자료형은 프로그램에서 값을 다루기 위해서 정의된 것이다. int와 float는 기본적으로 정의 되어 있는 기본 자료형이다. 내부에서는 숫자도 구분하고 문자열도 구분 한다. Python 에서는 대입하는 결과를 문법이 유추해서 변수의 자료형을 정의하여 값을 대입한다.
이 때문에 코드를 작성했을 때 숫자 자료형을 명확히 구분하지 않는 것 같으나 내부적으로는 구분을 하고 있다. 정수형은 int, 실수형은 float로 구분하고 있다. 실수형이 표현 가능한 숫자의 범위가 더 크기 때문에 소수점이 포함된 수치와 정수형 수치를 연산하게 되면 python은 자동으로 실수형으로 자료형을 바꿔서 연산을 한다.
int 형은 정수형만 표현하여 내부적으로 0과 1을 하나씩 카운트 하는 방식이라 비교적 정확한 연산이 가능하다. 반면 float 는 소수를 포함한 실수형이라 내부적으로 실수부 자리 표기를 분리해서 사용하기 땜누에 비교적 큰 범위의 숫자 표현이 가능하지만 연산 횟수가 많으면 오차가 발생한다. 이 이유는 진법에 의한 수학적인 이유 때문이다. float 형은 잦은 연산을 하지 않는 것이 좋고 유효숫자를 정해 놓는 것이 오차를 줄일 수 있다.
float 형에서 많은 연산을 하면 왜 오차가 발생하는지는 기회가 되면 정리하도록 하자.
산수 연산자(Arithmetic Operators)
숫자형은 기본적인 사칙연산을 사용할 수 있다. 이외 기본적인 연산자에 대해서 살펴보자. 만약 C 나 다른 언어를 알고 있다면 Python 만의 독특한 연산자도 보일 것이다. 반대로 python 에서는 없어진 연산자도 있을 것이다.
+
더하기 연산자이다. 이 연산자를 기준으로 좌우의 값을 더한다. int 형 값과 float 형의 값을 연산하게 될 경우 최종적으로 float 값으로 반환이 된다.
흔히 프로그램에서 주 메모리를 사용한다는 것은 변수에 값이 담기거나 변수가 있을 때와 동일하다.
변수 정의
파이썬에서는 미리 동작이 지정되어 있는 키워드인 예약어를 제외하고 문자로 시작하는 대부분의 단어를 변수명으로 사용할 수 있다. 그리고 변수명은 가장 맨앞의 문자가 숫자가 와서는 안된다. 대입 연산자를 기준으로 앞(좌항)의 문자들이 변수명으로 인식된다. 여기서 대입 연산자는 일반 수학에서 등호(=)를 대입 연산자라 한다.
대부분의 다른 프로그래밍 언어들은 변수를 지정할 때 변수의 형(type) 또는 변수임을 알리는 키워드를 사용한다. 파이썬의 경우 변수를 정의 할 때 별도의 타입 키워드를 사용하지 않는다.
파이썬(3부터)에서는 기본 스크립트 문자 인코딩을 UTF-8 코드를 지원하기 때문에 변수명에 영문 + 숫자 외의 다른 언어를 사용할 수 있다. 문자 인코딩에 대해서는 향후에 설명을 한다.
상수의 정의
상수는 코드상 직접 숫자나 문자열(문장)을 작성한 것을 상수로 취급한다.
수학시간의 방정식에서 항상 정해진 값을 상수라고 한다. 파이썬에서의 상수는 숫자나 문자열을 적은 것 자체를 상수로 취급한다. 이는 문자도 내부적으로는 숫자 코드로 작성되었기 때문이다.
True, False, None 과 같은 예약 키워드도 상수로 취급한다.
상수는 대입연사자의 좌항, 즉 왼쪽에 있을 수 없다. 이는 상수의 정의상 변하면 안되기 때문이다.
# 상수
1
3
44
"hello"
False
True
None
대입 연산자(=)
대입 연산자는 오른쪽에 있는 값을 왼쪽에 넣는 것을 의미한다.
앞에서도 잠시 언급했지만, 해당 연산자의 왼쪽에는 상수가 올 수 없다. 예를 들어 (1 = 2)라고 하면 1은 이제부터 2이다 라는 말인다. 논리적으로도 말이 안된다.
