You are currently browsing the category archive for the ‘NVIDIA’ category.
Agora o CUDA 5 é composto de um único instalador provendo o CUDA Toolkit, SDK código exemplos, e driver para os desenvolvedores. Ao instalar esta versão, alguns contra-tempos eu me deparei em função do kernel 3.7 e/ou GCC 4.7, para facilitar o caminho de todos os desenvolvedores openSUSE, deixo esta dica de como obter sucesso na instalação.
Para começa efetue o download do driver versão NVIDIA-Linux-x86_64-310.40.run no link http://www.nvidia.com.br/Download/index.aspx?lang=br ou instale a partir do repositório com o comando a seguir:
# zypper ar -f ftp://download.nvidia.com/opensuse/12.3/ nvidia
Atenção: Os pacotes necessários ( requisitos obrigatórios ) para a instalação do driver são freeglut-devel e kernel-source.
Após a instalação do driver, efetue o download do pacote CUDA e execute a sua instalação com o parametro toolkit, sample e override:
# su # ./cuda_5.0.35_linux_64_suse12.1-1.bin -toolkit -samples -override
Desabilitando a checagem co GCC
Altere a linha 80 do arquivo /usr/local/cuda-5.0/include/host_config.h conforme o exemplo abaixo:
#if __GNUC__ > 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 7)
Agora crie um arquivo com o nome /usr/local/cuda-5.0/include/__cuda_gcc47_fix.h e insira o seguinte conteúdo:
#undef _GLIBCXX_ATOMIC_BUILTINS #undef _GLIBCXX_USE_INT128
Agora faremos uma pequena adaptação no compilador da nvidia, adicionando um parâmetro.
cd /usr/local/cuda-5.0/bin mv nvcc nvcc.bin echo '#!/bin/sh $0.bin --pre-include __cuda_gcc47_fix.h $@' > nvcc chmod +x nvcc
Agora se tudo estiver devidamente configurado e funcionando, basta muda para a pasta /usr/local/cuda-5.0/samples, compilar os exemplos e executá-lo:
cd /usr/local/cuda-5.0/samples make cd bin/linux/release/ ./smokeParticles
Importante: Este documento tornará desnecessário quando o CUDA tornar compatível com o gcc 4.7 e opensuse 12.3.
Para os Suseiros, este post na Wiki…
Ao compilar o pacote de desenvolvimento do CUDA SDK 4.2, obtive o seguinte erro /usr/include/c++/4.7/ext/atomicity.h(51): error: identifier “__atomic_fetch_add” is undefined. Para resolver este contra-tempo, inserir em todos código cuda (.cu) a seguinte linha no início do código fonte.
#undef _GLIBCXX_ATOMIC_BUILTINS #undef _GLIBCXX_USE_INT128
A NVidia acaba de disponibilizar o seu pacote para desenvolvedores CUDA 4.1 RC2. Ou seja uma arquitetura de computação paralela da NVIDIA que possibilita aumentos significativos na performance de computação pelo aproveitamento da potência da GPU (unidade de processamento gráfico).
A computação está evoluindo de um “processamento central” na CPU para um “coprocessamento” na CPU e na GPU. Para permitir esse novo paradigma em computação, a NVIDIA inventou a arquitetura de computação paralela CUDA, que agora vem inclusa em GPUs GeForce, ION, Quadro e Tesla, representando uma base instalada significativa para os desenvolvedores de aplicativos. O download pode ser efetuado AQUI, já estou baixando e em breve novidades…
A seguir, disponibilizo passo-a-passodeixo de como utilizar a GPU aplicada aos recursos de visão computacional utilizando a tecnologia NVIDIA CUDA, uma arquitetura de computação paralela de propósito geral que tira proveito do mecanismo de computação paralela das unidades de processamento gráfico (GPUs) NVIDIA para resolver muitos problemas computacionais complexos em uma fração do tempo necessário em uma CPU.
