基于openCV4.2.0的yoloV3目标检测（支持nvidia GPU加速）

基于openCV4.2.0的yoloV3目标检测（支持nvidia GPU加速）

1、openCV4.2.0导出配置

2019年12月23号，openCV发布了新版本4.2.0，其中比较重要的更新是对主流深度学习模型进行了cuda支持。openCV4.2.0
不过该模块还暂未以release版本发布，需要自己利用cmake进行导出编译。
工具：
cmake 3.9.0
VS2015
openCV4.2.0
CUDA 10.2
cudnn 7.6
首先，在openCV官网下载源码，下载地址
然后，下载额外包，下载地址选择对应的版本，如下图

将openCV4.2.0安装完成，并将额外包解压，放在安装好的openCV路径中的sources内，如下图

CUDA安装较为简单，略过
cudnn解压后为三个文件，头文件、lib、dll，将其放置安装好的cuda路径下对应的头文件、lib及dll路径下。
接着，打开cmake，选择openCV源码路径及导出路径，如下图

选择编译工具为VS2015 WIN64

然后去掉CUDA_ARCH_PTX中小于6.0的选项（显卡1050TI及以上），如下图

并勾选如下选项：OPENCV_DNN_CUDA、WITH_CUDA、WITH_CUDNN
然后设置openCV额外包路径（与你之前放置额外包的路径对应上），如下图

勾选BUILD_opencv_world

然后点击cmake左下角Configure;
配置完第一遍后，需要再次点击Configure。配置成功后，不会再有红色Name及Value，如下图

然后点击生成Generate。顺利情况下，会在你指定的路径下生成VS工程。

openCV4.2.0编译

找到cmake导出的工程,打开OpenCV.sln
找到grid_stride_range.hpp文件，将其15-33行替换如下：

using dim3_member_type = decltype(dim3::x);

		template   __device__ dim3_member_type getGridDim();
		template <> inline __device__ dim3_member_type getGridDim<0>() { return gridDim.x; }
		template <> inline __device__ dim3_member_type getGridDim<1>() { return gridDim.y; }
		template <> inline __device__ dim3_member_type getGridDim<2>() { return gridDim.z; }

		template  __device__ dim3_member_type getBlockDim();
		template <> inline __device__ dim3_member_type getBlockDim<0>() { return blockDim.x; }
		template <> inline __device__ dim3_member_type getBlockDim<1>() { return blockDim.y; }
		template <> inline __device__ dim3_member_type getBlockDim<2>() { return blockDim.z; }

		using uint3_member_type = decltype(uint3::x);

		template  __device__ uint3_member_type getBlockIdx();
		template <> inline __device__ uint3_member_type getBlockIdx<0>() { return blockIdx.x; }
		template <> inline __device__ uint3_member_type getBlockIdx<1>() { return blockIdx.y; }
		template <> inline __device__ uint3_member_type getBlockIdx<2>() { return blockIdx.z; }

		template  __device__ uint3_member_type getThreadIdx();
		template <> inline __device__ uint3_member_type getThreadIdx<0>() { return threadIdx.x; }
		template <> inline __device__ uint3_member_type getThreadIdx<1>() { return threadIdx.y; }
		template <> inline __device__ uint3_member_type getThreadIdx<2>() { return threadIdx.z; }

包含头文件：device_launch_parameters.h

找到文件cudnn.hpp，将其40-42行，替换如下：

using cudnn_data_enum_type = decltype(CUDNN_DATA_FLOAT);
		template  cudnn_data_enum_type get_data_type();
		template <> inline cudnn_data_enum_type get_data_type() { return CUDNN_DATA_HALF; }
		template <> inline cudnn_data_enum_type get_data_type() { return CUDNN_DATA_FLOAT; }

然后配置工程为Release x64，右键ALL_BUILD生成

调用yolov3模型进行检测

新建工程，测试编译后的opencv库
设置

// Load the network
    Net net = readNetFromDarknet(modelConfiguration, modelWeights);
    net.setPreferableBackend(DNN_BACKEND_CUDA);
    net.setPreferableTarget(DNN_TARGET_CUDA);

在1050TI显卡下，基本可以跑到20fps，相比darknet要快一些

编译好的下载地址：
链接: https://pan.baidu.com/s/1XCBI1wuCyPhT2Yhzy6sqvw 提取码: gwsz
参考博客
连接1