第三十八节、windows下yolo v4运行环境搭建

最新推荐文章于 2023-10-18 19:50:15 发布
最新推荐文章于 2023-10-18 19:50:15 发布
阅读量249 收藏 1
点赞数
文章标签： windows YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Graceful_scenery/article/details/132243413
版权

yolo v4源码是开源的，在github上可以下载，并且有很详细的使用说明，本文只是针对windows下环境的安装进行介绍。

一、环境搭建

本节将进行windows下环境的搭建，我们将需要安装下面各个软件，并且需要注意安装的软件是有版本要求的：

Requirements for Windows, Linux and macOS
CMake >= 3.18: https://cmake.org/download/
Powershell (already installed on windows): https://docs.microsoft.com/en-us/powershell/scripting/install/installing-powershell
CUDA >= 10.2: https://developer.nvidia.com/cuda-toolkit-archive (on Linux do Post-installation Actions)
OpenCV >= 2.4: use your preferred package manager (brew, apt), build from source using vcpkg or download from OpenCV official site (on Windows set system variable OpenCV_DIR = C:\opencv\build - where are the include and x64 folders image)
cuDNN >= 8.0.2 https://developer.nvidia.com/rdp/cudnn-archive (on Linux follow steps described here https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installlinux-tar , on Windows follow steps described here https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows)
GPU with CC >= 3.0: https://en.wikipedia.org/wiki/CUDA#GPUs_supported
Visual Studio 2017 or 2019
1.1 安装opencv

官网下载地址：https://opencv.org/releases/，下载速度较慢。

国内镜像：https://www.raoyunsoft.com/opencv/

这里我直接下载最新的版本：opencv-4.5.5-vc14_vc15.exe。

下载完成之后，双击直接解压，这里我解压到E:\Program Files路径下：

安装完成后，我们打开E:\Program Files\opencv：

然后我们配置环境变量，【此电脑】->【属性】->【高级系统设置】->【环境变量】：

在系统变量中添加以下数据：

OpenCV_DIR   E:\Program Files\opencv\build

再进入系统变量里的Path，添加如下数据：

E:\Program Files\opencv\build\x64\vc15\lib
E:\Program Files\opencv\build\x64\vc15\bin
1.2 安装Visual Studio

官网下载地址：https://visualstudio.microsoft.com/zh-hans/downloads/

安装的组件只需要“使用C++的桌面开发”，如果之前没有安装过，下载社区版本安装即可，这里我们选择Visual Studio 2017或者2019。
由于我之前已经安装了Visual Studio 2019所以就不重复安装了。

1.3 安装cuda

如果你使用的是NVIDIA显卡，cuda安装步骤参考windows和ubuntu下深度学习theano环境搭建 。

 NVIDIA驱动版本与CUDA版本对应关系https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html。

1.4 安装cuDNN

如果你使用的是NVIDIA显卡，cuDNN安装步骤参考windows和ubuntu下深度学习theano环境搭建 。

官方安装指导手册:https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html.

1.5 安装cmake

cmake官方下载地址：https://cmake.org/download/，下载速度比较慢；

国内下载镜像：https://cmake.org/files/。

要求cmake>= 3.18，这里我下载cmake-3.23.0-rc4-windows-x86_64.msi。双击直接安装，这里我安装到E:\Program Files\CMake。

下载完成后安装得到以下文件：

进入bin文件夹，这个cmake-gui就是我们要用程序：

二、源码下载

2.1 git下载源码

git是代码版本管理工具，由于yolo v4源码是放在github仓库中的，我们需要从git上下载源码，下载方式有两种：

  • 通过git 直接下载代码；
  • 到github上手动下载源码；

如果使用git下载，我们需要安装git工具：https://www.git-scm.com/download/。

安装成功后，假设我想将源码下载到路径：G:\人工智能\深度学习\36.目标检测\官方库，进入该路径下，右键：

 输入如下命令，开始下载源码：

git clone https://github.com/AlexeyAB/darknet.git

下载完成后，可以在当前路径看到：

2.2 环境变量配置

在系统变量Path中加入下载的darknet的位置：

G:\人工智能\深度学习\36.目标检测\官方库\darknet\build\darknet\x64
2.3 下载权重文件yolov4.weights

链接：https://pan.baidu.com/s/1koPg1amOlqIw5bLwv4Id_Q提取码：1234

将下载后的yolov4.weights文件放在darknet文件夹下：

将下载后的yolov4.cfg文件放在darknet/cfg文件夹下。

三、编译程序

3.1 使用cmake配置源码

由于cmake不支持中文路径，因此我将下载的yolo v4源码剪切到G盘根路径下。同时记得修改系统环境变量。

打开CMake，配置：

  • 源代码路径：G:/darknet；
  • 构建目标文件路径：G:/darknet；

点击左下角Configure,然后第一项选择我们安装的 Visual Studio 2019，第二项平台选择x64：

 

3.2 关闭CUDA

如果没有GPU，第一次编译的时候会出现如下错误：

cuda找不到，只好取消勾选不用GPU：

 

再次点击Configure，配置成功，会输出如下信息：

Darknet_VERSION: 0.2.5.4
vcpkg not found, toolchain not defined, using integrated libs on win32
Selecting Windows SDK version 10.0.19041.0 to target Windows 10.0.18363.
Looking for pthread.h
Looking for pthread.h - not found
Found Threads: TRUE  
Found PThreads4W: G:/darknet/3rdparty/pthreads/lib/pthreadVC2.lib  
PThreads4W_DLL_DIR: G:/darknet/3rdparty/pthreads/include/../bin
PThreads4W_DEBUG_DLL_DIR: G:/darknet/3rdparty/pthreads/include/../debug/bin
OpenCV ARCH: x64
OpenCV RUNTIME: vc15
OpenCV STATIC: OFF
Found OpenCV: E:/Program Files/opencv/build (found version "4.5.5") 
Found OpenCV 4.5.5 in E:/Program Files/opencv/build/x64/vc15/lib
You might need to add E:\Program Files\opencv\build\x64\vc15\bin to your PATH to be able to run your applications.
Found Stb: G:/darknet/3rdparty/stb/include  
Found OpenMP_C: -openmp (found version "2.0") 
Found OpenMP_CXX: -openmp (found version "2.0") 
Found OpenMP: TRUE (found version "2.0")  
ZED SDK not enabled, since it requires CUDA
Configuring done

