WSL-Ubuntu20.04部署环境配置

1.更换Ubuntu软件仓库镜像源

为了在WSL上使用TensorRT进行推理加速，需要安装以下环境，下面将按以下顺序分别介绍安装、验证以及删除环境：

python 复制代码

#1.C++环境配置
gcc、gdb、g++
#2.gpu环境
cuda、cudnn
#3.Cmake环境
CMake
#4.OpenCV环境
OpenCV
#5.TensorRT环境
TensorRT

在安装这些库之前，需要先更换清华镜像，可以加速Ubuntu下载速度，使用指令lsb_release -a查看Linux 发行版的信息，如下所示：

其中关注一下Codename:focal ，参照博客WSL不同版本的Ubuntu更换清华镜像-CSDN博客，如果是focal的话，则修改镜像源为下面内容，如果是其他的codename的话，需要将https://mirrors.tuna.tsinghua.edu.cn/ubuntu，后面的focal修改为对应的内容，比如还可能是jammy、lunar、kinetic和bionic。

python 复制代码

# 默认注释了源码镜像以提高 apt update 速度，如有需要可自行取消注释
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse

deb http://security.ubuntu.com/ubuntu/ focal-security main restricted universe multiverse
# deb-src http://security.ubuntu.com/ubuntu/ focal-security main restricted universe multiverse

# 预发布软件源，不建议启用
# deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-proposed main restricted universe multiverse
# # deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-proposed main restricted universe multiverse

现在来看一下如何修改，分成两个步骤，第一：备份该配置文件，避免镜像替换后不可用，还可以恢复到原始版本；第二：修改镜像源。

首先来看备份配置文件：配置文件放在/etc/apt路径下，执行以下指令备份配置文件sources.list.

python 复制代码

 cp sources.list sources.list.bak

然后修改镜像源，执行以下指令：

python 复制代码

vim source.list

最后把前面的镜像源地址复制进去，然后在一般模式下使用：wq，保存并退出，如下所示：

2.C++环境配置

安装：

python 复制代码

sudo apt update
sudo apt install build-essential

验证：

python 复制代码

gcc --version

3.CUDA和CUDNN安装

前面也提到了wsl-ubuntu20.04的显卡驱动和本机的显卡驱动是一样的，再利用nvidia-smi查看下显卡驱动版本，再决定安装什么版本的CUDA和cuDNN.

显卡驱动版本号为12.2，可以理解为可以支持的CUDA最大版本号，但是我们也不需要安装那么高的CUDA，可以选择一个稳定点的比如CUDA11.6.

3.1CUDA-11.6安装

CUDA下载：CUDA Toolkit Archive | NVIDIA Developer，选择cuda11.6下载，如下所示。

安装: 接下来执行以下指令来进行安装;

python 复制代码

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.6.0/local_installers/cuda-repo-wsl-ubuntu-11-6-local_11.6.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-6-local_11.6.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-wsl-ubuntu-11-6-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda

以上的指令分别代表：(1)下载 cuda-wsl-ubuntu.pin 文件;(2)移动 cuda-wsl-ubuntu.pin 文件到 /etc/apt/preferences.d/ 目录;(3)下载 CUDA 11.6 的本地安装包；（4）安装 CUDA 仓库包；（5）添加 CUDA 仓库的公钥；（6）更新包列表；（7）安装 CUDA。

其中第三步中，如果网络不顺畅的话可以直接复制链接到浏览器中进行下载，然后再放到你的安装路径下，我这里直接是放在/root路径下，然后继续执行后面的步骤。

验证：

CUDA默认安装在/usr/local路径下，进入到该路径下，其中cuda-11.6文件夹即为安装好的cuda，里面会包含有bin、lib及include文件，其中nvcc指令在bin路径下,即/usr/local/cuda-11.6/bin.

下面需要把bin路径下的常用指令添加在home/.bashrc环境变量文件中，然后再使用nvcc -V来验证cuda是否安装成功：

首先使用下面指令打开.bashrc:

python 复制代码

vim ~/.bashrc

然后直接在最后一行插入下面代码，指示了cuda-11.6的路径：

python 复制代码

export CUDA_HOME=/usr/local/cuda-11.6  # 新建环境变量CUDA_HOME
export PATH=$PATH:$CUDA_HOME/bin       # 将bin目录添加到PATH这个环境变量

最后执行下面指令来验证cuda是否已经安装成功：

python 复制代码

source ~/.bashrc 
nvcc -V

3.2cuDNN-8.9.5安装

cuDNN下载：链接，我这里选择符合版本要求的v8.9.5，选择Linux_x86_64(Tar)下载。

我这里选择把下载好的文件放在/root路径下，如下所示：

安装： 首先解压得到lib和include文件夹，然后将解压后的文件夹分别复制到前面的cuda-11.6里面对应的lib64和include路径下，指令如下所示：

python 复制代码

tar -xvf cudnn-linux-x86_64-8.9.5.30_cuda11-archive.tar.xz
cd cudnn-linux-x86_64-8.9.5.30_cuda11-archive/ #进入解压路径
cp ./lib/* /usr/local/cuda-11.6/lib64          # 拷贝lib
cp ./include/* /usr/local/cuda-11.6/include    # 拷贝头文件