다른 연산자들보다 우선순위가 가장 낮아 가장 나중에 연산된다.
a = 1
# a는 1의 값을 갖게 됨
1 = 2
# 문법 에러
뭘보누 = 3
# 뭘보누 라는 변수는 3이라는 값을 갖게 됨
print(뭘보누)
# 3
메모장과 python만 있어도 충분히 프로그램을 만들 수 있다(어셈블러는 지금도 이렇게 하기도 한다). 하지만, 프로그램 언어에 대해서 검사를 해주는 많은 개발 도구들이 있는데, 굳이 이를 사용하지 않고 개발할 이유가 없다. 특히 숙련된 프로그래머 조차도 오타로 인해서 버그나 에러가 발생하는 경우가 많다.때문에 이를 방지하기 위해서 문법 검사, 문법 하이라이트 및 디버그 도구를 사용할 수 있는 통합개발환경(IDE)를 사용하는 것을 권장한다.
윈도우 환경에서 Python을 설치한 경우 기본적으로 제공되는 Python IDLE이 있고, 가장 강력한 PyCharm, 가벼우나 확장기능으로 범용으로 사용되는 Visual Studio Code 등 다양한 개발 도구들이 있다.
함수나 class 를 배우기 전까지는 IDLE(유닉스 환경에서는 터미널에서 python을 입력하여 보이는 화면을 사용하면 된다.) 를 사용하여 실습을 진행해도 충분하다. class 이후부터는 개발 툴을 사용하는 것을 권장하는데, 여기서는 가벼운 Visual Studio Code(줄여서 VS Code)를 사용할 것이다.
IDEL Shell
Windows OS에서는 IDEL Shell 이라는 별도의 간단한 인터프리터 환경을 제공한다. 물론 다른 유닉스 환경에서는 터미널에서 'python' 혹은 'python3' 명령어를 입력하여 진입이 가능하다. Windows 역시 IDEL Shell 없이 명령프롬프트 혹은 Power Shell을 통해서 진입이 가능하다.
문법에 대해서 바로 확인이 가능한 환경이기 때문에 소스코드를 작성하다가 간단한 문법이 생각 안날 경우 사용해도 괜찮다. 다만, 복잡한 함수와 클래스를 다루게 될 경우 오히려 불편하므로 초기 파이썬 입문할때 주로 많이 사용하게 된다.
VS Code 설치
웹 브라우저에 구글로 vs code를 검색하거나 code.visualstudio.com 을 접속하면 된다. 보통은 웹 브라우저가 사용자의 컴퓨터의 OS를 인식하여 알맞는 VS Code 버전을 보여준다. 설치 과정은 특별한 것은 없다.
VS Code Extension
VS Code는 기본적으로 확장 가능한 간단한 텍스트 편집기이다. 개발도구로 사용하기 위해서는 확장 기능을 설치하면 된다. 그리고 확장 기능들은 MS외에도 다양한 개발사 혹은 개인 개발자들이 만들었다. 만약 원하는 기능이 없는 경우 관련 문서를 참조하여 자신이 직접 만들 수 도 있다.
Python을 위한 기본 확장기능으로 python(microsoft), Pylance(microsoft), isort(microsoft) 를 최소한을 설치하면 된다. 이외 관련된 추가 기능은 어떤 기능인지 확인하고 나서 추가를 하면 된다.
그 외 디버깅을 위해서는 code runer(jun Han)을 추가로 설치하면 좋다. 디버깅 과정은 .py 파일로 프로그램을 만들었을 경우 에러를 찾는 용도로 용이하다.
요즘에는 회사에서 신입이나 인턴을 받게 되면 대부분 파이썬 언어를 써본적이 있다. 그래서 파이썬을 통해서 간단한 작업을 요청을 해도 너무나 오래 걸리는 경우를 많이 겪었다. 심지어 석사과정을 마쳤고 석사과정 중 논문을 위해 파이썬을 썻던 사람임에도 불구하고 이런 경우가 종종 있다. 왜 이런일이 생기는가 생각해보게 되었다.
그 결과 파이썬 입문서는 이미 많이 있는데, 배부분 파이썬 문법과 언어에만 초점이 맞춰져 있다 보니 배경을 모르는 상태에서 암기를 한 결과가 아닐까 싶다. 그리고 문법에 초점을 맞추다 보니 배경 설명이 생략이 되고 문법위주로 설명하다 보니 필요성에 대해서 이해를 못 한 것이 아닐까 싶다. 물론 프로그래머 같은 전문가가 되고자 할 경우에는 작은 주요내용을 봐두는 것이 향후 실무에 도움이 된다는 것에 대해서는 동의한다.
