docker中源码安装onnx / tvm

docker中源码安装onnx / tvm
docker安装

可自行到https://tvm.apache.org/docs/install/docker.html 官网下载安装

环境：
系统： ubuntu22.04系统，
docker版本： 20.10.17
cuda: 11.6
因此在安装时选用了nvidia/cuda:11.6.1-devel-ubuntu20.04这个镜像文件

镜像环境下载：
docker pull nvidia/cuda:11.6.1-devel-ubuntu20.04

通过sudo docker images查看镜像，并使用如下命令启动镜像：
```
 sudo docker run -it --shm-size=10g -v /home/ngl/workspace:/home/workspace --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=0 nvidia/cuda:11.6.1-cudnn8-devel-ubuntu20.04  /bin/bash
```
mmdet与onnxruntime环境安装

进入docker镜像后，执行apt-get update 和apt-get upgrade对系统进行升级

安装pytorch

根据pytorch官网下载pytorch版本
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

安装MMCV

MMCV地址：https://github.com/open-mmlab/mmcv
安装命令：https://github.com/open-mmlab/mmcv

安装MMDetection
```
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .
```
验证MMDetection安装

下载config文件和checkpoint文件
yolov3_mobilenetv2_320_300e_coco.py and yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth
在mmdetection目录下执行
python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_320_300e_coco.py yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cpu --out-file result.jpg

因在docker中执行，图片文件等不方便展示，在与宿主机共享目录中创建生成的目录文件，将结果存入其中
```
python3 demo/image_demo.py demo/demo.jpg ./configs/yolo/yolov3_mobilenetv2_320_300e_coco.py /home/workspace/Data/CheckpointFile/yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cuda --out-file /home/workspace/results/result.jpg
```
可在宿主机的/workspace/results目录中查看运行结果：

至此MMdection便安装成功

报错：
1. ImportError: libGL.so.1: cannot open shared object file: No such file or directory
  缺少GL库文件，因此安装GL库即可
```
apt install libgl1-mesa-glx
```
1. ImportError: libgthread-2.0.so.0: cannot open shared object file: No such file or directory
  解决方法：
  apt-get install libglib2.0-dev
安装ONNX runtime

下载onnxruntime-linux 并暴露出ONNXRUNTIME_DIR，将lib库加入到LD_LIBRARY_PATH中
```
wget https://github.com/microsoft/onnxruntime/releases/download/v1.12.0/onnxruntime-linux-x64-1.12.0.tgz
tar -xzvf onnxruntime-linux-x64-1.12.0.tgz
cd onnxruntime-linux-x64-1.12.0
export ONNXRUNTIME_DIR=$(pwd)
export LD_LIBRARY_PATH=$ONNXRUNTIME_DIR/lib:$LD_LIBRARY_PATH
```
因为在编译mmcv时，需要用到onnx中的头文件，所以必须要导入这个
```
pip install onnxruntime-gpu
pip install onnx
```
验证
```
import torch
import torch.nn as nn
import numpy as np

class Model(nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=2, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=2, padding=1)
        self.bn1 = nn.BatchNorm2d(16)
        self.bn2 = nn.BatchNorm2d(32)  
        self.relu1 = nn.ReLU(inplace=True)
        self.relu2 = nn.ReLU(inplace=True)
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.conv2(x)
        x = self.bn2(x)
        x = self.relu2(x)
        return x

model=Model()
model.eval() 

x=torch.randn((1,3,12,12))

torch.onnx.export(model, # 搭建的网络
    x, # 输入张量
    'model.onnx', # 输出模型名称
    input_names=["input"], # 输入命名
    output_names=["output"], # 输出命名
    dynamic_axes={'input':{0:'batch'}, 'output':{0:'batch'}}  # 动态轴
)
```
最后输出model.onnx即可