验证： 执行以下指令，显示如下内容说明cuDNN安装成功。

python 复制代码

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

4.CMake-3.30.0安装

CMake下载：Download CMake，这里我选择的是3.30.0版本进行下载，下载得到cmake-3.30.0.tar.gz压缩包，然后找个路径进行解压，如下所示：

安装：

首先将cmake-3.30.0.tar.gz这个压缩包放在/root路径下，使用以下指令来解压缩cmake包.

python 复制代码

tar -zxvf cmake-3.30.0.tar.gz

然后进入解压后的文件夹，进行编译和安装，其中make -j4中的-j4表示使用4个进程，可以提升生成的速度：

python 复制代码

cd cmake-3.30.0/
./bootstrap
make -j4
make install

问题： 我在执行./bootstrap遇到了Error:Could not find OpenSSL，如下所示：

解决： 那么需要安装libssl-dev，然后重新再执行一遍./bootstrap指令，执行成功后是下面这样子的.

python 复制代码

sudo apt-get install libssl-dev

验证： 执行以下指令，查看Cmake版本及Cmake位置，没有问题的话说明Cmake安装成功了。

python 复制代码

cmake --version
which cmake

5.OpenCV-4.8安装

OpenCV下载：Releases - OpenCV，这里我选择一年前发布的OpenCV-4.8,点击sources，下载得到opencv-4.8.0.zip压缩包，然后找个路径进行解压，如下所示：

安装：

第一步：把opencv-4.8.0.zip这个压缩包放在/root路径下，使用unzip指令来解压缩opencv包.

python 复制代码

unzip opencv-4.8.0.zip

第二步：进入opencv路径，创建build文件，用来保存编译的文件。

python 复制代码

cd opencv-4.8.0/
mkdir build
cd build

第三步：依次执行以下指令，使用CMake来配置、生成和安装OpenCV，其中make生成这一步的时间稍微会长一点，大概15分钟左右，可以在make后面加入-j4来加快生成，其中4指同时使用4个进程。

python 复制代码

cmake -D CMAKE_BUILD_TYPE=Release -D OPENCV_GENERATE_PKGCONFIG=YES ..
make -j4
make install

问题： 我在执行make -j4指令的时候，报错fatal error: openjpeg.h: No such file or directory，那么需要安装libopenjp2-7-dev。

解决： 如果你和我遇到了一样的问题，那么安装完之后为了保险起见，需要删除build文件夹，重新配置生成，即重新执行第二步和第三步的指令。

python 复制代码

apt-get install libopenjp2-7-dev

验证：

安装完OpenCV后需要知道OpenCV的bin、lib及include文件放在哪个路径下：

其中include 头文件放在路径下：/usr/local/include/opencv4/opencv2；bin 文件放在路径下：/usr/local/bin；lib文件放在路径下：/usr/local/lib.

下面来验证OpenCV是否安装成功，由于我们不是在ubuntu主机上操作，而是相当于链接一个远程主机，所以使用imshow报错是很正常的，如下所示，但是我们不需要imshow函数，只需要用到opencv来处理图片，所以我需要修改一下样例的代码。

首先时进入到一开始解压缩的文件夹中，并使用vim来编辑一下代码，只需要把imshow修改为imwrite,并且注释掉waitKey(0)代码即可，如下所示。

python 复制代码

cd /root/opencv-4.8.0/samples/cpp/example_cmake
vim  example.cpp

然后再执行以下指令编译和生成可执行文件，如下所示.

python 复制代码

cmake -S . -B build
cmake --build build

最后运行可执行文件，发现在当前路径下会生成一个Sample.jpg的图片，显示如下则说明安装成功了(查看图片可以直接通过\wsl.localhost\Ubuntu-2004\root\opencv-4.8.0\samples\cpp\example_cmake路径，在window上直接查看)：

python 复制代码

./build/opencv_example

6.TensorRT-8.5安装

TensorRT下载:NVIDIA TensorRT 8.x Download | NVIDIA Developer,EA 版本代表抢先体验，而GA 代表通用性，表示稳定版，所以我们还是下载TensorRT8.5GA稳定版的，

安装：

第一步：把TensorRT-8.5.1.7.Linux.x86_64-gnu.cuda-11.8.cudnn8.6.tar.gz这个压缩包放在/root路径下，解压缩TensorRT包.

python 复制代码

 tar -zxvf TensorRT-8.5.1.7.Linux.x86_64-gnu.cuda-11.8.cudnn8.6.tar.gz

第二步：将TensorRT/lib的绝对路径添加到在home/.bashrc环境变量文件中.

首先使用以下指令打开.bashrc.

python 复制代码

vim ~/.bashrc

然后添加以下代码到文件中，如下所示:

python 复制代码

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/root/TensorRT-8.5.1.7/lib

最后使用以下指令更新一下：

python 复制代码

source ~/.bashrc

验证：

第一步：进入到/root/TensorRT-8.5.1.7/samples/sampleOnnxMNIST路径下.

python 复制代码

cd /root/TensorRT-8.5.1.7/samples/sampleOnnxMNIST

第二步：编译并执行可执行文件,如下所示即安装成功。

python 复制代码

make
../../targets/x86_64-linux-gnu/bin/sample_onnx_mnist