需要注意的是如果没有GPU的话，图片可以识别分类没问题，但是视频识别没有用GPU就特别慢，像播放幻灯片一样。

3.3 编译代码

点击生成和打开项目：

 之后会自动打开vs，选择x64和Release，点击生成，这时生成文件即可：

将会输出如下编译信息：

已启动生成…
1>------ 已启动生成: 项目: ZERO_CHECK, 配置: Debug x64 ------
1>Checking Build System
2>------ 已启动生成: 项目: dark, 配置: Debug x64 ------
3>------ 已启动生成: 项目: darknet, 配置: Debug x64 ------
2>Building Custom Rule G:/darknet/CMakeLists.txt
2>用于 x64 的 Microsoft (R) C/C++ 优化编译器 19.29.30037 版
2>版权所有(C) Microsoft Corporation。保留所有权利。
2>cl /c /IG:\darknet\include /IG:\darknet\src /IG:\darknet\3rdparty\stb\include /I"E:\Program Files\opencv\build\include" /IG:\darknet\3rdparty\pthreads\include /Zi /W1 /WX- /diagnostics:column /Od /Ob0 /D _WINDLL /D _MBCS /D WIN32 /D _WINDOWS /D LIB_EXPORTS=1 /D USE_CMAKE_LIBS /D OPENCV /D _CRT_RAND_S /D NOMINMAX /D _USE_MATH_DEFINES /D _CRT_SECURE_NO_WARNINGS /D _TIMESPEC_DEFINED /D "CMAKE_INTDIR=\"Debug\"" /D dark_EXPORTS /Gm- /EHsc /RTC1 /MDd /GS /fp:fast /Zc:wchar_t /Zc:forScope /Zc:inline /GR /openmp /Fo"dark.dir\Debug\\" /Fd"dark.dir\Debug\vc142.pdb" /external:env:EXTERNAL_INCLUDE /external:W1 /Gd /TP /wd4013 /wd4018 /wd4028 /wd4047 /wd4068 /wd4090 /wd4101 /wd4113 /wd4133 /wd4190 /wd4244 /wd4267 /wd4305 /wd4477 /wd4996 /wd4819 /errorReport:prompt G:\darknet\src\yolo_v2_class.cpp G:\darknet\src\http_stream.cpp G:\darknet\src\image_opencv.cpp
2>yolo_v2_class.cpp
3>Building Custom Rule G:/darknet/CMakeLists.txt
3>用于 x64 的 Microsoft (R) C/C++ 优化编译器 19.29.30037 版
3>版权所有(C) Microsoft Corporation。保留所有权利。
3>cl /c /IG:\darknet\include /IG:\darknet\src /IG:\darknet\3rdparty\stb\include /I"E:\Program Files\opencv\build\include" /IG:\darknet\3rdparty\pthreads\include /Zi /W1 /WX- /diagnostics:column /Od /Ob0 /D _MBCS /D WIN32 /D _WINDOWS /D USE_CMAKE_LIBS /D OPENCV /D _CRT_RAND_S /D NOMINMAX /D _USE_MATH_DEFINES /D _TIMESPEC_DEFINED /D "CMAKE_INTDIR=\"Debug\"" /Gm- /EHsc /RTC1 /MDd /GS /fp:fast /Zc:wchar_t /Zc:forScope /Zc:inline /GR /openmp /Fo"darknet.dir\Debug\\" /Fd"darknet.dir\Debug\vc142.pdb" /external:env:EXTERNAL_INCLUDE /external:W1 /Gd /TC /wd4013 /wd4018 /wd4028 /wd4047 /wd4068 /wd4090 /wd4101 /wd4113 /wd4133 /wd4190 /wd4244 /wd4267 /wd4305 /wd4477 /wd4996 /wd4819 /errorReport:prompt G:\darknet\src\darknet.c G:\darknet\src\activation_layer.c G:\darknet\src\activations.c G:\darknet\src\art.c G:\darknet\src\avgpool_layer.c G:\darknet\src\batchnorm_layer.c G:\darknet\src\blas.c G:\darknet\src\box.c G:\darknet\src\captcha.c G:\darknet\src\cifar.c G:\darknet\src\classifier.c G:\darknet\src\coco.c G:\darknet\src\col2im.c G:\darknet\src\compare.c G:\darknet\src\connected_layer.c G:\darknet\src\conv_lstm_layer.c G:\darknet\src\convolutional_layer.c G:\darknet\src\cost_layer.c G:\darknet\src\cpu_gemm.c G:\darknet\src\crnn_layer.c G:\darknet\src\crop_layer.c G:\darknet\src\dark_cuda.c G:\darknet\src\data.c G:\darknet\src\deconvolutional_layer.c G:\darknet\src\demo.c G:\darknet\src\detection_layer.c G:\darknet\src\detector.c G:\darknet\src\dice.c G:\darknet\src\dropout_layer.c G:\darknet\src\gaussian_yolo_layer.c G:\darknet\src\gemm.c G:\darknet\src\getopt.c G:\darknet\src\gettimeofday.c G:\darknet\src\go.c G:\darknet\src\gru_layer.c G:\darknet\src\im2col.c G:\darknet\src\image.c G:\darknet\src\layer.c G:\darknet\src\list.c G:\darknet\src\local_layer.c G:\darknet\src\lstm_layer.c G:\darknet\src\matrix.c G:\darknet\src\maxpool_layer.c G:\darknet\src\network.c G:\darknet\src\nightmare.c G:\darknet\src\normalization_layer.c G:\darknet\src\option_list.c G:\darknet\src\parser.c G:\darknet\src\region_layer.c G:\darknet\src\reorg_layer.c G:\darknet\src\reorg_old_layer.c G:\darknet\src\representation_layer.c G:\darknet\src\rnn.c G:\darknet\src\rnn_layer.c G:\darknet\src\rnn_vid.c G:\darknet\src\route_layer.c G:\darknet\src\sam_layer.c G:\darknet\src\scale_channels_layer.c G:\darknet\src\shortcut_layer.c G:\darknet\src\softmax_layer.c G:\darknet\src\super.c G:\darknet\src\swag.c G:\darknet\src\tag.c G:\darknet\src\tree.c G:\darknet\src\upsample_layer.c G:\darknet\src\utils.c G:\darknet\src\voxel.c G:\darknet\src\writing.c G:\darknet\src\yolo.c G:\darknet\src\yolo_layer.c