Download:
O primeiro passo foi baixar o arsenal de pacotes do SDK da NVIDIA, ou seja o Developer Drivers for Linux (285.05.32), o CUDA ToolKit e para finalizar o GPU Computing SDK. Tudo isto esta disponível AQUI.
Sequência de instalação:
Após a instalação do drive com CUDA, execute o CUDA ToolKit , CUDA Tools SDK e para finalizar o GPU Computing SDK:
# ./cudatoolkit_4.1.28_linux_64_suse11.2.run
Crie as variáveis ambientais:
#! /bin/sh LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64 PATH=$PATH:/usr/local/cuda/bin export PATH LD_LIBRARY_PATH
Execute o pacote GPU Computing SDK:
# ./gpucomputingsdk_4.1.28_linux.run
OBS1: Insira a linha a seguir no arquivo ~/NVIDIA_GPU_Computing_SDK/C/common/common.mk na linha 173
NVCCFLAGS += --compiler-options -fno-strict-aliasing --compiler-options -fno-inline
OBS2: Durante a compilação no openSUSE 12.1, obtive o seguinte erro: “unsupported GNU version! gcc 4.6 and up are not supported!”
A solução foi ignorar o erro comentando as sequintes linha a seguir no arquivo /usr/local/cuda/include/host_config.h
//#if __GNUC__ > 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 5) //#error -- unsupported GNU version! gcc 4.6 and up are not supported! //#endif /* __GNUC__> 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 5) */
Pronto neste etapa o NVIDIA CUDA foi instalado com sucesso!
Valeu Stage por emprestar o kinect até o natal… Pois comprei um para o meu bebê de 4 anos e temos que esperar o Papai-Noel chegar… Em breve novidades com este brinquedo super legal!!!
Após os testes com o a biblioteca CUDA 4.1 RC 2 GPU conforme o post anterior, agora compilei a openCV também com a lib TBB e CUDA. Resultado: Performance computacional além da imaginação. Tudo isto em função da programação paralela. Escrito em C++.O TBB se encarrega na adaptação do software, ou seja determinando o número ideal de threads e tornando uma realidade a programação multinúcleo.
Deixo neste post, as alterações necessárias no código fonte da bibliotec openCV 2.3.1 para compilara com o gcc 4.6.2 no openSUSE 12.1 e com a biblioteca CUDA 4.1.
No arquivo modules/gpu/src/imgproc.cpp: Linha 762:
Trocar:
ppSafeCall( nppiRectStdDev_32s32f_C1R(src.ptr<Npp32s>(), static_cast<int>(src.step), sqr.ptr<Npp32f>(), static_cast<int>(sqr.step), dst.ptr<Npp32f>(), static_cast<int>(dst.step), sz, nppRect) );
Por:
nppSafeCall( nppiRectStdDev_32s32f_C1R(src.ptr<Npp32s>(), static_cast<int>(src.step), sqr.ptr<Npp64f>(), static_cast<int>(sqr.step), dst.ptr<Npp32f>(), static_cast<int>(dst.step), sz, nppRect) ); No arquivo modules/gpu/src/graphcuts.cpp linha 80 Trocar: nppSafeCall( nppiGraphcut_32s8u(terminals.ptr<Npp32s>(), leftTransp.ptr<Npp32s>(), rightTransp.ptr<Npp32s>(), top.ptr<Npp32s>(), bottom.ptr<Npp32s>(), static_cast<int>(terminals.step), static_cast<int>(leftTransp.step), sznpp, labels.ptr<Npp8u>(), static_cast<int>(labels.step), buf.ptr<Npp8u>()) ); Por: nppSafeCall( nppiGraphcut_32s8u(terminals.ptr<Npp32s>(), leftTransp.ptr<Npp32s>(), rightTransp.ptr<Npp32s>(), top.ptr<Npp32s>(), bottom.ptr<Npp32s>(), static_cast<int>(terminals.step), static_cast<int>(leftTransp.step), sznpp, labels.ptr<Npp8u>(), static_cast<int>(labels.step), pState) ); Inserir