使用docker配置DSP-SLAM

一.Docker环境配置

1.简单介绍

–docker容器技术–。
简单理解：Anaconda用于隔离不同的python环境；docker可以理解成在你的机器里面安装了一个独立的系统，因此它可以隔离不同的CUDA环境，还有着独立的文件系统，防止别人删掉你的实验和环境等。

镜像（images）的意思就是静态的镜像文件；
容器（container）就是一个基于镜像的活跃着的系统，可以操作的实例，我们可以进去跑代码。

2.安装nvidia-docker

前置条件：你得有一张显卡。
docker sudo apt-get install docker。查看是否安装好：docker
Nvidia Driver. NVIDIA驱动官网。查看是否安装好：nvidia-smi
接下来安装nvidia-docker。

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

sudo apt-get update
sudo apt-get install -y nvidia-docker2

sudo systemctl restart docker 重启一下docker
接下来你就可以愉快的使用nvidia-docker了

3.拉取环境镜像

在此之前，我们需要了解一下docker hub的一些仓库地址。在下方给出：

Nvidia/cuda官方docker hub
PyTorch官方docker hub

基于此，我们可以去拉取官方仓库，可以在tag当中搜索我们所需要的版本，一般是选择devel版本，其中包含了C++/CUDA编译环境、视频解码、渲染等，会比较全面些。然后在docker镜像去配置我们的深度学习环境。就像下面这样：(因为DSP-SLAM的github上要求的cuda版本为11.3，所以最好跟官方一致)

sudo docker pull nvidia/cuda:11.3.1-cudnn8-devel-ubuntu18.04

如果想删除多余的docker image，可以使用指令

sudo docker rmi -f <id>

2.创建容器

sudo docker run -itd --runtime=nvidia --gpus all --name dspslam -v /home/lm/docker/dspslam:/home/lm/docker/dspslam --net=host --env="DISPLAY" --volume="$HOME/.Xauthority:/root/.Xauthority:rw" -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics -e NVIDIA_VISIBLE_DEVICES=all --privileged=true 9ac63d269265 /bin/bash

这个参数有点多，依次解释一下：

-it必备 d表示在背景里运行;
-v 磁盘挂载本地绝对路径:容器的绝对路径;
--name 给你的container取个响亮的芳名;
--runtime 表示启用nvidia
--gpus 表示可以使用gpu，且为all
-e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics,标红的三个缺一不可，我当初就是因为缺了第三个graphics，导致Pangolin的X11报错，OpenGL服务用不了
其他参数有的是开启GUI的，有的是支持英伟达的，大家可以自行搜索，总之按照上面的指令，就会构建好一个可以使用nvidia的容器

基于ubuntu18.04建立容器，并开启GUI功能。

进入容器后，会在root命令下，到此我们便得到了一个纯净的ubuntu环境。

可以使用sudo docker ps查看正在运行的容器，sudo docker ps -a查看所有容器

当我想要退出时，输入exit退出容器，然后使用sudo docker stop dspslam来停止容器，当我想再次进入容器时，使用sudo docker start dspslam启动容器，再使用sudo docker exec -it dspslam bash进入容器

验证显卡是否可用

nvidia-smi

至此，你就获得了一个具有nvidia driver和cuda支持的docker.

查看当前cuda版本

cd /usr/local
ls

可以看到版本确为11.3

主机在每次开机之后都需要运行下面的指令，来指定允许连接的主机。

xhost +

运行之后，在docker容器内安装xarclock,运行指令

apt-get install xarclock
xarclock

运行后，会出现一个小时钟，表明docker内可以开启GUI服务。

二.Dsp-slam环境配置

1.准备代码

下载开源代码

git clone --recursive https://github.com/JingwenWang95/DSP-SLAM.git

安装基础包

apt-get install gcc g++ cmake git

安装eigen3.4.0

因为要求版本为3.4.0，所以不建议用apt安装，这里选择源码编译安装，使用以下指令下载源码

git_clone "git clone --branch=3.4.0 --depth=1 https://gitlab.com/libeigen/eigen.git"

之后开始编译

cd eigen && mkdir build && cd build
cmake ..
make
make install

进入到/usr/local/include下，查看是否安装成功

2.安装Anaconda

提前准备好安装包

sh Anaconda3-5.3.1-Linux-x86_64.sh

按照步骤安装即可

之后退出docker重新进入，即可自动进入base环境

3.安装Pangolin v0.6

安装依赖

apt-get install libglew-dev libgtk2.0-dev pkg-config libegl1-mesa-dev libwayland-dev libxkbcommon-dev  wayland-protocols
apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev
apt-get install ffmpeg libavcodec-dev libavutil-dev libavformat-dev libswscale-dev
apt-get install libpng-dev

配置并编译

cd Pangolin-0.6
mkdir build && cd build
cmake -DCPP11_NO_BOOST=1 ..
make -j
make install

4.安装OpenCV3.4.1

接下来去opencv官网找到opencv3.4.1的源码包

下载下来后，进行编译安装,首先需要安装一些依赖和工具

apt-get install build-essential libgtk2.0-dev libgtk-3-dev libjpeg-dev libpng-dev libvtk7-dev libtiff5-dev libjasper-dev libopenexr-dev libtbb-dev