3>darknet.c
3>activation_layer.c
3>activations.c
3>art.c
3>avgpool_layer.c
2>http_stream.cpp
3>batchnorm_layer.c
3>blas.c
3>box.c
3>captcha.c
3>cifar.c
3>classifier.c
3>coco.c
3>col2im.c
3>compare.c
3>connected_layer.c
3>conv_lstm_layer.c
3>convolutional_layer.c
3>cost_layer.c
3>cpu_gemm.c
3>crnn_layer.c
3>正在生成代码...
3>正在编译...
3>crop_layer.c
3>dark_cuda.c
3>data.c
3>deconvolutional_layer.c
3>demo.c
3>detection_layer.c
3>detector.c
3>dice.c
3>dropout_layer.c
3>gaussian_yolo_layer.c
3>gemm.c
3>getopt.c
3>gettimeofday.c
3>go.c
3>gru_layer.c
3>im2col.c
3>image.c
3>layer.c
3>list.c
3>local_layer.c
3>正在生成代码...
3>正在编译...
3>lstm_layer.c
3>matrix.c
3>maxpool_layer.c
3>network.c
3>nightmare.c
3>normalization_layer.c
2>image_opencv.cpp
3>option_list.c
3>parser.c
3>region_layer.c
3>reorg_layer.c
3>reorg_old_layer.c
3>representation_layer.c
3>rnn.c
3>rnn_layer.c
3>rnn_vid.c
3>route_layer.c
3>sam_layer.c
3>scale_channels_layer.c
3>shortcut_layer.c
3>softmax_layer.c
3>正在生成代码...
3>正在编译...
3>super.c
3>swag.c
3>tag.c
3>tree.c
3>upsample_layer.c
3>utils.c
3>voxel.c
3>writing.c
3>yolo.c
3>yolo_layer.c
2>正在生成代码...
3>正在生成代码...
3>用于 x64 的 Microsoft (R) C/C++ 优化编译器 19.29.30037 版
3>版权所有(C) Microsoft Corporation。保留所有权利。
3>cl /c /IG:\darknet\include /IG:\darknet\src /IG:\darknet\3rdparty\stb\include /I"E:\Program Files\opencv\build\include" /IG:\darknet\3rdparty\pthreads\include /Zi /W1 /WX- /diagnostics:column /Od /Ob0 /D _MBCS /D WIN32 /D _WINDOWS /D USE_CMAKE_LIBS /D OPENCV /D _CRT_RAND_S /D NOMINMAX /D _USE_MATH_DEFINES /D _TIMESPEC_DEFINED /D "CMAKE_INTDIR=\"Debug\"" /Gm- /EHsc /RTC1 /MDd /GS /fp:fast /Zc:wchar_t /Zc:forScope /Zc:inline /GR /openmp /Fo"darknet.dir\Debug\\" /Fd"darknet.dir\Debug\vc142.pdb" /external:env:EXTERNAL_INCLUDE /external:W1 /Gd /TP /wd4013 /wd4018 /wd4028 /wd4047 /wd4068 /wd4090 /wd4101 /wd4113 /wd4133 /wd4190 /wd4244 /wd4267 /wd4305 /wd4477 /wd4996 /wd4819 /errorReport:prompt G:\darknet\src\http_stream.cpp G:\darknet\src\image_opencv.cpp
3>http_stream.cpp
2>用于 x64 的 Microsoft (R) C/C++ 优化编译器 19.29.30037 版
2>版权所有(C) Microsoft Corporation。保留所有权利。
2>cl /c /IG:\darknet\include /IG:\darknet\src /IG:\darknet\3rdparty\stb\include /I"E:\Program Files\opencv\build\include" /IG:\darknet\3rdparty\pthreads\include /Zi /W1 /WX- /diagnostics:column /Od /Ob0 /D _WINDLL /D _MBCS /D WIN32 /D _WINDOWS /D LIB_EXPORTS=1 /D USE_CMAKE_LIBS /D OPENCV /D _CRT_RAND_S /D NOMINMAX /D _USE_MATH_DEFINES /D _CRT_SECURE_NO_WARNINGS /D _TIMESPEC_DEFINED /D "CMAKE_INTDIR=\"Debug\"" /D dark_EXPORTS /Gm- /EHsc /RTC1 /MDd /GS /fp:fast /Zc:wchar_t /Zc:forScope /Zc:inline /GR /openmp /Fo"dark.dir\Debug\\" /Fd"dark.dir\Debug\vc142.pdb" /external:env:EXTERNAL_INCLUDE /external:W1 /Gd /TC /wd4013 /wd4018 /wd4028 /wd4047 /wd4068 /wd4090 /wd4101 /wd4113 /wd4133 /wd4190 /wd4244 /wd4267 /wd4305 /wd4477 /wd4996 /wd4819 /errorReport:prompt G:\darknet\src\activation_layer.c G:\darknet\src\activations.c G:\darknet\src\art.c G:\darknet\src\avgpool_layer.c G:\darknet\src\batchnorm_layer.c G:\darknet\src\blas.c G:\darknet\src\box.c G:\darknet\src\captcha.c G:\darknet\src\cifar.c G:\darknet\src\classifier.c G:\darknet\src\coco.c G:\darknet\src\col2im.c G:\darknet\src\compare.c G:\darknet\src\connected_layer.c G:\darknet\src\conv_lstm_layer.c G:\darknet\src\convolutional_layer.c G:\darknet\src\cost_layer.c G:\darknet\src\cpu_gemm.c G:\darknet\src\crnn_layer.c G:\darknet\src\crop_layer.c G:\darknet\src\dark_cuda.c G:\darknet\src\data.c G:\darknet\src\deconvolutional_layer.c G:\darknet\src\demo.c G:\darknet\src\detection_layer.c G:\darknet\src\detector.c G:\darknet\src\dice.c G:\darknet\src\dropout_layer.c G:\darknet\src\gaussian_yolo_layer.c G:\darknet\src\gemm.c G:\darknet\src\getopt.c G:\darknet\src\gettimeofday.c G:\darknet\src\go.c G:\darknet\src\gru_layer.c G:\darknet\src\im2col.c G:\darknet\src\image.c