하지만 프로그래밍 언어들의 문법들은 어느날 갑자기 생겼다기 보다는 컴퓨터라는 기계가 발명된 이래 수 많은 엔지니어들의 경험이라는 배경속에서 프로그래밍 언어가 만들어져 왔고 기존 언어에서 새로운 문법이 추가되기 도 한다. 특히나 파이썬이 발전하는 속도도 과거에 비해서 많이 빨라지고 있다.
배경 없이 프로그래밍 언어만 공부한다면 입문자에게는 단순히 암기해서 사용하는 언어에 불과하다. 이러한 암기는 잊기도 쉽고 이해하기도 어렵다. 때문에 가능하면 이러한 배경에 대해서 기록 하려고 했다.
그리고 입문자라면 가져야 하는 자세가 입문을 순차적으로 보고 난 다음 다시 정의 된 내용을 확인하는 것을 강하게 권장한다. 자신이 이해를 하기 위해서 다른 서적을 이용해도 상관이 없다.
여기서 입문, 초금, 중급 이렇게 3단계로 나누어서 서술할 계획이다. 이중 초급만 되도 어느정도 간단한 스크립트 형태의 프로그램은 충분히 작성할 수 있을 것이다(그리고 이건 필자의 기준이기도 하다). 고급이 없는 이유는 고급정도라면 이런 문서를 볼 필요가 없고, 시시각각 프로그래밍 언어에 대해서 결정하는 포럼에서 활동해야 하기 때문이다. 아니면 파이썬 자체를 발전시키기 위해 기여할 것이다. 그리고 그 조건으로 아마 C 도 능통해야 할 것이다. 이는 파이썬이 C로 만들어졌기 때문이다.
이 글을 쓴 시점에는 이미 개인 Notion으로 초급 중반까지 작성하고 옮겨 적으면서 수정하는 것이다.
과거에는 내용 정리할 수 있는 수단이 블로그 등 별로 없었지만 one note, notion 등 다양한 기록과 정리 수단이 생기면서 부터 블로그를 잘 사용하지 않게 된 것 같다. 특히나 자체 제작한 블로그가 아니라 기존 서비스를 사용하다 보니 기존에 기록한 내용들을 다시 검색하는 것이 어려운 것도 한 몫 한 것 같다.
문제는 지식과 경력이 누적 되고 나서 남에게 내가 가지고 있는 수준을 어필 할 수 있는 수단은 결국 블로그라는 것이다. 카카오 같은 국내에서 영향력이 큰 기업에서 신입 개발자 채용을 할 경우 블로그도 하나의 참조 자료로 한다고 공개적으로 발언이 되었으니 블로그를 관리하는 신입 개발자가 앞으로도 많이 늘어나리라 본다.
물론 신입 개발자가 아닌 경력 개발자는 부담이 덜하지만 분야에 따라서 필요하다 그리고 보통 서버 분야 백엔드 개발자들 중 인지도 있는 개발자의 경우 유튜브나 블로그 등 하나 정도는 꾸준히 운영하고 있는 경우가 많다.
다만, 2022년경 부터인가? 대 개발자 전성 시대였다. 이때 개발자 지망하거나 전향을 희망하는 사람들이 많아지고 동시에 개발 관련된 블로그가 많이 생긴 듯하다. 덕분에 가끔 기억이 안나서 검색을 하게 될 경우 잘 못 이해하고 기록되어 있는 블로그를 종종 자주 보게 된다.
예를 들어 프로그램내에서 예외 처리가 되는 원리는 예외가 발생하면 해당 에러 클래스를 catch 해주는 코드 블럭이 나올때까지 상위 코드 블럭으로 강제로 벗어나면서 최종적으로 더 이상 벗어날 코드 블럭이 없다면, OS 혹은 가상머신 단에서 강제로 프로그램을 종료 시킨다. 이것이 흔히 말하는 "프로그램이 죽는다"라는 표현한다. 이는 시스템에 문제가 생기기 전에 해당 프로그램을 강제로 종료 시키는 최악의 상황에서는 최선 방법이기 때문이다.
이전 1년 정도 지난 신입이 예외 처리를 이상하게 해서 어떻게 동작하는지를 물어보니 코드 블럭을 벗어나는 것에 대해서 잘 모르더라... 그리고 그렇게 설계한 이유도 설명하지 못 했다. 그래서 추궁 아닌 추궁을 해보자 자신이 검색해서 참조한 블로그에 그렇게 적혀 있다더라 하고 말한다.
물론 블로그 작성자도 억울 할 수 있다. 파이썬으로 프로그래밍을 시작하는 경우 아무래도 쉽게 설명하는 것에 대해 집중 되어 있다 보니 자세한 설명이 부족한 경우가 많고 또 설명이 있다 하더라도 쉽게 결과를 볼 수 있는 언어이다 보니 자세히 안보고 지나치는 경우들이 있는 것 같다.
