安装TensorFlow Object Detection API后GPU无法识别问题求助

你遇到的TensorFlow版本自动升级问题，是因为你拉取的master分支TensorFlow Object Detection API（TFOD API）的setup.py依赖高版本tf-models-official，安装时会自动覆盖你原有指定的TensorFlow 2.4.1版本。
升级后GPU无法识别是因为TF 2.6.0要求cuDNN 8.x版本，你原来conda环境安装的cudatoolkit 10.1配套的是cuDNN 7.x，缺少对应libcudnn.so.8库文件导致GPU注册失败。

方案一：对齐课程版本（推荐，无API兼容问题） #

• 首先重建干净的conda环境，先验证GPU可用性

# 删掉原有异常环境（可选）
conda remove -n tf2_gpu --all
# 新建对应版本环境
conda create -n tf2_gpu tensorflow-gpu==2.4.1 cudatoolkit==10.1 cudnn==7.6.5 -y
conda activate tf2_gpu

运行你原有GPU验证脚本，确认TensorFlow版本为2.4.1、可正常识别GPU后继续下一步。

• 切换models仓库到和TF2.4匹配的tag版本，不要用master分支

cd 你的models仓库根路径
git checkout tags/v2.4.0
cd research

• 编译安装TFOD API，添加--no-deps参数避免自动升级依赖

# 编译proto
protoc object_detection/protos/*.proto --python_out=.
# 复制安装脚本
cp object_detection/packages/tf2/setup.py .
# 安装时跳过依赖自动拉取
python -m pip install . --no-deps
# 手动安装其余非TensorFlow依赖
pip install pillow lxml matplotlib opencv-python pycocotools scipy

安装完成后再次验证GPU，可正常识别即可使用。

方案二：适配高版本TensorFlow #

如果你需要使用高版本TFOD API，可按以下步骤修复GPU识别问题：

• 激活原有环境后，安装TF2.6对应版本的CUDA和cuDNN依赖

conda install cudatoolkit==11.2 cudnn==8.1 -y
# 重装对应GPU版本TensorFlow
pip install tensorflow-gpu==2.6.0

• 如果仍提示找不到库文件，执行以下命令添加conda环境库路径到系统变量：

export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH

可将上述命令写入conda环境的激活脚本中，实现每次激活环境自动加载路径，无需手动执行。

注意：你系统级安装的CUDA 11.5和conda环境内的cudatoolkit互相独立，不会产生冲突，无需修改系统级CUDA软链接配置。

内容的提问来源于stack exchange，提问作者robinwkurtz