G:\darknet\src\layer.c G:\darknet\src\list.c G:\darknet\src\local_layer.c G:\darknet\src\lstm_layer.c G:\darknet\src\matrix.c G:\darknet\src\maxpool_layer.c G:\darknet\src\network.c G:\darknet\src\nightmare.c G:\darknet\src\normalization_layer.c G:\darknet\src\option_list.c G:\darknet\src\parser.c G:\darknet\src\region_layer.c G:\darknet\src\reorg_layer.c G:\darknet\src\reorg_old_layer.c G:\darknet\src\representation_layer.c G:\darknet\src\rnn.c G:\darknet\src\rnn_layer.c G:\darknet\src\rnn_vid.c G:\darknet\src\route_layer.c G:\darknet\src\sam_layer.c G:\darknet\src\scale_channels_layer.c G:\darknet\src\shortcut_layer.c G:\darknet\src\softmax_layer.c G:\darknet\src\super.c G:\darknet\src\swag.c G:\darknet\src\tag.c G:\darknet\src\tree.c G:\darknet\src\upsample_layer.c G:\darknet\src\utils.c G:\darknet\src\voxel.c G:\darknet\src\writing.c G:\darknet\src\yolo.c G:\darknet\src\yolo_layer.c
2>activation_layer.c
2>activations.c
2>art.c
2>avgpool_layer.c
2>batchnorm_layer.c
2>blas.c
2>box.c
2>captcha.c
2>cifar.c
2>classifier.c
2>coco.c
2>col2im.c
2>compare.c
2>connected_layer.c
2>conv_lstm_layer.c
2>convolutional_layer.c
2>cost_layer.c
2>cpu_gemm.c
2>crnn_layer.c
2>crop_layer.c
2>正在生成代码...
2>正在编译...
2>dark_cuda.c
2>data.c
2>deconvolutional_layer.c
2>demo.c
2>detection_layer.c
2>detector.c
2>dice.c
2>dropout_layer.c
2>gaussian_yolo_layer.c
2>gemm.c
2>getopt.c
2>gettimeofday.c
2>go.c
2>gru_layer.c
2>im2col.c
2>image.c
2>layer.c
3>image_opencv.cpp
2>list.c
2>local_layer.c
2>lstm_layer.c
2>正在生成代码...
2>正在编译...
2>matrix.c
2>maxpool_layer.c
2>network.c
2>nightmare.c
2>normalization_layer.c
2>option_list.c
2>parser.c
2>region_layer.c
2>reorg_layer.c
2>reorg_old_layer.c
2>representation_layer.c
2>rnn.c
2>rnn_layer.c
2>rnn_vid.c
2>route_layer.c
2>sam_layer.c
2>scale_channels_layer.c
2>shortcut_layer.c
2>softmax_layer.c
2>super.c
2>正在生成代码...
2>正在编译...
2>swag.c
3>正在生成代码...
2>tag.c
2>tree.c
2>upsample_layer.c
2>utils.c
2>voxel.c
2>writing.c
2>yolo.c
2>yolo_layer.c
2>正在生成代码...
3>darknet.vcxproj -> G:\darknet\Debug\darknet.exe
2>  正在创建库 G:/darknet/Debug/darknetd.lib 和对象 G:/darknet/Debug/darknetd.exp
2>dark.vcxproj -> G:\darknet\Debug\darknetd.dll
4>------ 已启动生成: 项目: uselib, 配置: Debug x64 ------
4>Building Custom Rule G:/darknet/CMakeLists.txt
4>用于 x64 的 Microsoft (R) C/C++ 优化编译器 19.29.30037 版
4>版权所有(C) Microsoft Corporation。保留所有权利。
4>cl /c /IG:\darknet\include /IG:\darknet\src /IG:\darknet\3rdparty\stb\include /I"E:\Program Files\opencv\build\include" /IG:\darknet\3rdparty\pthreads\include /Zi /W1 /WX- /diagnostics:column /Od /Ob0 /D _MBCS /D WIN32 /D _WINDOWS /D USE_CMAKE_LIBS /D _CRT_RAND_S /D NOMINMAX /D _USE_MATH_DEFINES /D OPENCV /D _CRT_SECURE_NO_WARNINGS /D "CMAKE_INTDIR=\"Debug\"" /Gm- /EHsc /RTC1 /MDd /GS /fp:fast /Zc:wchar_t /Zc:forScope /Zc:inline /GR /openmp /Fo"uselib.dir\Debug\\" /Fd"uselib.dir\Debug\vc142.pdb" /external:env:EXTERNAL_INCLUDE /external:W1 /Gd /TP /wd4013 /wd4018 /wd4028 /wd4047 /wd4068 /wd4090 /wd4101 /wd4113 /wd4133 /wd4190 /wd4244 /wd4267 /wd4305 /wd4477 /wd4996 /wd4819 /errorReport:prompt G:\darknet\src\yolo_console_dll.cpp
4>yolo_console_dll.cpp
4>uselib.vcxproj -> G:\darknet\Debug\uselib.exe
5>------ 已启动生成: 项目: ALL_BUILD, 配置: Debug x64 ------
5>Building Custom Rule G:/darknet/CMakeLists.txt
6>------ 已启动生成: 项目: INSTALL, 配置: Debug x64 ------
6>-- Install configuration: "Debug"
6>-- Installing: G:/darknet/darknetd.lib
6>-- Installing: G:/darknet/darknetd.dll
6>-- Installing: G:/darknet/include/darknet/darknet.h
6>-- Installing: G:/darknet/include/darknet/yolo_v2_class.hpp
6>-- Installing: G:/darknet/uselib.exe
6>-- Installing: G:/darknet/darknet.exe
6>-- Installing: G:/darknet/share/darknet/DarknetTargets.cmake
6>-- Installing: G:/darknet/share/darknet/DarknetTargets-debug.cmake
6>-- Installing: G:/darknet/share/darknet/DarknetConfig.cmake
6>-- Installing: G:/darknet/share/darknet/DarknetConfigVersion.cmake
========== 生成: 成功 6 个，失败 0 个，最新 0 个，跳过 0 个 ==========
View Code

