YOLO（二）：YOLOv4在Windows7（GTX960）下的配置+opencv3.1.0+VS2015

提醒：本文为64位Windows7操作系统下GTX960的配置，YOLOv4的数据训练问题还是先挖个坑，后期再更新。

主要参考：windows7+VS2017+GPU+OpenCV3.4 编译YOLO_v4

自己上一篇的YOLOv3在windows7仅CPU模式下配置好之后，刚发出去没多久，其实YOLOv4就出来了，性能相比v3提升了不少，前段时间也趁着有空，试了一下，这里友情提醒一下，v4最好使用显卡，自己的显卡正好是刚从叔叔家网咖淘汰下来的GTX960，所以也就凑合着用吧。

前面说过对于初学者，YOLO上手是非常友好的，所以v4出来之后，好多配置教程都出来了，不过大多数都是Ubuntu系统的，自己暂时还没换笔记本，所以就查询了好多windows版本的配置，这里大部分又都是基于cmake的，自己在cmake上试了好几次都失败了，原因暂时没找到，后面找到上面那位同学的方法，也出现了一点问题，不过很快就解决了，后面图片和视频测试都成功了。好啦！废话不多说，开始正题！

（一）环境及配置:

1、VS2015；（没试过VS2013、vs2017，有兴趣的同学可以试一下（不保熟））

2、opencv3.1.0；（参考的那位是用的3.4.0，我用的是3.1.0（链接：https://pan.baidu.com/s/19IM-uyyC9lB6f1oDvebFUg ，提取码：sgh9 ），应该是3.0版本以上都可以，opencv官网上面也都有，安装时记得环境变量的配置）

3、CUDA10.1（+cudnn）其他版本亦可，取决于你显卡的配置，我的是GTX960

4、YOLOv4（darknet源码）；
AlexeyAB/darknet中下载好zip文件解压，我放在E:\yolov4下

5、yolo4.weights；（链接：https://pan.baidu.com/s/1IuYsvLW5RPRTv_jPd1ZRZQ 提取码：sx3s ）

（二）配置环境及darknet编译:

1、在yolov4下面创建YOLOV4_build文件夹，打开并创建VS2015工程，选择NVIDIA

我的工程名为yolov4

2、将下载解压后的源码中的以下几个文件夹拷贝到新建工程下：3rdparty、cfg、data、include、src。model为自己新建的，存放权重文件yolo-v4.weights

3、在工程下建立三个文件夹c、h、cu（右键点击工程，新建筛选器，依次命名为上述3个文件夹），从src中分别添加c文件、h文件、cu文件到各自文件夹（.cpp和.c文件均存放在c文件夹下）

4、配置属性
点击“项目”打开“属性”，|选择x64-Release
包含目录中添加：
E:\yolov4\YOLOV4_build\yolov4\3rdparty\pthreads\include;
E:\yolov4\YOLOV4_build\yolov4\3rdparty\stb\include
E:\yolov4\YOLOV4_build\yolov4\include
D:\Program Files\opencv310\opencv\build\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
库目录中添加：
E:\yolov4\YOLOV4_build\yolov4\3rdparty\pthreads\lib
D:\Program Files\opencv310\opencv\build\x64\vc14\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64

C/C++ 预处理定义中添加：
WIN32;WIN64;NDEBUG;_CONSOLE;_LIB;OPENCV;CUDNN_HALF;CUDNN;_TIMESPEC_DEFINED;_SCL_SECURE_NO_WARNINGS;_CRT_SECURE_NO_WARNINGS;_CRT_RAND_S;GPU

CUDA device中修改算力：根据显卡配置
compute_30,sm_30;compute_52,sm_52（我的是GTX960，如果是其他显卡，自己修改，参考文中是Titan Xp，所以他的配置是compute_30,sm_30;compute_75,sm_75）

在链接器中添加上相应的lib文件（参考文中未说明，所以自己当时一头雾水，直接编译就失败了）
cudart_static.lib
cublas.lib
pthreadVC2.lib
curand.lib

保存以上配置之后，编译生成解决方案，成功！

（三）测试:

1、把yolo4.weights，E:\yolov4\darknet-master中cfg、data文件夹复制到E:\yolov4\YOLOV4_build\yolov4\x64\Release中

2、将E:\yolov4\darknet-master\build\darknet\x64中darknet_yolo_v3.cmd，darknet_yolo_v3_video.cmd也复制到E:\yolov4\YOLOV4_build\yolov4\x64\Release中，分别重命名为darknet_yolo_v4.cmd，darknet_yolo_v4_video.cmd

3、修改darknet_yolo_v4.cmd如下：

yolov4.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output data/dog.jpg
pause

修改darknet_yolo_v4_video.cmd如下：

yolov4.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
pause

4,、双击运行darknet_yolo_v4.cmd，图片测试成功！

5、视频测试，依然是之前自己骑行的短视频（链接：https://pan.baidu.com/s/1L67Y3D4YSIS1_H-bYGKvKQ ，提取码：c4nm ），放到E:\yolov4\YOLOV4_build\yolov4\x64\Release中，找到darknet_yolo_v4_video.cmd双击运行

视频测试，成功！

效果确实比v3要好一些，（建议对比上一篇博文v3查看效果yolov3在win7仅CPU下的配置）

6、也可以直接到cmd控制台进行测试，先进入E:\yolov4\YOLOV4_build\yolov4\x64\Release

测试图片:
yolov4.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output data/dog.jpg
测试视频: yolov4.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4

测试时可以进行简单的参数调整（也可在.cmd文件修改参数）

（三）题外话:

1、对比了一下自己跑的v3和v4，v4对小目标的检测能力确实得到了提升(特别是在同一段视频下的测试,v4连背包都检测出来了，v3明显做不到)，v4大佬神一般的更新速度，加上对各个环节的不断优化，积少成多，才让我们见到这么明显的提升，这里真的要感谢大佬不舍昼夜的付出。

2、2020年2月份，「YOLO 之父」Joseph Redmon 宣布退出计算机视觉领域，4月份YOLOv4就接棒成功，最近又有一版“YOLOv5”出来（官方暂未承认，有待验证）。可见由于YOLO的友好配置，现在好多大佬都在不断进行深入优化，短短半年时间，YOLO的性能提升确实是有目共睹。

3、因为这是老师布置的临时任务，所以最近有时间都会追一下YOLO，这次把v3和v4都配置了一遍，后续应该会进行特定场景的应用实现，有时间都会同步在这个系列，也算作一个记录，欢迎大家一起学习交流。

关于YOLOv4的配置再次感谢一下Mirinda_cjy的教程

本系列文章列表如下：
YOLO（一）：YOLOv3在Windows7（无GPU）下的配置+opencv3.1.0+VS2015
YOLO（二）：YOLOv4在Windows7（GTX960）下的配置+opencv3.1.0+VS2015
YOLO（三）：YOLOv4在Windows7（仅CPU）下的配置+opencv3.1.0+VS2015