libtorch学习历程（一）：libtorch2.4.0+opencv4.10+Qt6安装

开发环境

• Win11
• RTX4060
• CUDA12.1
• libtorch 2.4.0 ,CUDA12.1,release版
• VS2022
• opencv4.10版本
• Qt 6.6.3

软件下载

libtorch下载

直接去pytorch官网下载即可，根据需要下载realease与debug版。
而CUDA的版本则查看CUDA版本教程，来选择合适的。


debug版与release版在使用上的区别：

• release版构建与运行更快，但不能直接进行调试，需要进行配置。
• debug版构建与运行较慢，但可以进行调试。

opencv下载

直接去官网下载即可。

VS2022下载

直接去官网下载即可，安装是选择C++的桌面开发即可。

然后在单个组件部分，安装Window 10 SDK，以及msvc15/17/19备用。

Qt6安装

由于libtorch在2.1版本后，需要使用Qt6以及MSVC19，因此这里安装Qt6。
若是旧版本的，可以参考这个链接：旧版本libtorch配置

按照Qt6安装教程进行安装，亲测中国科学技术大学：http://mirrors.ustc.edu.cn/qtproject/ 的镜像可用。

选择组件时，将MSVC2019与MinGW选上，其余的看自己需要。

安装完成后，打开Qt Creator，打开构建套件，查看编译器，可以看到Qt自动识别到的编译器。
这要使用的是红框中的编译器。

打开构建套件，可以看到安装时选择的MSVC与MinGW。
查看MSVC的配置，可以看到所使用的编译器。

Qt项目配置

新建一个Qt的UI项目，配置pro文件，使得项目可以使用libtorch与opencv。

debug版与release版的pro文件设置基本一样，只是文件名可能需要修改。
我这里是release版的。

INCLUDEPATH += 你的opencv地址/opencv/build/include
INCLUDEPATH += 你的libtorch地址/libtorch/include
INCLUDEPATH += 你的libtorch地址/libtorch/include/torch/csrc/api/include
INCLUDEPATH += 你的libtorch地址/libtorch/include/torch/csrc/api/include/torch

DEPENDPATH += 你的libtorch地址/libtorch/include
DEPENDPATH += 你的libtorch地址/libtorch/include/torch/csrc/api/include

LIBS += -L你的opencv地址/opencv/build/x64/vc16/lib -lopencv_world4100
LIBS += -L你的libtorch地址/libtorch/lib \
        -lasmjit \
        -lc10 \
        -lc10_cuda \
        -lcaffe2_nvrtc \
        -lcpuinfo \
        -ldnnl \
        -lfbgemm \
        -lfbjni \
        -lfmt \
        -lkineto \
        -llibprotobuf \
        -llibprotobuf-lite \
        -llibprotoc \
        -lpthreadpool \
        -lpytorch_jni \
        -lsleef \
        -ltorch \
        -ltorch_cpu \
        -ltorch_cuda \
        -lXNNPACK
        
LIBS += -INCLUDE:"?ignore_this_library_placeholder@@YAHXZ"

测试

测试代码：

#include "mainwindow.h"
#include<opencv2/opencv.hpp>
#include <QApplication>
#include<iostream>
#undef slots
#include<torch/script.h>
#include<torch/torch.h>
#define slots Q_SLOTS

class ConvReluBnImpl : public torch::nn::Module {
public:
    ConvReluBnImpl(int input_channel=3, int output_channel=64, int kernel_size = 3);
    torch::Tensor forward(torch::Tensor x);
private:
    // Declare layers
    torch::nn::Conv2d conv{ nullptr };
    torch::nn::BatchNorm2d bn{ nullptr };
};
TORCH_MODULE(ConvReluBn);

ConvReluBnImpl::ConvReluBnImpl(int input_channel, int output_channel, int kernel_size) {
    conv = register_module("conv", torch::nn::Conv2d(torch::nn::Conv2dOptions(input_channel, output_channel, kernel_size).padding(1)));
    bn = register_module("bn", torch::nn::BatchNorm2d(output_channel));

}

torch::Tensor ConvReluBnImpl::forward(torch::Tensor x) {
    x = torch::relu(conv->forward(x));
    x = bn(x);
    return x;
}

int main(int argc, char *argv[])
{
    //test torch
    auto device = torch::Device(torch::kCUDA);
    auto model = ConvReluBn(3,4,3);
    model->to(device);
    auto input = torch::zeros({1,3,12,12},torch::kFloat).to(device);
    auto output = model->forward(input);
    std::cout<<output.sizes()<<std::endl;

    //test opencv
    cv::Mat image = cv::imread("任意一张图片的地址");
    cv::Mat M(200, 200, CV_8UC3, cv::Scalar(0, 0, 255));
    if(!M.data)
        return 0;
    cv::imshow("fff",image);
    cv::imshow("ddd",M);
    cv::waitKey(0);
    cv::destroyAllWindows();
    //test qt
    QApplication a(argc, argv);
    MainWindow w;
    w.show();
    return a.exec();
}

执行效果（注意要选择对应的方法执行，debug或release）：
会出现两个界面：200x200的红色图片以及自己选择的一张图片。

参考文档

https://allentdan.github.io/2021/01/21/QT%20Creator%20+%20Opencv4.x%20+%20Libtorch1.7%E9%85%8D%E7%BD%AE/#more
https://www.yuque.com/lengyuezuixue/togedc/krb68k