这时我们的目录下会出现这个文件：

四、运行程序

4.1 识别图片

在G:\darknet\data路径下有一个dog.jpg文件：

在G:\darknet路径下，打开cmd控制台运行如下命令：

./darknet.exe detect cfg\yolov4.cfg yolov4.weights data\dog.jpg

输出如下：

4.2 摄像头识别

打开电脑摄像头识别监控画面(需要提前开启摄像头权限)：

./darknet.exe detector demo cfg\coco.data cfg\yolov4.cfg yolov4.weights

如果没有使用GPU的话，这里识别会分非常卡顿。

4.3 视频识别

识别视频(视频放到data目录下)：

./darknet.exe detector demo cfg\coco.data cfg\yolov4.cfg yolov4.weights .\data\xxx.mp4

五、训练VOC 2012数据集

5.1 数据集下载

这里以下载Pascal VOC 2012数据集为例，VOC 2012是VOC2007数据集的升级版，每张图片都有标注，标注的物体包括人、动物(如猫、狗、鸟等)、交通工具(如车、船飞机等)、家具(如椅子、桌子、沙发等)在内的20个类别。

首先下载数据集，下载地址为：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar。

下载完成后，加压到G:/darknet下，得到一个解压后，得到一个VOCdevkit文件夹：

JPEGImages文件夹中包含了PASCAL VOC提供的所有的就jpg图片，共计17125张，包括了训练和测试图片。

这些图像都以“年份_编号.jpg”格式命名。

图片的像素尺寸大小不一，但是横向图的尺寸大约在500*375左右，纵向图的尺寸大约在375*500左右，长宽均不会超过512。

对于每一张图像，都在Annotations文件夹中存放有对应的xml文件。保存着物体框的标注，包括图片文件名，图片大小，图片边界框等信息。

以2007_000027.xml为例：

<annotation>
    #数据所在的文件夹名
    <folder>VOC2012</folder>
    #图片名称
    <filename>2007_000027.jpg</filename>
    <source>
        <database>The VOC2007 Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
    </source>
    #图片的宽和高
    <size>
        <width>486</width>
        <height>500</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
       #类别名
        <name>person</name>
       #物体的姿势
        <pose>Unspecified</pose>
       #物体是否被部分遮挡 
        <truncated>0</truncated>
       ##是否为难以辨识的物体， 主要指要结合背景才能判断出类别的物体。虽有标注， 但一般忽略这类物体 跳过难以识别的？
        <difficult>0</difficult>
       #边界框
        <bndbox>
            <xmin>174</xmin>
            <ymin>101</ymin>
            <xmax>349</xmax>
            <ymax>351</ymax>
        </bndbox>
       #下面的数据是人体各个部位边界框
        <part>
            <name>head</name>           
            <bndbox>
                <xmin>169</xmin>
                <ymin>104</ymin>
                <xmax>209</xmax>
                <ymax>146</ymax>
            </bndbox>
        </part>
        <part>
            <name>hand</name>
            <bndbox>
                <xmin>278</xmin>
                <ymin>210</ymin>
                <xmax>297</xmax>
                <ymax>233</ymax>
            </bndbox>
        </part>
        <part>
            <name>foot</name>
            <bndbox>
                <xmin>273</xmin>
                <ymin>333</ymin>
                <xmax>297</xmax>
                <ymax>354</ymax>
            </bndbox>
        </part>
        <part>
            <name>foot</name>
            <bndbox>
                <xmin>319</xmin>
                <ymin>307</ymin>
                <xmax>340</xmax>
                <ymax>326</ymax>
            </bndbox>
        </part>
    </object>
</annotation>
View Code

ImageSets文件夹包括Action Layout Main Segmentation四部分：

Action存放的是人的动作(running、jumping等等)；

Layout存放人体部位数据(人的head、hand、feet等等)；

Main存放的是图像物体识别数据，总共分为20类；

Segmentation：存放的是可用于语义分割的数据：

SegmentationClass保存了分割后的标签图(2913张png图片)，标注出了每一个像素属于哪一个类别：

SegmentationObject保存了分割后的标签图(759张png图片)，标注出了每一个像素属于哪一个具体的物体：

其中./scripts/voc_label.py代码可以给训练集/验证集/测试集数据集打标签，将voc_label.py放到VOCdevkit文件夹下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]


def convert(size, box):          # box由实际像素(xmin,xmax,ymin,ymax)，转换成归一化的(w,y,w,h) 
    dw = 1./(size[0])            # 1/width 单位宽像素长度
    dh = 1./(size[1])            # 1/heigh 单位高像素长度 
    x = (box[0] + box[1])/2.0 - 1   #(xmin + xmax)/2-1
    y = (box[2] + box[3])/2.0 - 1   #(ymin + ymax)/2-1
    w = box[1] - box[0]             # box宽所占像素数
    h = box[3] - box[2]             # box高所占像素数 
    x = x*dw                        # 即归一化后的中心坐标x
    w = w*dw                        # 即归一化后的宽
    y = y*dh                        # 即归一化后中心坐标y
    h = h*dh                        # 即归一化后的高
    return (x,y,w,h)

def convert_annotation(year, image_id):   # 将xml标签文件数据，进行处理后，并写入txt文件中
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)       # 解析xml
    root = tree.getroot()        # 获取根节点
    size = root.find('size')     # 获取图片大小 width、height、depth
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):                      # 获取图片标注信息
        difficult = obj.find('difficult').text           # 是否是难以识别的 如果是，跳过 
        cls = obj.find('name').text                      # 类别名  
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)                      # 类别所对应的id         
        xmlbox = obj.find('bndbox')                      # 边界框    
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)                           # 转换成归一化之后的(x,y,w,h)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')  # 写入 class_id x y w h

wd = getcwd() # 获取当前工作路径

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):   # 创建标签文件夹，
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split() #获取所有的用于训练的图片文件名列表
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)    #xml标注文件转为txt类型标准文件
    list_file.close()

os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

大概介绍一下这段程序：

  • 读取VOCdevkit\VOC2012\ImageSets\Main\train.txt，获取用来训练的图片文件的文件名列表 ，一共5717个；
  • 遍历这5717个文件名，向./2012_train.txt文件中写入文件全路径；同时获取每个文件的xml标注信息，并进行处理，获取目标类别，以及归一化后的边界框信息，写入lebal下的文件名.text文件中；
  • 读取VOCdevkit\VOC2012\ImageSets\Main\val.txt，获取用来验证的图片文件的文件名列表 ，一共5823个；
  • 遍历这5823个文件名，向./2012_val.txt文件中写入文件全路径；同时获取每个文件的xml标注信息，并进行处理，获取目标类别，以及归一化后的边界框信息，写入lebal下的文件名.text文件中；

我们需要修改代码sets：

sets=[('2012', 'train'), ('2012', 'val')]

由于我们是windows系统，因此屏蔽掉最后os.system相关代码。

我们运行这个程序，需要注意的是这个文件不可以直接运行，因为如果直接运行那么当前程序运行的目录就是当前文件，此时会找不到VOCdevkit文件夹。因此我们需要在Terminal中运行：

python ./VOCdevkit/voc_label.py

运行完后，在G:\darknet\VOCdevkit\VOC2012\labels下生成11540个文件：

同时在G:\darknet下生成这两个文件：

将这两个文件拷贝到G:\darknet\VOCdevkit：

并将名字修改为train.txt、val.txt。

5. 2 配置文件

在G:\darknet\VOCdevkit下创建data文件夹，复制G:\darknet\cfg文件夹下的voc.data到data文件夹下，并根据实际情况修改文件内容(路径中使用/，不要使用\)：

classes= 20
train  = G:/darknet/VOCdevkit/train.txt
valid  = G:/darknet/VOCdevkit/val.txt
names = G:/darknet/VOCdevkit/data/voc.names
backup = G:/darknet/VOCdevkit/backup

