YoloV4学习笔记1_构建环境及测试（win10+VC2015+opencv4.4+yolov4）

YOLOV4学习笔记1_构建环境及测试（win10+VC2015+opencv4.4+yolov4）

本文参考：
https://space.bilibili.com/401357415 （感谢“神秘的二进制”手把手教学）
https://www.bilibili.com/video/BV1YZ4y1t7MH?spm_id_from=333.337.search-card.all.click
YOLOV4下载地址（其中有详细的使用说明）：
https://github.com/AlexeyAB/darknet
下面网址中收集了yolo使用中的一些问题，遇到问题可以查询。
https://www.ccoderun.ca/programming/darknet_faq/#memory_consumption

一、下载yolov4的代码darknet，编译cpu版，并用coco数据集的训练结果进行图片检测实验

为了避免准备gpu版的各种环境，先简后难，先编译cpu版进行测试。

1、下载yolov4的代码darknet，

下载地址：https://github.com/AlexeyAB/darknet
准备好opencv的环境，版本4.0以上

2、编译darknet工程

vc2015打开 darknet-master\build\darknet\darknet_no_gpu.sln （cpu版）(VC2015以上的版本也可以)
修改工程属性中的目标平台为10.，原来是8.
在工程属性中添加opencv的include，lib路径，把opencv的dll复制到 darknet-master\build\darknet\x64目录下。
选择 64位编译模式，编译，成功生成 darknet-master\build\darknet\x64\darknet_no_gpu.exe

3、用coco数据集的训练结果进行图片检测实验

下载yolov4的coco数据集的权重文件yolov4.weights
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
把yolov4.weights放到darknet-master\build\darknet\x64\目录下
运行命令：darknet_no_gpu.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output dog.jpg
已制作了cmd文件“darknet_coco_no_gpu_test.cmd”方便执行此命令
dog.jpg识别成功并显示识别结果图像（release版）
注意：debug版时未显示识别结果图像，提示opecv什么错误，把结果图像保存到了“predictions.png”中

为了整洁，创建"dataset_coco"文件夹，把coco数据相关的文件都放到"dataset_coco"文件夹下，修改coco.data中的names路径，则cmd测试命令改为如下：
darknet_no_gpu.exe detector test dataset_coco/coco.data dataset_coco/yolov4.cfg dataset_coco/yolov4.weights -ext_output dog.jpg

最简单cpu版编译和测试就完成了，下面配置gpu版的环境并完成相同测试

二、编译gpu版，并用coco数据集的训练结果进行图片检测实验

*gpu版需要的环境比较多，操作相对复杂。
要求CC>=3.0，即gpu的算力，查看gpu算力：
https://en.wikipedia.org/wiki/CUDA#GPUs_supported
https://blog.csdn.net/qq_41070955/article/details/108269915
笔记本的GTX1070算力是6.1

下载cuda（ver10.2及以上）、cuDNN。
cuda下载地址： 注意cuda11.1版开始不支持vs2015了，如果电脑里没有2015之上的vs，就不要装更高版本的cuda。当然，如果不需要在vc中用cuda，则不要紧，安装cuda时选择不安装vs相关内容即可。
https://developer.nvidia.com/cuda-toolkit-archive （我们下载11.0版本 2.9G 比较大）
cuDNN下载地址：注意cuDNN和cuda版本必须相匹配，下载页上有匹配的说明。
https://developer.nvidia.com/rdp/cudnn-archive
下载cuDNN时需要注册登录（账号l**[email protected] 密码 Lx8***8）

安装cuda
安装cuda时，一定注意确认自定义安装选项中，CUDA下的“visual studio integration”是被选中状态（如果要vc调用的话）。
cmd总输入 nvcc --version 可以查看cuda是否安装成功。

解压缩cuDNN的文件包，將里面的内容全部覆盖到CUDA的安装目录下：
D:\Program Files\NVIDia GPU Computing Toolkit\CUDA\v11.0

修改 darknet工程文件中的cuda版本号
文本文件打开 darknet.vcxproj，搜索"11.0"（原工程默认用的11.1），把版本号改为11.0，有两处。

vc2015打开 darknet-master\build\darknet\darknet.sln （gpu版）
修改工程属性中的目标平台为10.，原来是8.
在工程属性中添加opencv的include，lib路径，把opencv的dll复制到 darknet-master\build\darknet\x64目录下。

选择 64位编译模式，编译，出现如下错误：
nvcc fatal : Unsupported gpu architecture ‘compute_86’
原因：
1070GPU的算力为6.1，不支持8.6，而最新的工程中的CUDA配置了8.6参数
解决办法：
删除compute_86,sm_86参数。1660ti的算力支持7.5，故修改后的配置参数如下：
compute_50,sm_50
compute_61,sm_61

重新编译，成功生成 darknet-master\build\darknet\x64\darknet.exe

cmd测试命令改为如下：
darknet.exe detector test dataset_coco/coco.data dataset_coco/yolov4.cfg dataset_coco/yolov4.weights -ext_output dog.jpg
已制作了cmd文件“darknet_coco_test.cmd”方便执行此命令