na linha 67 NppiGraphcutState *pState; Npp8u *pDeviceMem; Adicionar o linha 75 abaixo da funcao nppSafeCall cudaSafeCall( cudaMalloc((void **)& pDeviceMem, bufsz) ); Comentar a linha 78 //if ((size_t)bufsz > buf.cols * buf.rows * buf.elemSize()) // buf.create(1, bufsz, CV_8U); Inserir na linha 80 após o comentário. nppSafeCall( nppiGraphcutInitAlloc(sznpp, &pState, pDeviceMem) ); No final do metodo cv::gpu::graphcut, linha 91 inserir nppSafeCall ( nppiGraphcutFree(pState)); cudaSafeCall( cudaFree(pDeviceMem) ); No arquivo modules/gpu/src/element_operations.cpp Comente as linhas 297 ate a 304 // case CV_8UC4: // nppSafeCall( nppiAbsDiff_8u_C4R(src1.ptr<Npp8u>(), static_cast<int>(src1.step), src2.ptr<Npp8u>(), static_cast<int>(src2.step), // dst.ptr<Npp8u>(), static_cast<int>(dst.step), sz) ); // break; // case CV_16UC1: // nppSafeCall( nppiAbsDiff_16u_C1R(src1.ptr<Npp32s>(), static_cast<int>(src1.step), src2.ptr<Npp32s>(), static_cast<int>(src2.step), // dst.ptr<Npp32s>(), static_cast<int>(dst.step), sz) ); // break; No arquivo modules/gpu/src/matrix_reductions.cpp Inserir na linha 117 int nBufferSize; nppiMeanStdDev8uC1RGetBufferHostSize (sz, &nBufferSize); Npp8u * pDeviceBuffer; cudaSafeCall( cudaMalloc((void **)& pDeviceBuffer, nBufferSize) ); Modificar a linha 124 Trocar: nppSafeCall( nppiMean_StdDev_8u_C1R(src.ptr<Npp8u>(), static_cast<int>(src.step), sz, dbuf, (double*)dbuf + 1) ); Por: nppSafeCall( nppiMean_StdDev_8u_C1R(src.ptr<Npp8u>(), static_cast<int>(src.step), sz, pDeviceBuffer, dbuf, (double*)dbuf + 1) ); Modificar a linha 126 Trocar: cudaSafeCall( cudaDeviceSynchronize() ); Por: cudaSafeCall( cudaFree(pDeviceBuffer) );
A NVidia acaba de disponibilizar o seu pacote para desenvolvedores CUDA 4.1 RC2. Ou seja uma arquitetura de computação paralela da NVIDIA que possibilita aumentos significativos na performance de computação pelo aproveitamento da potência da GPU (unidade de processamento gráfico).
A computação está evoluindo de um “processamento central” na CPU para um “coprocessamento” na CPU e na GPU. Para permitir esse novo paradigma em computação, a NVIDIA inventou a arquitetura de computação paralela CUDA, que agora vem inclusa em GPUs GeForce, ION, Quadro e Tesla, representando uma base instalada significativa para os desenvolvedores de aplicativos. O download pode ser efetuado AQUI, já estou baixando e em breve novidades…
A seguir, disponibilizo passo-a-passodeixo de como utilizar a GPU aplicada aos recursos de visão computacional utilizando a tecnologia NVIDIA CUDA, uma arquitetura de computação paralela de propósito geral que tira proveito do mecanismo de computação paralela das unidades de processamento gráfico (GPUs) NVIDIA para resolver muitos problemas computacionais complexos em uma fração do tempo necessário em uma CPU.
Download:
O primeiro passo foi baixar o arsenal de pacotes do SDK da NVIDIA, ou seja o Developer Drivers for Linux (285.05.23), o CUDA ToolKit e para finalizar o GPU Computing SDK. Tudo isto esta disponível AQUI.