复制G:\darknet\data目录下的voc.name到data文件夹：

aeroplane
bicycle
bird
boat
bottle
bus
car
cat
chair
cow
diningtable
dog
horse
motorbike
person
pottedplant
sheep
sofa
train
tvmonitor

这里存放的是每个标签的名字。

在G:\darknet\VOCdevkit下创建cfg文件夹，从G:\darknet\cfg下复制一个配置文件作为我们的配置文件，这里我选择复制yolov4.cfg到G:\darknet\VOCdevkit\cfg文件夹下，yolov4.cfg里面存放的是网络参数以及网络结构信息，并进行修改：

  • 将classes=80 改为你的类别数20(一共三处)；
  • 改正[filters=255] 为 filters=(classes + 5)x3 =75(位置为查找yolo，每个yolo前的[convolutional]里，注意只修改最接近yolo的那个filters需要修改，一共应该有三处)；
  • 修改max_batches=classes*2000，也就是40000；
  • 修改steps为80% 到 90% 的max_batches值  比如max_batches=40000，则steps=32000,36000；
5.3 训练

shift+右键，G:\darknet路径下打开 PowerShell 窗口。

当没有预训练模型，执行以下代码：

./darknet.exe detector train VOCdevkit/data/voc.data VOCdevkit/cfg/yolov4.cfg

如果有yolov4预训练权重yolov4.conv.137：下载路径链接：

./darknet.exe detector train VOCdevkit/data/voc.data VOCdevkit/cfg/yolov4.cfg yolov4.conv.137

软件开始执行训练命令，正常会显示Loss表界面和一个不断刷新数据的命令行界面； 这里由于我的电脑没有GPU跑的非常慢，这里我就不演示了。

如果有问题，几分钟内就会报错，一般的错误主要是文件找不到或者内存不够等，请仔细检查以上步骤的所有文件名和路径，如果是内存不够，可以修改cfg配置文件中前几行中的batch(改小，比如32)和subdivisions(改大，比如32)的数字后，再试。

跑完是这样的，每训练 100次会自动保存一次，训练生成的权重文件在G:\darknet\VOCdevkit\backup目录下，名字为yolov4-tiny_last.weights：

5.4 预测

训练结束了，现在可以测试训练结果了，复制一份刚才训练的 yolov4-tiny_last.weights保存到VOCdevkit/weights路径下。

复制yolov4.cfg文件并且重命名为yolov4-test.cfg，修改其中的参数：

batch=1
subdivisions=1

运行以下代码测试：

./darknet.exe detector test VOCdevkit/data/voc.data VOCdevkit/cfg/yolov4-test.cfg VOCdevkit/weights/yolo.voc.weights  xxx.jpg

六、训练自己的数据

这里以从网上找到的磁块的缺陷裂缝检测的项目为例，具体数据可以参考博客提供软件环境和工业数据集下载]工业瑕疵缺陷检测实战：Windows下基于YOLOv4和OpenCV4深度学习训练自己的数据集和前端软件，效果意外的好。样本数据大致如下图：

6.1 labelImg工具安装

首先我们要去下载标准工具，labelImg下载链接：。labelImg工具适用于图像检测的数据集制作，可以直接生成yolo的标注格式。

我们在我们G:/darknet路径下，使用git下载源码：

git clone https://github.com/tzutalin/labelImg.git

下载完成后，会在当前路径看到：

使用开发工具spyder++或者pycharm打开这个项目，要求python版本3.0+：

安装必要的包，在Terminal下执行如下代码，安装比较慢耐心等待：

pip install pyqt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/
pyrcc5 -o libs/resources.py resources.qrc

然后在Terminal，运行如下命令，打开labelImg程序(或者直接运行labelImg.py里面的main函数)：

python labelImg.py

程序界面如下：

 

如果想将python代码打包生成exe可执行文件，执行如下命令即可：

pip install pyinstaller -i https://pypi.tuna.tsinghua.edu.cn/simple/
pyinstaller --hidden-import=pyqt5 --hidden-import=lxml -F -n "labelImg" -c labelImg.py -p ./libs -p ./

此时会在dist路径下生成exe文件：

6.2 数据集文件配置

我们在G:\darknet路径下创建一个文件夹Magnet，文件夹格式如下：

Magnet      
    Annotations       #放入所有的xml文件
    ImageSets    
        Main          #放入train.txt,val.txt文件
    JPEGImages        #放入所有的训练图片文件
    labels            #放入所有的txt文件，会自动生成此文件夹
    TESTImages        #放入所有的测试图片文件   
    cfg               #yolov4网络配置
    data              #训练集数据信息

然后把部分样本图片放到G:\darknet\Magnet\JPEGImages路径下，这里我选取了一共116张用于训练和验证图片。

下面我们在G:\darknet\Magnet下创建一个python文件prepare.py，

"""
预处理工作

@author zy
@since 2022/03/26
"""
import os


def generate_train_and_val_txt():
    '''
    遍历JPEGImages路径下所有文件名，并按照4:1,将数据分成训练集和验证集
    并把全路径写入train.txt,val.txt
    :return:
    '''
    # 获取当前工作路径
    pwd = os.getcwd()
    # 训练集和验证集图片所在路径
    source_folder = os.path.join(pwd, 'JPEGImages')
    # train.txt文件路径
    train_text = os.path.join(pwd, 'ImageSets/Main/train.txt')
    # val.txt文件路径
    val_test = os.path.join(pwd, 'ImageSets/Main/val.txt')

    # 判断文件是否存在，存在删除
    if os.path.exists(train_text):
        os.remove(train_text)

    # 判断文件是否存在，存在删除
    if os.path.exists(val_test):
        os.remove(val_test)

    with open(train_text, 'a') as train_file:
        with open(val_test, 'a') as val_file:
            count = 0
            # 遍历所有图片
            for file_name in os.listdir(source_folder):
                file_path = os.path.join(source_folder, file_name)
                count = count + 1
                # 每隔4张选取一张验证集
                if count % 5 == 0:
                    val_file.write(file_path + '\n')
                else:
                    train_file.write(file_path + '\n')


if __name__ == '__main__':
    generate_train_and_val_txt()

