Win10+VS2015安装配置YOLO3（CPU/GPU)

概述

自己尝试安装和配置YOLO3，实际上在GitHub上有详细的所有步骤，见darknet README
这里只是为了自己方便参考，所以把安装和配置的过程记录在此。

1 安装或下载安装需要的软件包

由于自己也是第一次实际操作使用这些软件，所以这里记录下每个工具的意义。
YOLO3有CPU和GPU版本，如果只是使用CPU版本，具备以下前两个就可以了（实际上OpenCV也是个可选项），如果使用GPU版本，就需要都具备。

1.1 VS2015

这个就不细说了，必要的编译环境。

1.2 OpenCV

OpenCV：这个搞图像处理的应该都知道，OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV下载：OpenCV下载，现在最新版本已经到4.0.1了，yolo的作者明确说了使用3.4.0或之前的版本（If installing OpenCV, use OpenCV 3.4.0 or earlier. This is a bug in OpenCV 3.4.1 in the C API），所以这里我用了3.4.0版本，OpenCV3.4.0下载地址，我计算机上已经有4.0.0版本，没关系，共存就是了，只是要根据使用的不同来修改系统的PATH环境变量。
附：OpenCV源码库：https://github.com/opencv/opencv_contrib/releases

1.3 CUDA

CUDA：（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。
CUDA下载：CUDA最新版下载页面， 目前最新版已经到了10.1.105_418.96版本，保险起见，先下了个9.2版本，下载地址（后来在另一台计算机上下载安装了最新的10.1版本）。下载后正常安装即可，我选择了典型安装。

1.4 cuDNN

cuDNN：（CUDA Deep Neural Network library），是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中。
cuDNN下载：cuDNN下载页面，下载NVIDIA cuDNN需要注册账号，然后邮箱激活（我的aliyun邮箱等了将近一小时才收到激活邮件，据说gmail和163的收到的快），登陆回答几个调查问题，然后就可以下载，下载时要与CUDA版本对应。与CUDA9.2对应的是7.1，与CUDA10.1对应的是7.5。
cuDNN实际上是CUDA的补丁，下载解压后，看到三个目录，拷贝覆盖到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2（或v10.1）下面。

2 下载YOLO3源码

2.1 下载YOLO3源码

Darknet: 一个使用C和CUDA编写的开源神经网络框架，速度快，便于安装，支持CPU和GPU运算。
YOLO3源码下载页面，下载文件为darknet-master.zip

2.2 下载yolov3测试的权重文件

这个是作者已经训练好的权重文件，我们拿来测试：YOLOv3权重文件

3 编译

3.1 准备

把darknet-master.zip解压到方便的路径，进入darknet-master\build\darknet，如果使用GPU运算，用UE等文本编辑器（注意不要双击，不是用VS2015）打开darknet.vcxproj，拉到最后行，看到有个CUDA 10.0字样（早期下载的源码里可能是其他版本号），把这个按照安装的CUDA版本替换为CUDA 9.2（或CUDA 10.1）（文件里一共两处）。同样如果要编译GPU运算的DLL，yolo_cpp_dll.vcxproj也需要照此修改。
如果使用CPU，用VS2015打开darknet_no_gpu.sln，如果使用GPU，打开darknet.sln

3.2 修改工程属性

1. 老版本程序（用CUDA9.1版本的源码的设置）：右键-工程属性页，
   C/C++-常规，附加包含目录，把这里的opencv路径修改为你自己安装opencv3.4.0的include路径。
   链接器-常规，附加库目录，把这里的opencv路径修改为你自己安装opencv3.4.0的lib路径，注意x64和x86的区分
   链接器-输入，附加依赖项，添加一行opencv_world340.lib（如果是debug版本就是opencv_world340d.lib）
2. 新下载的版本程序（用CUDA10.0的）：在工程属性里，已经设置了OpenCV使用的是环境变量方式，即$(OPENCV_DIR)，这样的话，工程属性就不需要任何修改，在我的电脑右键高级设置里环境变量添加一个OPENCV_DIR即可，该变量指向opencv3.4.0所在的build目录（例如：e:\opencv\opencv3.4.0\build），这样不需要任何修改，直接就可以编译。

3.3 编译

我这里测试的是x64的Release编译，编译完成后，如果CPU版，生成darknet-master\build\darknet\x64\darknet_no_gpu.exe，如果GPU版，则生成darknet-master\build\darknet\x64\darknet.exe

4 测试

编译完成后，进入darknet-master\build\darknet\x64路径，此时需要用到刚才下载的权重文件yolov3.weights，把这个文件拷贝到这个目录。
运行darknet_yolo_v3.cmd，这里调用了刚才编译的darknet.exe，利用权重yolov3.weights对dog.jpg图片进行识别计算，运行后能看到弹出窗口显示识别结果。
如果是CPU版本，先把darknet_no_gpu.exe改为darknet.exe，或者把darknet_yolo_v3.cmd复制一个，把里面的darknet.exe改为darknet_no_gpu.exe，然后运行cmd。
测试结果，我这里GPU和CPU运算好像速度差不多，大约5秒（这个时间包括了YOLO3初始化的时间，实际上识别时间只有几十毫秒）。
附：本人计算机和显卡的配置：

5 参考

yolo3 + Windows + VS2017 + CUDA9.2 教程
win10下YOLOv3下载与编译