Sequência de instalação:
Após a instalação do drive com CUDA, execute o CUDA ToolKit , CUDA Tools SDK e para finalizar o GPU Computing SDK:
# ./cudatoolkit_4.1.21_linux_64_suse11.2.run
Crie as variáveis ambientais:
#! /bin/sh LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64 PATH=$PATH:/usr/local/cuda/bin export PATH LD_LIBRARY_PATH
Execute o pacote GPU Computing SDK:
# ./gpucomputingsdk_4.1.21_linux.run
OBS1: Insira a linha a seguir no arquivo ~/NVIDIA_GPU_Computing_SDK/C/common/common.mk na linha 173
NVCCFLAGS += --compiler-options -fno-strict-aliasing --compiler-options -fno-inline
OBS2: Durante a compilação no openSUSE 12.1, obtive o seguinte erro: “unsupported GNU version! gcc 4.6 and up are not supported!”
A solução foi ignorar o erro comentando as sequintes linha a seguir no arquivo /usr/local/cuda/include/host_config.h
//#if __GNUC__ > 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 5) //#error -- unsupported GNU version! gcc 4.6 and up are not supported! //#endif /* __GNUC__> 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 5) */
Pronto neste etapa o NVIDIA CUDA foi instalado com sucesso!
Meu próximo desafio é portar o legado laboratorial da biblioteca openCV para a plataforma Android, pois além de prover a portabilidade, os novos modelos apresentam o Tegra da NVIDIA no qual é possível integrar com o NDK da Google. Então deixo aqui a minha receita de bolo.
Compilação principal. $ export ANDROID_NDK=/dados/neti/programas64/android-ndk-r5c $ export ANDROID_NDK_TOOLCHAIN_ROOT=/dados/neti/programas64/android-ndk-r5c/toolchains $ cd android/ $ sh ./scripts/cmake_android.sh ou cmake_android_armeabi.sh $ cd build ou cd build_armeabi/ $ make -j8 $ make install Compilação do código exemplo hello word. $ cd opencv/android/apps/HelloAndroid $ sh ./cmake_android.sh ou cmake_android_armeabi.sh $ cd ./build_armeabi $ make $ adb push HelloAndroid /data $ adb shell chmod 777 /data/HelloAndroid $ adb shell /data/HelloAndroid $ adb pull /mnt/sdcard/HelloAndroid.png Compilação da biblioteca. $ cd android-opencv/ $ sh ./cmake_android.sh $ cd build $ make -j8 OBS: Verificar nos scripts a presença do parâmetro -DARM_TARGET=armeabi
Após os testes com o a biblioteca openCV na GPU conforme o post anterior, agora compilei a openCV também com a lib TBB. Resultado: a aplicação que estava processando aproximadamente 120 FPS passou a processar mais de 170 FPS. Tudo isto em função da programação paralela. Escrito em C++.O TBB se encarrega na adaptação do software, ou seja determinando o número ideal de threads e tornando uma realidade a programação multinúcleo.
Após a conclusão da instalação do NVIDIA CUDA 4 conforme o post anterior, compartilho o finalização dos testes laboratoriais nas madrugadas e final de semana, onde utilizo a biblioteca openCV na plataforma openSUSE 11.4 utilizando a GPU.