然后运行该程序，会在ImageSets/Main文件夹下生成如下文件：

Main文件夹中的文件分别表示train.txt是训练集，val.txt是验证集。

然后将这两个文件复制到G:\darknet\Magnet路径下。

在G:\darknet\Magnet\data下新建magnet.data，内容如下：

classes= 3
train  = G:/darknet/Magnet/train.txt
valid  = G:/darknet/Magnet/val.txt
names = G:/darknet/Magnet/data/magnet.names
backup = G:/darknet/Magnet/backup

在G:\darknet\Magnet\data下新建magnet.names，内容如下：

rip
gap
label

这里我们定义三类标签，名字分别为rip、gap、label。

从G:\darknet\cfg下复制一个配置文件作为我们的配置文件，由于我们的样本和缺陷类别都比较少，所以这里我选择tiny yolov4，tiny yolov4是简化版本的yolov4，主要是为了满足计算能力紧张的开发者使用和学习。tiny yolov4在准确度上会有相当的下降，但是在运算时间上，也会有相当大的提升。

这里我选择复制yolov4-tiny.cfg到G:\darknet\Magnet\cfg文件夹下，yolov4-tiny.cfg里面存放的是网络参数以及网络结构信息，并进行修改：

  • 将classes=80 改为你的类别数3(一共2处)；
  • 改正[filters=255] 为 filters=(classes + 5)x3 =24(位置为查找yolo，每个yolo前的[convolutional]里，注意只修改最接近yolo的那个filters需要修改，一共应该有2处)；
  • 修改max_batches=classes*2000，也就是6000；
  • 修改steps为80% 到 90% 的max_batches值  比如max_batches=6000，则steps=4800,5400；
  • 修改batch=32,subdivisions=8；
6.3 数据打标签

给图片标记缺陷位置和类型：打开labelImg软件，在labelImg中点击“打开目录”打开数据集图片所在的文件夹为G:\darknet\Magnet\JPEGImages，如下图:

在labelImg中点击“改变存放目录”按钮，选择保存标签数据的路径为G:\darknet\Magnet\Annotations，如下图

配置好路径后，就可以开始标记了，软件的右下角会目录下的图片列表，点击软件左侧的左右箭头可以切换下一张图片查看标记，软件左下角按钮可以添加编辑标记。

标签名字暂时只能用英文，标签的名字要记住，后面还要用，本项目定义了三类标签，名字分别为rip、gap、label。

有缺陷的要标记，没有缺陷的图片或者不想训练的图片，不用标记，每标记完一个图片，Ctrl + S保存后，会在G:\darknet\Magnet\Annotations下生成相应的标签文件，吗，默认是PascalVOC格式，这里以0001.xml为例：

<annotation>
    <folder>JPEGImages</folder>
    <filename>0001.jpg</filename>
    <path>G:\darknet\Magnet\JPEGImages\0001.jpg</path>
    <source>
        <database>Unknown</database>
    </source>
    <size>
        <width>1280</width>
        <height>960</height>
        <depth>1</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>gap</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>883</xmin>
            <ymin>401</ymin>
            <xmax>917</xmax>
            <ymax>450</ymax>
        </bndbox>
    </object>
    <object>
        <name>gap</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>879</xmin>
            <ymin>491</ymin>
            <xmax>914</xmax>
            <ymax>540</ymax>
        </bndbox>
    </object>
</annotation>

我们可以通过修改格式将标签数据直接转换成YOLO训练所需要的格式：

这里我们标记完一共生成116个txt文件：

比如0001.txt：

0 0.703125 0.443229 0.026562 0.051042
0 0.700391 0.536979 0.027344 0.051042

然后我们将这些文件直接复制到G:\darknet\Magnet\labels路径下。

6.4 训练

shift+右键，G:\darknet路径下打开 PowerShell 窗口。

当没有预训练模型，执行以下代码：

./darknet.exe detector train Magnet/data/magnet.data Magnet/cfg/yolov4-tiny.cfg

如果有tiny yolov4预训练权重yolov4-tiny.conv.29：下载路径链接：https://pan.baidu.com/s/16b7GpOU50B2YkjriVQl1UQ

./darknet.exe detector train Magnet/data/magnet.data Magnet/cfg/yolov4-tiny.cfg yolov4-tiny.conv.29

跑完是这样的，每训练 100次会自动保存一次，训练生成的权重文件在G:\darknet\Magnet\backup目录下，名字为yolov4-tiny_last.weights。

6.5 预测

训练结束了，现在可以测试训练结果了，复制一份刚才训练的yolov4-tiny_last.weights保存到Magnet/weights路径下。

复制yolov4-tiny.cfg文件并且重命名为yolov4-tiny-test.cfg，修改其中的参数：

batch=1
subdivisions=1

运行以下代码测试：

 ./darknet.exe detector test ./Magnet/data/magnet.data ./Magnet/cfg/yolov4-tiny-test.cfg ./Magnet/weights/yolov4-tiny_last.weights ./Magnet/TESTImages/2002.jpg

参考文章

[1]YOLOv4手把手教程！从配置环境，带你跑通代码！

[2]win10 + YOLOv4 + CPU/GPU最全面配置教程

[3]AlexeyAB/darknet 

[4]【机器视觉】YOLOv4 手把手实操：制作数据集、训练权重、测试

[5][提供软件环境和工业数据集下载]工业瑕疵缺陷检测实战：Windows下基于YOLOv4和OpenCV4深度学习训练自己的数据集和前端软件，效果意外的好

[6]fox1986487 / YOLOV4_YOLOV4_TINY

[7](tiny) YOLOv4 详细训练指南(附下载链接)

[8]Could not locate zlibwapi.dll. Please make sure it is in your library path

[9]https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#install-zlib-windows