아무튼 다시 원점으로 돌아와서 나는 그 동안 하나의 기록 수단으로 생각해왔다. 신입 시절 열심히 블로그에 기록하다가 기록 수단이 바뀌고 나서 한동안 작성을 하지 않았는 데, 돌고 돌아서 민감한 정보를 제외하고 다시 블로그에 정리해야 겠다는 생각이 든다.
Python2 시절까지만 해도 성능을 중요시했던 컴퓨터 비젼 분야는 오랫동안 C/C++ 계열이 메인이었는데, 지금은 컴퓨터 비젼을 한다면 Python도 필수로 해야 하는 시대가 되었다. 이건 딥러닝 파급의 효과가 가장 컸다. 다만, 최근에 내가 놓친 부분을 알기위해서 빠른 지식 습득 수단으로 강의를 듣고 있는데, 강의에서도 그렇고 회사에서 기술이전으로 로봇공학쪽 박사 포닥중인 강의 하시는 분도 그렇고 그냥 다르니 주의해라는 듯이 설명해서 내 입장에서는 난감했다. 사실 본래 자료형이 만들어진 목적이 있기 때문이다.
그래서 끄적여 본다.
Python 이미지 처리 모듈
기본적으로 이미지의 첫 출발은 이미지를 메모리에 올리는 것 부터 시작이 된다. Python 에서는 대표적인 모듈이 3가지가 존재한다. PIL, Scikit Image, OpenCV. 이중에서 현재는 OpenCV를 많이 사용하고 있다.다만, 대부분 이 라이브러리들은 이미지 파일을 로드하게 되면 numpy 모듈의 array로 로드를 하는 특징이 있다.
PIL
Python Image Library 로 초기 Python 영상처리 많이 사용했다. 필자도 OpenCV 보다 PIL 을 주로 썼었는데, 이는 OpenCV의 경우 BGR로 로드하는 반면 이 라이브러리는 RGB로 로드가 되었기 때문에 이런 변환 코드를 덜짜기 위해서 썼었다. 파이썬은 성능보다 생산성을 추구하였으니 말이다. 문제는 PIL 이 현재는 유지보수가 잘 안되고 있다. 지금의 PIL는 fork 된 프로젝트 중에서 호환만 경우 유지되고 있는 수준이다.
Scikit Image
Scipy 기반으로 제공되는 라이브러리이다. Scipy는 SCI 이름에서 알 수 있듯이 연구 용도로 많이 사용한다. 경우에 따라 Scipy 는 상당히 높은 수준의 연산을 도와주는 모듈들이 있다. 그러나 필자를 포함해서 널리 사용되지는 않는 것 같다.
OpenCV
인텔에서 개발하다가 오픈 소스로 전환된 라이브러리다. 이미지 로드시 BGR로 메모리에 올라가는 것을 특징으로 갖는데 이는 초기에 성능을 위해서 인텔 CPU가 리틀엔디안 방식으로 데이터를 처리하기 때문에 일부러 뒤집은 탓이다. OpenCV1 시절은 C, OpenCV2 시절은 C/C++, OpenCV3 에서는 Java/Python 이런식으로 확장되어 왔다. Mat 이라는 자체 이미지 자료구조를 가지고 있었는데, Python 에서는 numpy.array 자료구조를 사용한다.
개인적으로 numpy.array로 로드 되는 것을 처음 알았을 때는 기존 Mat 보다 이미지 정보가 적어서 불편하다 생각했지만, 수학적인 연산도 자연스럽게 사용할 수 있었고 그렇지 않아도 느린 버전업이 빨라 졌다. 즉 버그 픽스가 빨라졌다는 것이다. numpy 경우 Matlab 처럼 멀티 스레드로 메트릭스 연산을 하기 때문에 C로 단일 스레드로 연산한것 보다 빠르다.
numpy.array
numpy 모듈은 태생이 수학자들이 만든 C로 만들어진 모듈들이다. Python 이 런타임이 느린 언어이지만, 이 모듈로 간단히 몇 줄로 크게 뒤지지 않는 병렬 계산이 가능하다. 게다가 구조도 직관적이기도 하다.
다만 문제는 태생이 메트릭스 연산을 위해서 탄생한 구조이다보니 나중에 컴퓨터 비젼관련 라이브러리에서 다룰때 종종 헷깔리게 된다. 이미지에서의 크기의 개념은 (가로 x 세로)이나 메트릭스에서는 (행, 열) 개념이기 때문이다. 이미지의 값을 numpy에 넣게되면 (세로, 가로) 느낌으로 사용하게 된다.