TVM源码安装

进入系统，便可根据官网中的操作步骤进行源码安装：
- 下载源码
  使用--recursive选项，循环克隆git子项目
  git clone --recursive https://github.com/apache/tvm tvm
注：
relax并未合并TVM main，目前文档也相对较少。可以考虑查看https://github.com/tlc-pack/relax/wiki ，或者查阅源码
```
git clone --recursive https://github.com/mlc-ai/relax.git relax
```
在进行项目编译之前，需要安装必需的库：
```
sudo apt-get update
sudo apt-get install -y python3 python3-dev python3-setuptools gcc libtinfo-dev zlib1g-dev build-essential cmake libedit-dev libxml2-dev
```
- 创建编译目录
```
mkdir build
cp cmake/config.cmake build
```
修改config.cmake中的配置选项：
1. 如需要使用cuda,将set(USE_CUDA OFF) 改成 set(USE_CUDA ON) ，使能CUDA后端，OpenCL/RCOM等都是一样的
2. 为debug方便，可set(USE_GRAPH_EXECUTOR ON) and set(USE_PROFILER ON) 确保嵌入式图形执行器和调试函数
3. 因LLVM用于CPU codegen,强烈建议安装LLVM，并修改set(USE_LLVM ON)可使cmake搜索一个可用的LLVM版本
  LLVM安装：
  apt-get install llvm
  使用如下命令测试llvm是否测试成功：
  llvm-config --version
4. 如果要加入VTA，将其中一行set(USE_VTA_FSIM OFF)改为set(USE_VTA_FSIM ON)
如有其他配置需要，可自行根据官网提示进行配置
- 编译TVM
```
cd build
cmake ..
make -j4
```
最后在build目录中生产libtvm.so和libtvm_runtime.so两个动态库
- 增加python支持
  在~/.bashrc中加入如下几行：
```
export TVM_HOME=/home/workspace/tvm/tvm
export PYTHONPATH=$TVM_HOME/python:$TVM_HOME/vta/python:${PYTHONPATH}

export VTA_HW_PATH=$TVM_HOME/3rdparty/vta-hw
```
- 安装python相关依赖
```
pip3 install numpy decorator attrs
pip3 install tornado
pip3 install tornado psutil xgboost==1.5.0
pip3 install mypy orderedset antlr4-python3-runtime
```
注：
踩坑记录：
1. CMake was unable to find a build program corresponding to "Ninja". CMAKE_MAKE_PROGRAM is not set
  On Ubuntu, I think it's apt-get install ninja-build.
2. Crttest failed, no rules to make the target “crttest”
  I think this is because you don’t have set(USE_MICRO ON) in your config.cmake. tests/scripts/task_config_build_cpu.sh turns this option on, which is why task_cpp_unittest.sh assumes that that target exists.
  参考链接：https://discuss.tvm.apache.org/t/crttest-failed-no-rules-to-make-the-target-crttest/8450
python倒入自定义模块的方法：
要用import mymodule导入自定义的模块，其必须在python的搜索路径中，一般有三种方法可以采用：
1.将你自定义的模块(.py文件)放置在python的任意搜索路径下（可以在python中输入import sys和sys.path 查看搜索路径）
2.修改环境变量PYTHONPATH以包含用户自定义模块的路径
- 临时修改： 在终端输入export PYTHONPATH=/mymodule directory:$PYTHONPATH，利用echo $PYTHONPATH 命令可查看是否将路径添加成功。该方法在当前终端下有效，但若关闭终端后重新打开，则会失效。
- 彻底修改： 要想使修改始终有效，则需要修改用户或系统的环境变量配置文件。以修改用户的环境变量配置文件.bashrc或.profile为例（两个文件均在用户主目录下/home/用户名，.bahsrc包含专用于你的bash shell的bash信息，当登录以及每次打开新的shell时，该文件被读取；.profile包含专用于你的shell信息，当用户登录时,该文件仅仅执行一次,它设置一些环境变量,执行用户的.bashrc文件）。cd到用户主目录下，打开.bashrc或.profile文件，在末尾添加一行export PYTHONPATH=/mymodule directory:$PYTHONPATH，保存退出后，执行source .bashrc 或source .profile命令使修改生效。修改系统环境变量配置文件的过程也类似，只不过相应的文件要到/etc 目录下去找。
1. 修改python的sys.path变量，在导入自定义模块前，执行以下操作。此方法也只能临时起作用，退出python下次再进来就失效了。
```
import sys
sys.path.append('mymodule directory')
```
参考：https://blog.csdn.net/Blateyang/article/details/78753051