Graceful_scenery
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
编译好的 windows版yolov4 库
01-13
编译好的 windows版yolov4 库
YOLO（三）：YOLOv4在Windows7（仅CPU）下的配置+opencv3.1.0+VS2015
sinat_34897952的博客
07-08 3474
提醒：本文为64位Windows7操作系统下仅CPU(木有用到显卡)的配置，这是填上一篇YOLOv4的坑（上一篇中有使用到显卡，对于没有显卡但也想跑一下试试的同学可以过来坐坐），构建自己的数据集训练问题还得往后延一下，后期再更新。 主要参考： YOLO V4 ：win10+cpu环境的体验 上一篇的YOLOv4在windows7搭载的GTX960显卡配置好之后，无意中看到上面那篇文章，因为自己在之前查找教程的时候，有几个使用cmake生成的例程，但自己一直没跑通，后面就换了一位同学的方法实现。这次看到这个不
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）
热门推荐
diadestiny的博客
04-26 1万+
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（...
YOLOV4-tiny WIN10 部署
highoooo的博客
11-09 962
# YOLOV4-tiny WIN10 部署
Windows10系统下YOLOv4—Darknet训练过程
qq_45445740的博客
08-27 4950
一.环境准备 Windows10+CUDA10.0+Opencv3.4+VS2017 PS：一定要先安装VS，再安装CUDA，不然会报错，因为这个bug我搞了大半天，还是晚上逛别人博客时才看到的。 1.VS2017安装 https://msdn.itellyou.cn/ 可以去这里下载，安装时选择基本的C++库即可。 2.Opencv安装 二级目录 三级目录 ...
Window环境下运行YOLO v4目标检测算法
12-21
YOLO v4是一种最新提出...作者提供了三种编译方式，我们选择第三种，同时也是YOLO v3和YOLO v2等使用的传统方式。 首先确定你的CUDA10已经正确安装，在cmd中运行： nvcc -V 如果正确显示，进行接下来的步骤。 下载Op
搭建YOLO开发环境（Windows系统、Python3.8、TensorFlow2.3版本）.pdf
06-26
本文旨在详细介绍如何在Windows环境下搭建YOLO开发环境，并特别关注Python 3.8以及TensorFlow 2.3版本的配置。通过本指南，读者将能够了解并实践搭建基于CPU和GPU的YOLO开发环境的全过程。 #### 二、搭建环境参数 ...
yolo v4 的代码-darknet-master-yolo-v4
04-24
7. **Anchor机制**：YOLOv4沿用了YOLO系列的Anchor Box机制，通过预先设定的参考框来加速预测过程，并优化了Anchor的大小和比例，以适应更多种类的物体。 8. **技术融合**：YOLOv4还整合了其他先进的目标检测技术，...
tensorflow版本的YOLO v3-Windows系统下亲测可运行(Python).rar
04-17
tensorflow版本的YOLO v3，在Windows系统下亲测可运行，代码完整，包含训练测试demo等等，上手简单容易，无需复杂的环境，tensorflow版本的YOLO v3，在Windows系统下亲测可运行，代码完整，包含训练测试demo等等，...
yolo模型改进，环境搭建，手机部署
最新发布
08-03
yolo模型改进，环境搭建，手机部署
windows版yolov4人脸口罩检查.zip
06-13
本资源提供了yolov4人脸口罩检查的方法
yoloV4自己的数据集.zip
04-29
刚刚出了yoloV4，相信很多人都需要使用并训练测试，数据集的处理和获取很麻烦，这个是我自己的训练数据集，已经训练过了没任何问题，需要调试源码的随时联系。YOLO V4自己的数据集。
yolov4-conv-137 和 yolov4-weights
05-07
yolov4: yolov4-conv-137 预训练模型 + yolov4 作者训练好的模型 不想花积分的，可以去这个链接直接下载：https://blog.csdn.net/baobei0112/article/details/105971290
yolov2 linux windows,WIN10+YOLOv4，windows上完美执行YOLOv4目标检测
weixin_36299472的博客
05-05 170
实验室大佬在Ubuntu16.04上轻松实现，我也来个Win10版的~先上一张成功检测的结果图： 正文开始1 软件安装我的软件环境：WIN10，CUDA10.2，cuDNN7.6.5，python3.7，VS2019，OpenCV3.4.2硬件环境：GTX2080Ti ×2，80G内存 1.1 下载安装NVIDIA显卡驱动设备管理器查看自己电脑的显卡型号，然后进入NVIDIA驱动下载，下载对应硬件...
YOLOV4在windows和linux系统中的使用（非GPU版）
feifei890128的博客
01-30 1232
文章目录前言一、Windows环境下运行YOLOV41.运行环境2.下载源代码3.将工程导入到Visual Studio20194.编译生成可执行文件5.检验可执行文件效果二、使用步骤1.引入库2.读入数据总结 前言 最近对图像识别比较感兴趣，于是就想了解一下比较流行的YOLO算法，在这里我学习的是YOLOV4版本的，目前不使用GPU的情况下已经可以运行，使用GPU的情况正在研究，在这里也算是自己的一个阶段性总结，写出来算是给想了解YOLOV4的同学们一个借鉴，希望能够少走一些弯路。 一、Windows环
深度学习YOLOv4环境配置
m0_61598337的博客
10-18 1869
CUDA(ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。CUDA是一种由NVIDIA推出的。
YOLO（二）：YOLOv4在Windows7（GTX960）下的配置+opencv3.1.0+VS2015
sinat_34897952的博客
06-10 3238
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
win10 下安装YOLOv4的全过程记录
z641538329的博客
11-23 2467
win10 下安装YOLOv4的全过程记录 1. 环境搭建 这里所有的依赖环境都有版本要求 1.1 安装编译工具CMake YOLO作者只推荐windows用户使用两种build方式，一种是使用CMake进行项目构建。推荐使用CMake GUI，傻瓜式操作。 在官网下载即可：https://cmake.org/download/ ，注意版本需要CMake >= 3.12 1.2 安装CUDA CUDA是NVIDIA推出的一个计算平台，可以让CPU和GPU协同工作，各自发挥最大的效用。 https:
Windows下的YOLOV4配置VS
Beings41的博客
09-12 608
YOLOV4配置VS yolov4的VS配置过程和yolov3的配置过程是大致一样的。配置就是配置opencv和CUDA。 配置软件： VS2019 opencv3.4.10 CUDA10.1和cudnn7.6.4 1、首先安装vs2019，安装过程直接一路next，选择自己需要的模块，C++的桌面开发要选上 后面就是漫长的等待安装。 2、后面就是安装CUDA。安装CUDA的时候需要选择自己计算机显卡对应的CUDA版本。通过NVINIA控制面板可以查看。 参考文章：https://blog.csdn.n
yolo_obb能不能在windows环境下运行
05-01
为了在Windows环境下运行YOLO_OBB，需要进行一些配置和安装，例如安装CUDA和OpenCV等必要的库和驱动程序，同时还需要下载YOLO_OBB源代码并进行编译和安装。这些步骤需要在Windows环境下按照特定的步骤进行，以确保...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Graceful_scenery

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值