Ubuntu 18.04下DensePose安装全流程深度解析：从环境配置到实战测试的完整解决方案

在计算机视觉领域，人体姿态估计一直是研究热点，而Facebook Research开源的DensePose作为将2D图像映射到3D人体表面的创新工具，为这一领域带来了新的可能性。然而，对于许多开发者和研究者来说，DensePose的安装过程却成为了一道难以逾越的技术门槛。本文将基于Ubuntu 18.04系统，详细剖析DensePose安装过程中的每一个技术细节，提供一套经过实战验证的完整解决方案。

1. 环境准备与系统配置

在开始安装DensePose之前，确保系统环境满足基本要求是成功的第一步。不同于常规软件的直接安装，DensePose对系统环境有着严格的要求，任何细微的版本差异都可能导致后续安装失败。

基础环境要求：

• 操作系统：Ubuntu 18.04 LTS（16.04和20.04也可用，但需注意差异）
• GPU：NVIDIA显卡（建议至少8GB显存）
• CUDA版本：9.0（与后续组件版本强相关）
• cuDNN版本：7.3.1（必须与CUDA版本匹配）
• Python版本：3.6（非2.7或3.7+）

注意：虽然Ubuntu 16.04和20.04理论上也可运行，但CUDA和cuDNN的版本兼容性问题可能导致额外困难，强烈建议使用Ubuntu 18.04以避免不必要的麻烦。

Anaconda环境配置：

bash复制# 下载Anaconda3安装脚本
wget https://repo.anaconda.com/archive/Anaconda3-2020.02-Linux-x86_64.sh

# 运行安装脚本
bash Anaconda3-2020.02-Linux-x86_64.sh

# 初始化conda
source ~/.bashrc

创建专用的Python虚拟环境是管理项目依赖的最佳实践，可以有效避免不同项目间的包冲突问题：

bash复制# 创建名为densepose的虚拟环境，指定Python 3.6
conda create -y -n densepose python=3.6

# 激活虚拟环境
conda activate densepose

# 设置环境变量（替换为实际路径）
export CONDA_ENV_PATH=/path/to/anaconda3/envs/densepose
export CONDA_PKGS_PATH=$CONDA_ENV_PATH/lib/python3.6/site-packages

2. 关键依赖安装与版本控制

DensePose的成功运行依赖于多个关键组件，这些组件之间存在复杂的版本依赖关系。盲目安装最新版本往往会导致兼容性问题，因此精确控制每个组件的版本至关重要。

基础Python包安装：

bash复制conda install -y numpy setuptools cffi typing pyyaml=3.13 mkl=2019.1 mkl-include=2019.1
conda install -y cython matplotlib pydot future networkx
conda install -y opencv mock scipy h5py
pip install chumpy

COCO API安装步骤：

1. 克隆官方仓库：

   bash复制git clone https://github.com/cocodataset/cocoapi.git
   

2. 进入PythonAPI目录编译安装：

   bash复制cd cocoapi/PythonAPI
   make install
   

PyTorch与Caffe2安装：

bash复制# 安装特定版本的PyTorch（包含Caffe2）
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch

# 设置关键环境变量
export TORCH_PATH=$CONDA_PKGS_PATH/torch
export CAFFE2_INCLUDE_PATH=$TORCH_PATH/include/caffe2

# 安装特定版本的protobuf
conda install protobuf=3.6.1

验证Caffe2安装是否成功：

bash复制python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
python -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'

3. GCC编译器降级与源码修正

现代Linux发行版默认安装的GCC版本通常较高，而DensePose需要GCC 4.9.2版本才能成功编译。这一环节是安装过程中最具挑战性的部分之一，需要手动编译特定版本的GCC并修正源代码中的兼容性问题。

GCC 4.9.2源码编译流程：

1. 下载源码包：

   bash复制wget http://ftp.gnu.org/gnu/gcc/gcc-4.9.2/gcc-4.9.2.tar.gz
   tar -zxvf gcc-4.9.2.tar.gz
   cd gcc-4.9.2
   

