最新yolov4(适用yolov3等系列)在windows下的最简洁环境配置方法利用cmake-gui以及测试（亲测可用）
linux环境下的就不演示了，网上教程很多，比较简单，把cuda、cudnn等装好，git clone+修改makefile文件+make命令就可以了，可以参考官网教程https://github.com/AlexeyAB/darknet
本文谈谈yolo在windows下的配置，看了很多博客，很多都是阐述手动在vs里面如何添加opencv，darket等依赖文件，之前我在vs手动配opencv（c++），也踩过不少坑，配了两次才弄好。所以本文采用最新官网推荐的第一种方法利用cmake-gui自动实现vs配置。
本文内容参考出处：
https://github.com/AlexeyAB/darknet
https://www.jianshu.com/p/f944ebd43f4c
更详细步骤截图可以参考这个博客。
一、配置yolo
步骤一：我电脑安装的是vs2017，opencv4.1.0，cuda10.0，cuDNN7.4（电脑只要是nvida显卡就可以支持cuda了），vs,opencv,cuda的安装就不再阐述了，网上资料多，有问题可以留言交流。
这图是最新yolov4的官网windows利用cmake-gui安装流程说明
步骤二：安装git工具,在某一文件夹下打开git bash，输入
git clone https://github.com/AlexeyAB/darknet.git
步骤三：下载cmake-gui官网下载地址,跟着引导安装以可。
完成后打开cmake出现这个界面。
browse source和browse build 选择刚刚git克隆的darket文件夹，第一次打开会弹出选择本机vs版本和x64平台。(记得把opencv和darket配好环境变量，文件路径设置为你的darket本机的路径和opencv路径)
接着依次点击configure，generate,open project(没问题就会打开vs)
步骤四，open project自动打开vs后，不出意外已经自动配置好编译依赖项了，接下来选择release x64版本，右键ALL_BUILD，点击生成，没有错误的话继续右键INSTALL，点击生成，没有错误的话就编译成功了。
如果调用yolov4,则到官网下载yolov4.weights文件，yolov3则到官网下载yolov3.weights文件，别的weights文件见官网。如果由于网络被墙问题下载缓慢，我这里提供v3和v4永久的百度云下载地址(如果失效欢迎评论，会及时补上)。下载后放到darket文件夹目录下，至此配置完成。
百度云链接
提取码：itoy
二、测试yolo
现在你在darket文件下就会看到一个darknet.exe了
在该darket文件夹导航栏输出cmd，进入终端，以下为yolo测试命令，更多的测试命令见官网，至于具体调用python接口运行yolo，自定义数据集进行训练，改进效果等暂时还没探究，可参考上面的官网。
识别图片(可以把图片放到data目录下)
darknet.exe detect cfg\yolov4.cfg yolov4.weights data\xxx.jpg
打开电脑摄像头识别监控画面
darknet.exe detector demo cfg\coco.data cfg\yolov4.cfg yolov4.weights
识别视频(可以把视频放到data目录下)
darknet.exe detector demo cfg\coco.data cfg\yolov4.cfg yolov4.weights .\data\xxx.mp4
（如果是yolov3则把yolov4换成yolov3就好）
终端正确输出信息和识别图片：
识别样例：
遇到以下报错信息：
CUDA status Error: file: C:\Users\lin\Desktop\git\darknet\src\dark_cuda.c : get_gpu_compute_capability() : line: 499 : build time: Apr 26 2020 - 19:54:29
解决方法：关闭重启，多试几次（可能是gpu暂时被占据使用过多）
总结：以上几条命令是利用内置的coco数据集和现有的weights模型来进行目标检测的，更多的自制数据集训练，修改参数优化操作参考官网，yolo作者更换了，感觉v4比v3版本在精度上优化了一些，速度下降了一些，更多信息见官网和论文https://arxiv.org/abs/2004.10934。