Após o download dos fontes da biblioteca openCV, devemos fazer algumas pequenas alterações:
- Crie as pastas abaixo para manter a compatibilidade com o CUDA 3.2 e não perder muito cabelo:
/usr/local/cuda/NPP/SDK/common/lib64/ /usr/local/cuda/NPP/SDK/common/npp/include/
- Copie as bibliotecas do CUDA 4 SDK a seguir na pasta lib64:
libnpp.so (link simbólico) libnpp.so.4 (link simbólico) libnpp.so.4.0.17
- Copie os arquivos .h do CUDA 4 SDK abaixo na pasta include:
nppcore.h nppdefs.h npp.h nppi.h npps.h nppversion.h
Agora um cmake para começar a brincadeira…
cmake \ -DCMAKE_BUILD_TYPE=RELEASE \ -DBUILD_LATEX_DOCS=OFF \ -DBUILD_OCTAVE_SUPPORT=ON \ -DBUILD_PYTHON_SUPPORT=ON \ -DBUILD_SWIG_PYTHON_SUPPORT=ONF \ -DBUILD_TESTS=ON \ -DENABLE_OPENMP=OFF \ -DENABLE_PROFILING=OFF \ -DBUILD_PYTHON_SUPPORT=ON \ -DBUILD_NEW_PYTHON_SUPPORT=ON \ -DCMAKE_INSTALL_PREFIX=%{_prefix} \ -DLIB_INSTALL_DIR=%{_libdir} \ -LIB_SUFFIX=64 \ -DBUILD_EXAMPLES=ON \ -DINSTALL_C_EXAMPLES=ON \ -DINSTALL_OCTAVE_EXAMPLES=ON \ -DINSTALL_PYTHON_EXAMPLES=ON \ -DWITH_1394=ON \ -DWITH_CUDA=ON \ -DWITH_FFMPEG=ON \ -DWITH_GSTREAMER=OFF \ -DWITH_QT=ON \ -DWITH_GTK=ON \ -DWITH_JASPER=ON \ -DWITH_JPEG=ON \ -DWITH_PNG=ON \ -DWITH_TIFF=ON \ -DWITH_V4L=ON \ -DWITH_XINE=ON \ -DCUDA_NPP_LIBRARY_ROOT_DIR=/usr/local/cuda/NPP/SDK/ \ -DENABLE_SSE=ON \ -DENABLE_SSE2=ON \ -DENABLE_SSE3=ON \ -DENABLE_SSSE3=ON \ -DENABLE_SSE41=ON \ -DENABLE_SSE42=ON \ .
Para finalizar um video demonstrando um FaceFind COM UMA WEBCAM USB e o alto processamento utilizando a api NVIDIA CUDA 4 com openCV.
Neste post deixo os meus primeiros passos para a utilização da GPU aplicada aos recursos de visão computacional utilizando a tecnologia NVIDIA CUDA, uma arquitetura de computação paralela de propósito geral que tira proveito do mecanismo de computação paralela das unidades de processamento gráfico (GPUs) NVIDIA para resolver muitos problemas computacionais complexos em uma fração do tempo necessário em uma CPU.
Download:
O primeiro passo foi baixar o arsenal de pacotes do SDK da NVIDIA, ou seja o Developer Drivers for Linux (270.41.19), o CUDA ToolKit, o CUDA Tool SDK e para finalizar o GPU Computing SDK. Tudo isto esta disponível AQUI.
Sequência de instalação:
Após a instalação do drive com CUDA, execute o CUDA ToolKit , CUDA Tools SDK e para finalizar o GPU Computing SDK:
# ./cudatoolkit_4.0.17_linux_64_suse11.2.run
Crie as variáveis ambientais:
LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64 PATH=$PATH:/usr/local/cuda/bin export PATH LD_LIBRARY_PATH # cudatools_4.0.17_linux_64.run # gpucomputingsdk_4.0.17_linux.run # cd ~/NVIDIA_GPU_Computing_SDK # make
OBS1: Insira a linha a seguir no arquivo ~/NVIDIA_GPU_Computing_SDK/C/common/common.mk na linha 169
NVCCFLAGS += --compiler-options -fno-strict-aliasing --compiler-options -fno-inline
OBS2: Durante a compilação no openSUSE 11.4, obtive o seguinte erro: “unsupported GNU version! gcc 4.5 and up are not supported!”
A solução foi ignorar o erro comentando as sequintes linha a seguir no arquivo /usr/local/cuda/include/host_config.h
//#if __GNUC__ > 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 4) //#error -- unsupported GNU version! gcc 4.5 and up are not supported! //#endif
Pronto neste etapa o NVIDIA CUDA foi instalado com sucesso, no próximo posta a compilação da lib openCV com o CUDA.