此外，该docker镜像中,根据mmdetection中的关于pytorch模型如何导出onnx的guide,安装了mmcv,pytorch-gpu,mmdet,onnxruntime及onnx等程序包
如有需要，可通过以下命令进行拉取，但请注意，本环境cuda版本11.6，不知道在其他平台上会不会有影响，请自行评估
docker pull niuli/tvm_onnx:v2

docker访问X server

参考：服务器中使用Docker容器显示图形界面GUI到本地
```
在宿主机安装如下
安装xserver
$ sudo apt install x11-xserver-utils
许可所有用户都可访问xserver
xhost +
```
在创建运行镜像时
```
sudo docker run -itd --shm-size=10g  --net=host -e DISPLAY=$DISPLAY -p 7789:22 -v /home/ngl/workspace/:/home/workspace --runtime=nvidia -e NVIDIA_VISABLE_DEVICE=0 tvm:v2.3 /bin/bash
```
其中最重要的是：--net=host -e DISPLAY=$DISPLAY

验证：
使用带有界面功能的时钟软件尝试
```
在docker容器中：
$ apt-get install xarclock
$ xarclock
应该可以看到xserver端显示器显示时钟界面。
```
VSCode访问docker容器

在服务容器中配置ssh
1. 通过一个其他的端口进入容器，这里使用6789端口
```
 sudo docker run -it --shm-size=10g  -p 6789:22 -v /home/ngl/workspace:/home/workspace --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=0 nvidia/cuda:11.6.1-cudnn8-devel-ubuntu20.04  /bin/bash
```
登陆到容器中后下载openssh
2. 下载openssh
```
apt-get update
apt-get install openssh-server
```
1. 设置root密码
  passwd
  会设置两遍相同的密码，之后登陆的时候用到
2. 修改配置文件
  vim /etc/ssh/sshd_config
  注释掉 PermitRootLogin prohibit-password 这一行
  添加这一行 PermitRootLogin yes
3. 重启ssh服务
```
service ssh restart
# 或使用
# /etc/init.d/ssh restart
```
1. 本机链接ssh
  ssh -p 6789 root@0.0.0.0
2. 远程访问服务器docker里正在运行的容器
  ssh -p 6789 root@192.168.x.xx
如报错：ssh: connect to host 0.0.0.0 port 6789: Connection refused
原因：没有开放对应端口
解决方案：
在主机上：sudo iptables -I INPUT -p tcp --dport 6789 -j ACCEPT
1. 在宿主机上配置vscode
  8.1 安装Remote-SSH插件
使用插件连接远程服务器里的容器

这样即可在本地vscode中使用docker中的环境，但美中不足的是如果想要显示图片等可视化数据，存在一定的限制，目前，我想到的仅是先本地docker保存起来，然后在宿主机中打开查阅
如：
在plt.show()后，执行plt.savefig("filename.png")
相关阅读:
bugKu getshell
XCTF 进阶区 CAT
php弱类型比较
 XCTF command_execution
关于错误 openssl/ssl.h：没有那个文件或目录的解决办法
 libffi-dev : 依赖: libffi6 (= 3.2.1-4) 但是 3.2.1-4kord 正要被安装
 如何查看 Ubuntu下已安装包版本号
 git 下载指定tag版本的源码
 ubuntu 环境 openstack 源码包制成 deb 包
 fedora 国内源
原文地址：https://www.cnblogs.com/whiteBear/p/16479844.html

docker中源码安装onnx / tvm

docker安装

mmdet与onnxruntime环境安装

安装pytorch

安装MMCV

安装MMDetection

验证MMDetection安装

安装ONNX runtime

验证

TVM源码安装

docker访问X server

VSCode访问docker容器

在服务容器中配置ssh