이때문에 초보자들은 여기서 많이 틀린다. 문제는 내가 모든 강의를 들은 것은 아니지만 대부분 주의 하고 외우세요 하면서 가르치시더라. 태생이 원래 수학적 접근의 차이라 다른것 뿐이지만 말이다. 사실 각 모듈의 태생의 목적을 알면 헷깔릴 일이 별로 없다. 깜박해도 금방 생각날테니 말이다.
그렇다 이 말 하려고 어그로 끌었다. "모듈의 태생을 알면 이유를 알 수 있다"
이제 배경을 알았으니 array shape을 받을 때 rows, cols, dim = np.array().shape 형태로 사용하는 것이 좀 더 덜 헷깔릴 것이다. 작지만 유용한 팁이라 할 수 있다.
덤 OpenCV 가 cv2 인 이유
덤으로 이글을 쓰는 시기에 OpenCV4가 사용되고 있다. 그럼에도 Python 에서는 cv2 라는 모듈 네임을 사용하고 있다. 대체 왜 그럴까? cv2 부터 C++이 도입되면서 OpenCV 코드들이 객체화가 되었다. 그리고 Mat 이라는 class 를 사용했었는데, Python 에서는 Mat 대신 numpy를 사용하지만, 둘이 사용법이 비슷하고 굳이 cv3 처럼 올릴 필요가 없다. 객체지향으로 개발하는 이유가 원래 이런 것들을 유지하려고 했던것이 아니었겠는가? 그리고 성능을 위해서 알고리즘은 여전히 C++로 구현되고 Java를 포함해서 Python에 wrapper 된 경우도 많다. 그리고 CV2라는 네임스페이스는 C++이 쓰는 것 아니었는가?
OpenCV 에서는 오래전부터 nVidia CUDA를 사용할 수 있도록 해줬다. 그중 DNN 모듈은 기존 딥러닝 플랫폼인 텐서플로나 파이토치 같은 모델을 변형하여 사용할 수 있다.
이때 cuDNN을 통해서 그래픽 카드를 활용하면 기존 cpu를 사용한 것 보다 좀 더 빠른 연산을 수행할 수 있다. 이 과정은 일반적은 OpenCV 빌드보다 신경써줘야 할 것이 많다.
서버 환경이 아닌 소형 임베디드 환경을 전제로 하여 이글을 작성하는 시점에 가장 널리 사용중인 Ubuntu 20.04 desktop기준 개발환경으로 서술한다.
만약 nVidia의 jetson 시리즈 보드를 사용할 경우 기본적으로 openCV가 빌드되어 있다.
기존 OpenCV 삭제
기본적으로 python3 pip를 통해서도 openCV 라이브러리가 설치 되어 있기도 하다. ros를 설치 했을 경우에도 기본적으로 opencv가 함께 설치 된다. 그리고 이미 설치가 되어 있더라도 cuDNN가 지원이 되지 않다면 이 또한 새로 빌드를 해야 한다.
# 기존 opencv 4.x 설치 확인
pkg-config --modversion opencv4
# 기존 opencv 3.x 이하 설치 확인
pkg-config --modversion opencv
# uninstall opencv-python
pip3 uninstall opencv-python
# ros를 통해서 설치가 되어 있는 경우
sudo apt purge ros-*
sudo apt autoremove
# 과거에 source code를 직접 빌드해서 설치했었을 경우
sudo find /usr/local -name "*opencv*" -exec rm -i {} \;
위의 명령어를 순서대로 해도 상관이 없지만, 먼저 확인을 하고 순차적으로 진행하는 것을 권장한다.
그래픽 드라이버 설치
그래픽 드라이버 설치를 할 경우 ubuntu desktop일 경우 super 키로 검색하여 "addtional drivers" 창에서 설정을 해도 상관은 없다. 다만 설치를 할경우 meta 라고 표기 되어 있는 것을 설치해야 모니터 외에 연산을 용도로 그래픽 카드를 사용할 수 있다.
# 일반적인 desktop 환경의 경우
sudo apt update
sudo apt install cuda-dirvers
# desktop이 아닌 다른 장치의 경우
sudo lspci -v | less
sudo ubuntu-drivers devices
# 해당 경우는 rtx3090 경우 저장소 추가하여 설치하는 예시
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
sudo apt-get install nvidia-driver-460
# 설치를 완료한 뒤에는 reboot 할 것
reboot
정상적으로 설치가 되었을 경우 아래의 명령어를 실행했을 때 그래픽 카드에 대한 정보가 출력이 되어야 한다. 만약 출력이 되지 않는다면, 제대로 그래픽 카드 드라이버가 설치 되지 않은 것이다.
nvidia-smi
그래픽 카드 정보를 보면 CUDA 다음 버전이 있는데, CUDA 버전을 의미하는 것이 아니라 사용 가능한 버전을 표시되는 것이다.