其中安装libjasper-dev时会报错，找不到软件包

因此，首先

vi /etc/apt/sources.list

在最后一行加上

deb http://security.ubuntu.com/ubuntu xenial-security main

然后

apt-get update
apt-get install libjasper-dev

即可

依赖安装好后，进行正式编译安装

mkdir build && cd build

cmake --DCMAKE_BUILD_TYPE=Release -DWITH_CUDA=OFF -DBUILD_DOCS=OFF -DBUILD_PACKAGE=OFF -DBUILD_TESTS=OFF -DBUILD_PERF_TESTS=OFF -DBUILD_opencv_apps=OFF -DBUILD_opencv_calib3d=ON -DBUILD_opencv_cudaoptflow=OFF -DBUILD_opencv_dnn=OFF -DBUILD_opencv_dnn_BUILD_TORCH_IMPORTER=OFF -DBUILD_opencv_features2d=ON -DBUILD_opencv_flann=ON -DBUILD_opencv_java=ON -DBUILD_opencv_objdetect=ON -DBUILD_opencv_python2=OFF -DBUILD_opencv_python3=OFF -DBUILD_opencv_photo=ON -DBUILD_opencv_stitching=ON -DBUILD_opencv_superres=ON -DBUILD_opencv_shape=ON -DBUILD_opencv_videostab=OFF -DBUILD_PROTOBUF=OFF -DWITH_1394=OFF -DWITH_GSTREAMER=OFF -DWITH_GPHOTO2=OFF -DWITH_MATLAB=OFF -DWITH_NVCUVID=OFF -DWITH_OPENCL=OFF -DWITH_OPENCLAMDBLAS=OFF -DWITH_OPENCLAMDFFT=OFF -DWITH_TIFF=OFF -DWITH_VTK=OFF -DWITH_WEBP=OFF ..

make -j6
make install

查看是否安装成功

pkg-config --modversion opencv

5.安装g2o、DBoW2

进入到/dspslam/DSP-SLAM-master/Thirdparty文件夹下，找到g2o、DBoW2的文件夹，分别进行安装

安装g2o

cd g2o
mkdir build && cd build
cmake -DEigen3_DIR="$/usr/local/share/eigen3/cmake" ..
make -j6

安装DBoW2

cd DBoW2 
mkdir build && cd build
cmake ..
make -j6

6.创建python虚拟环境

按照常规来说，应该是按照build_cuda113.sh的内容来以此执行的，但是我遇到了网络连接的问题，因此我修改了coda的下载地址，更改为清华源了

参考链接
接着创建一个虚拟环境，命名为dspslam

conda create --name=dspslam python=3.7

接着按照environment_cuda113.yml文件的内容，挨个安装（使用conda install 安装dependencies, pip insatll pip部分），但是安装到pytorch时，遇到问题，因此果断选择采用离线安装包的方式进行安装，根据版本要求，分别下载以下三个（因为其他都能正常装），地址为

torch.whl地址

torchvision.whl地址

cudatoolkit地址

之后直接pip install xxx.whl和 conda install --offline xxx.tar.bz2即可，进行验证

7.安装mmdetection and mmdetection3d

pip install pycocotools==2.0.1
pip install mmcv-full==1.4.0 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html
pip install mmdet==2.14.0
pip install mmsegmentation==0.14.1

然后进入DSP-SLAM/Thirdparty/下，运行指令

git clone https://github.com/JingwenWang95/mmdetection3d.git

然后

cd mmdetection3d
pip install -v -e .

中间会频繁出现几个warning警告,但是无妨，最终成功安装！

8.编译DSP-SLAM

编译DSP-SLAM

按照build_cuda113.sh的内容，首先进入DSP-SLAM目录下

mkdir build && cd build

sh文件里说要运行下面两条命令，是有关pybind11的，我仔细查了一下，发现他的意思就是获得当前conda虚拟环境的路径，因此我对他进行了修改（不需要执行下面两句，而是修改cmake..的参数）

conda_python_bin='which python'
conda_env_dir="$(dirname "$(dirname "$conda_python_bin")")"

编译DSP-SLAM(修改后的conda_env_dir我直接索引到他的路径)

cmake -DEigen3_DIR="/usr/local/share/eigen3/cmake" -DPYTHON_LIBRARIES="/root/anaconda3/envs/dspslam/lib/libpython3.7m.so" -DPYTHON_INCLUDE_DIRS="/root/anaconda3/envs/dspslam/include/python3.7m" ..

会出现warning，应该不会出现问题，继续make

准备weights和data

新建weights和data文件夹，并下载相关weights

下载链接

最后的DSP-SLAM文件结构如下

尝试运行代码

./dsp_slam Vocabulary/ORBvoc.bin configs/KITTI04-12.yaml data/kitti/07 map/kitti/

成功运行！！！

Save and visualize map

会得到三个文件

之后，根据脚本可视化

python3 extract_map_objects.py --config configs/config_kitti.json --map_dir map/kitti --voxels_dim 64

它将在map/kitti下创建一个新的目录，并将所有的网格和物体姿态存储在那里。然后，你可以通过运行以下命令来可视化重建的关节地图：

python3 visualize_map.py --config configs/config_kitti.json --map_dir map/kitti