3
   

   4）安装驱动

   sudo chmod a+x NVIDIA-Linux-x86_64-450.80.02.run       ///>  切换到驱动文件路径下，并给驱动文件增加可执行权限
   ./NVIDIA-Linux-x86_64-450.80.02.run --no-opengl-files  ///>  执行  默认执行即可
   nvidia-smi
   

   显示如下：
   

   image
   
   
   

3. 安装cuda
   1）卸载旧版本的cuda

   sudo /usr/local/cuda-8.0/bin/cuda_uninstall    ///> 根据老版本的cuda名卸载
   sudo rm -rf /usr/local/cuda-8.0
   

   2）安装新版的cuda

   sudo sh cuda_10.0.130_410.48_linux.run        ///> 安装cuda
   sudo /etc/init.d/lightdm start                ///> 安装好后，打开图形界面     
   sudo gedit ~/.bashrc                          ///> 更改环境变量
   

   添加如下内容：

    export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}       
    export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}   
    export CUDA_HOME=/usr/local/cuda-10.0
   

   source ~/.bashrc    ///> 环境变量生效
   nvcc -V             ///>  查看cuda是否安装成功
   

4. 安装cudnn

   sudo dpkg -i  libcudnn8-samples_ 
   sudo dpkg -i  libcudnn8_   
   sudo dpkg -i  libcudnn8-dev
   

二、下载PointRCNN ，其基于pytorch1.0，修改适应ubuntu1804LTS pytorch1.7

1. 下载pointRCNN：参考pointRCNN中readme

   git clone --recursive https://github.com/sshaoshuai/PointRCNN.git
   pip install easydict tqdm tensorboardX -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   
   
2. pointRCNN源码解决pytorch版本不匹配问题
   1）修改cuda支持问题
   
   image

   grep AT_CHECK -rn .  ///> 在pointRCNN源码路径下搜索，并依次替换
   grep THCState_getCurrentStream(state) -rn .   ///> 在pointRCNN源码路径下搜索，并依次替换
   

   2）预训练模型(提供了car的预训练模型)直接受三个通道，因此需要将intensity排除

   __C.RPN.USE_INTENSITY = False   ///> pointRCNN/lib/config.py中
   

3. 安装一些库

   sh build_and_install.sh
   

4. 评估预训练模型：github预训练模型与评估代码
   1）将下载的KITTI数据集安装以下结构，放入pointRCNN源码源码目录中
   
   image
   
   
   
   2）输出预测结果：data文件夹
   运行以下语句将在/PointRCNN/output/rcnn/default/eval/epoch_no_number/val/final_result 路径下输出

   python eval_rcnn.py --cfg_file cfgs/default.yaml --ckpt PointRCNN.pth --batch_size 1 --eval_mode rcnn --set RPN.LOC_XZ_FINE False
   

   3）评估预测结果
      a. write the CmakeLists.txt

       ///  CmakeLists.txt
       cmake_minimum_required(VERSION 3.0)
       project(evaluate_detect_3d_offline)
       add_executable(evaluate_detect_3d_offline evaluate_object_3d_offline.cpp)
   

      b. make generate evaluate_detect_3d_offline
      c. ./evaluate_detect_3d_offline gt_dir result_dir
        其中, gt_dir = Dataset/KITTI/data_object_label_2/training/label_2;
       result_dir = /home/zc/MyFile/git/dataset/kitti_eval/pred;