CUDA 설치
nVidia 웹에서 CUDA를 설치하려고 하면 최신 CUDA로 다운로드 받도록 유도하는데 최신 버전의 경우 안정화 지원이 덜되는 경우가 많기 때문에 가능하면 최신화 이전 버전을 설치하는 것이 좋다. 아래 링크에 접속하여 CUDA 버전을 고르고 OS 등에 맞춰서 local로 설치를 하려고 하면, 터미널에 입력하는 명령어가 표시된다 이를 따라서 진행하면 된다.
압축 파일을 다운로드가 완료가 되었다면 압축을 해제하고 각 필요한 파일들을 맞는 위치에 복사를 한뒤에 권한을 설정해주면 된다. 이때 앞의 CUDA 버전에 맞춰서 맞는 폴더로 복사를 하면 된다. 아래 예시는 cuda-11.8 을 설치했을 경우이다.
tar -xvf cudnn-linux-x86_64-8.8.1.3_cuda11-archive.tar.xz
cd cudnn-linux-x86_64-8.8.1.3_cuda11-archive
sudo cp include/cudnn*.h /usr/local/cuda-11.8/include
sudo cp -P lib/libcudnn* /usr/local/cuda-11.8/lib64
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*
update-alternatives
gcc 같은 빌드 툴들이 여러버전이 설치 되었을 경우 디폴트로 실행하도록 할 필요가 있다. 이 경우 전통적으로 심볼 링크를 사용하는데, 이를 관리해주는 update-alternatives 를 활용하면 억지로 심볼링크를 쓸 필요가 없다. 아래의 예제는 cuda-11.8 일 경우를 전제로 작성한다.
# update-alternatives config 확인
sudo update-alternatives --config cuda
# 아무것도 없는 경우
sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.8 11
# update-alternatives config 재확인
sudo update-alternatives --config cuda
# 추가된 항목이 보이게 됨
전통적인 심볼링크
위의 update-alternatives 가 없거나 자신이 상남자라고 생각한다면 전통적인 방식으로 직접 심볼링크로 해도 상관은 없다.
# 기존 심볼링크 제거
sudo rm /usr/local/cuda
# 새 심볼링크 생성
sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda
nvcc 확인
터미널에서 nvcc가 정상적으로 작동되는지 확인한다. 표시되는 정보에 설치된 CUDA와 같은 버전이 표시되어야 한다. 만약 nvcc가 실행되지 않는다면 환경변수를 아래와 같이 설정해준다. 그리고 이 터미널에서 opencv를 빌드해야 한다.
# nvcc 정보 확인
nvcc -V
# nvcc -V 정보가 안보일 경우
export PATH=$PATH:/usr/local/cuda/bin
export CUDADIR=/usr/local/cuda
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
컴파일러 변경
opencv4.x 빌드시 gcc/g++ 버전이 너무 높으면 빌드가 되지 않는다. Ubuntu 20.04 LTS desktop 에 기본적으로 gcc-9 버전이 설치되어 있다. 이 경우 빌드를 시도하면 gcc-8, g++-8 이상은 빌드할 수 없다는 에러메시지를 볼 수 있다. 따라서 gcc-7, g++-7을 설치하자.
sudo apt install -y gcc-7 g++-7
이렇게 설치한 뒤에도 여전히 gcc-9와 g++-9가 default로 되어 있기 때문에 update-alternatives를 이용해서 바꿔주자
# 변경 및 우선순위 확인
sudo update-alternatives --config gcc
sudo update-alternatives --config g++
# 누락 되었을 경우
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 7
sudo update-alternatives --instlal /usr/bin/g++ g++ /usr/bin/g++-7 7
역시 update-alternatives가 없거나(없으면 설치하면 됨), 자신이 상남자라면 직접 심볼링크를 생성해서 사용해도 상관 없다. 물론 평범한 겁쟁이라면 아래 방법은 가능하면 피하자.