2. 下载依赖项：

   bash复制./contrib/download_prerequisites
   

3. 创建编译目录并配置：

   bash复制mkdir ../gcc-build && cd ../gcc-build
   ../gcc-4.9.2/configure --enable-checking=release --enable-languages=c,c++ --disable-multilib
   

关键源码修正：
在编译过程中，GCC 4.9.2源码与现代系统存在多处不兼容，需要进行以下修改：

修正后执行编译和安装：

bash复制make -j$(nproc)  # 使用所有CPU核心加速编译
make install

系统链接更新：

bash复制cd /usr/bin
sudo rm -rf gcc g++
sudo ln -s /usr/local/bin/gcc-4.9.2 /usr/bin/gcc
sudo ln -s /usr/local/bin/g++-4.9.2 /usr/bin/g++

验证GCC版本：

bash复制gcc -v  # 应显示4.9.2版本

4. DensePose源码安装与配置

完成环境准备后，DensePose本体的安装同样充满挑战，需要处理路径配置、文件替换等细节问题，任何疏忽都可能导致编译失败。

源码获取与初步安装：

bash复制git clone https://github.com/facebookresearch/DensePose.git
cd DensePose
python setup.py develop

CMakeLists.txt关键修改：

1. 下载修改版CMakeLists.txt（需根据实际路径调整）：

   cmake复制# 示例路径修改（实际需替换为你的路径）
   set(Caffe2_DIR "/path/to/anaconda3/envs/densepose/lib/python3.6/site-packages/torch/share/cmake/Caffe2")
   set(pybind11_DIR "/path/to/anaconda3/envs/densepose/lib/python3.6/site-packages/pybind11/share/cmake/pybind11")
   

PyTorch历史版本文件替换：
由于API变更，必须使用特定版本的PyTorch源码文件：

1. 下载历史版本PyTorch源码（如v0.4.1）
2. 复制关键文件到指定位置：

   bash复制cp -r pytorch-v0.4.1/caffe2/utils/threadpool $CAFFE2_INCLUDE_PATH/utils/
   cp -r pytorch-v0.4.1/caffe2/utils/math $CAFFE2_INCLUDE_PATH/utils/
   

编译与验证：

bash复制mkdir build && cd build
cmake .. && make

# 运行测试脚本验证安装
cd ..
python detectron/tests/test_zero_even_op.py  # 应输出"OK"

5. 模型测试与实际问题解决

安装完成后，使用预训练模型进行测试是验证安装成功与否的直接方式。这一阶段同样会遇到权重文件下载、依赖脚本缺失等问题。

权重文件准备：

1. 创建权重目录并下载预训练模型：

   bash复制mkdir -p weights
   # 下载DensePose_ResNet101_FPN_s1x-e2e.pkl到weights目录
   

2. 下载必要的UV数据文件：

   bash复制cd DensePoseData
   sh get_densepose_uv.sh
   

运行测试示例：

bash复制python tools/infer_simple.py \
    --cfg configs/DensePose_ResNet101_FPN_s1x-e2e.yaml \
    --output-dir DensePoseData/infer_out/ \
    --image-ext jpg \
    --wts weights/DensePose_ResNet101_FPN_s1x-e2e.pkl \
    DensePoseData/demo_data/demo_img.jpg

常见问题解决方案：

• 问题1：ImportError: libcudart.so.9.0: cannot open shared object file
  解决：确保CUDA 9.0运行时库在LD_LIBRARY_PATH中

  bash复制export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
  

• 问题2：编译时出现undefined reference to错误
  解决：检查PyTorch版本是否匹配，确保使用了正确的源码文件替换

• 问题3：测试时缺少get_densepose_uv.sh脚本
  解决：从DensePose官方GitHub仓库获取最新脚本

在实际项目部署中，建议将所有这些安装步骤脚本化，并配合Docker容器技术，可以大幅提高环境配置的效率和可重复性。对于团队协作场景，可以考虑构建自定义Docker镜像，封装所有依赖项和配置，实现一键部署。