OpentCV가 viz 부분을 VTK 모듈을 의존한다. 만약 사용하지 않는다면 OpenCV 빌드시 해당 부분을 off 하고 빌드를 해도 된다.
sudo apt install vtk7
GTK 2.0 이상 설치
OpenCV가 리눅스에서 imshow() (image show) 같은 독자적인 창을 생성할 경우 사용하는 의존 모듈이다. 만약 개발중이 아니거나 중간중간 로컬에서 이미지를 표시하지 않는다면, OpenCV를 빌드할때 해당 옵션들을 off 한 상태에서 빌드하면 된다. 버전은 최소 2.0 이상이 필요하다.
일반적인 개발환경이라면, 해당 모듈도 미리 설치를 해주자.
sudo apt install -y libgtk2.0-dev
OpenCV 빌드
다운로드
이제 OpenCV 소스코드를 다운로드 받을 차례이다. OpenCV 본가 외에 contrib 모듈이 존재하는데 해당 모듈은 beta 수준의 모듈들을 담고 있다. 충분한 시간이 지나면 OpenCV 본 소스에 편입이 되지만, 최신 기능을 사용하기 위해서는 contrib가 필수 적이다.
둘다 버전에 맞춰서 다운로드를 받아야 한다. 예시에서는 4.6.0 버전으로 받는데 url 체계는 같으므로 존재하는 버전이면 숫자만 바꿔서 wget으로 다운로드 받아도 된다.
압축을 풀는 과정에서 opencv-contrib-4.6.0.zip 이 생성하는 폴더이름이 opencv_contrib-4.6.0로 바뀌는 경우 있으니 주의 하자.
CMake-gui
대부분 CMake로 makefile을 생성할 경우 스크립트를 만들어서 사용을 한다. 하지만, 직관적으로 어떤 옵션을 빼고 넣어야 하는지 확인하기 어렵기 때문에 여기서는 CMake-gui 를 사용한다. 우선 CMake-gui를 설치하도록 하자.
sudo apt install -y cmake cmake-gui
cmake-gui 를 실행하기 전에 소스파일 폴더 안에 build 폴더를 먼저 만든다. 여기서는 opencv 4.6.0을 다운로드 받아서 진행하는 것을 전제로 한다.
cd ~/opencv-4.6.0
mkdir build
이 터미널은 아직 닫으면 안된다.
super키(윈도키) 를 누른뒤 cmake-gui 를 실행한다. 처음 cmake-gui 를 실행한다면 공란으로 보이는데 우선 where is the source code 경로를 ~/opencv-4.6.0 으로 직접 입력하거나 Browse source 버튼으로 위치를 찾아도 된다. 경로는 가능하면 절대경로로 작성하는 것이 좋다.
where to build the binaries 항목은 아까 만든 ~/opencv-4.6.0/build 경로로 잡는다. 이후에 하단의 configure 버튼을 클릭하면, cmakelist.txt를 찾으면서 초기 설정들을 찾아서 표시해준다.
이제 옵션을 수정하면 된다. JAVA로 개발하지 않는다면, search에 java를 입력해서 해당되는 체크표시를 해제하면 된다. 우리가 지금 빌드하는 목적은 그래픽 카드를 이용해서 opencv DNN 모듈을 사용하려는 거니 다음 항목들을 체크한다.
WITH_CUDA
BUILD_CUDA_STUBS
OPENCV_DNN_CUDA
이외에 유료 모듈과 pkg-config 를 설치 되게 위해서 아래 항목들도 체크 표시를 해준다.
OPENCV_ENABLE_NONFREE
OPENCV_GENERATE_PKGCONFIG
그리고 시행착오로 에러메시지를 통해 삽질(?)로 알게된 옵션을 추가한다. 옵션을 추가하는 방법은 add entry 를 통해서 추가하면 된다.
옵션라벨
타입
값
CUDNN_INCLUDE_DIR
PATH
/usr/local/cuda/include
CUDNN_LIBRARY
PATHFILE
/usr/local/cuda/lib64/libcudnn.so
CUDNN_VERSION
STRING
8.8
OPENCV_EXTRA_MODULES_PATH
PATH
~/opencv_contrib-4.6.0/modules
opencv-python 모듈처럼 하나의 통합된 형태의 라이브러리를 사용하는 것이 아니면, BUILD_opencv_world 항목도 찾아서 체크를 해제하면 된다.
모든 설정을 마쳤으면 configure 버튼을 다시 클릭한다. 설정을 적용하는 과정에서 필요한 파일을 다운로드 받기도 한다. 아무런 에러가 없이 무사히 완료가 되었다면, generate 버튼을 클릭하여 빌드 파일을 생성한다. 여기까지 무사히 마쳤다면 cmake-gui 창은 닫아도 된다.
make & install
이제 다시 터미널에서 생성된 파일들이 있는 build 폴더로 이동한다. make를 입력하여 빌드를 시작하면 된다. 만약 빌드 시간을 측정하고 싶다면 time make 처럼 입력해도 된다. 컴퓨터 성능에 따라서 걸리는 시간의 차이가 있다.
cd ~/opencv-4.6.0/build
# 큰무리가 없다면
make
# 만약 빌드 환경의 메모리가 부족하다면 $(nproc) 보다 작은 숫자
make -j $(nproc)
만약 메모리가 부족할 것 같다면, -j 옵션으로 job(사실상 thread) 수를 줄여서 빌드하면 된다. 대신 시간이 더 걸린다.
무사히 빌드를 마쳤다면 이제 라이브러리 설치를 하면 된다.
sudo make install
정상적으로 마친뒤에 설치 여부를 확인한다.
pkg-config --modversion opencv4
opencv 버전이 표시가 된다면 정상적으로 설치가 된 것이다. pkg-config 는 c++ 코드를 빌드할때 필요한 존재니 반드시 있어야 한다.
github 에서 private repository를 사용하다보면 https 방식으로 소스코드를 clone 하는 것을 금지 하고 github에서 자체적으로 제작한 CLI 나 ssh-key를 사용할 것을 강제하고 있다. 문제는 github 정책상 다른 계정에서 하나의 ssh-key를 등록해서 사용하고 있는 경우 다른 계정에서 ssh-key를 등록할 수 없다는 것이다. 이는 보안을 위한 올바른 정책이다.
하지만, github를 개인 계정만 사용하는 것이 아니라 회사 계정과 구분해야 사용해야 할 경우가 있기 때문에 어쩔 수 없이 복수의 계정을 사용해야 하는 경우가 발생된다. 이 경우 ssh-key를 복수로 사용해야 한다.
ssh rsa key 추가 생성
우선 기본적으로 기존에 사용하는 ssh-key가 있다는 전제하에 추가 생성을 한다. github에서는 기본적으로 레거시 rsa 키보다는 추천하는 알고리즘으로 생성한 ssh-key 사용하기를 권장하고 있다. 그러나 아직(?)은 rsa 방식을 허용하고 있다.
windows 경우 git-bash 에서 리눅스나 OS X 에서는 터미널에서 다음과 같은 옵션으로 ssh-key 를 생성한다.
-f 옵션으로 id_rsa_<option> 이름으로 키가 생성 할 수 있다. 일반적으로 생성과정에서 경로를 묻지 않고 생성을 하게 된다. 이후 추가 패스워드를 넣지 않는다면 enter를 연타하여 생성을 하면 된다. 여기서 다음 예시를 위해 <option> 자리에 임으로 add 라고 이름을 붙이도록 하겠다.
config 설정
windows 에서는 ~/.ssh/config 파일이 생성되어 있는 경우가 있다. 유닉스 계열(리눅스, OS X)에서는 없기 때문는 경우가 있는데 이 경우 생성해주면 된다. 여기서는 vs code로 편집을 하는데 편한 편집 프로그램을 사용해서 작성을 하면 된다.
# ~/.ssh/config
# default
Host github.com
HostName github.com
User git
IdentityFile ~/.ssh/id_rsa.pub
# addition option 추가된 ssh-key
Host github.com-add
HostName github.com
User git
IdentityFile ~/.ssh/id_rsa_add.pub
감이 있는 사람은 config 파일 목록에서 보면, Host 이름에 따라서 다르게 동작하게 한다는 것을 알 수 있을 것이다.
git clone from remote repository
우선은 github 의 두번째 계정에 새로 생성한 id_rsa_add.pub 키를 등록을 먼저 하도록 하자.
이제 git 명령어로 github에 있는 repository를 당겨 오도록 하자. 이 경우 ssh-git url 구성 방식에 대해서 이해를 해야 한다. url를 구성하는 위치중에서 host에 해당 되는 부분을 다른 ~/.ssh/config 에 설정한 host 이름으로 대체를 하면 HostName은 유지되지만 사용한 ssh-key는 다르게 사용한다.
# git clone 예시
git clone git@{host}:{github_id}/{repository_name}.git
# add로 git clone을 할 경우
git clone git@github.com-add:{github_id}/{repository_name}.git
정상적으로 clone이 되었다면, 이제 github 에 복수의 계정으로도 ssh-key 를 사용할 수 있게 되었다. 이렇게 clone으로 받아 생성된 workspace는 host 부분이 처음 받은 이름으로 되어 있어 commit/push/pull 등을 정상적으로 사용을 할 수 있게 된다.
