win10+cuda10.1+cudnn+opencv3.4.2+yolov3+vs2017安装教程

一、下载安装cuda、cudn

参考链接:https://blog.csdn.net/fengxinzioo/article/details/105646969

二、下载安装opencv

本人下载的是没有contrib模块的,如果想编译带有contir模块的可以参考

2.1、opencv3.4.2下载地址,其他的地址上下页查找

下载windows版本的,不建议使用源码编译那样比较慢

2.2、下载完的opencv3.4.2双击提取到自己想要的位置

2.3、将opencv3.4.2加入系统路径中

 

2.4、将自己的opencv的路径添加入path中如下所示:

三、下载darknet源码

3.1下载地址:https://github.com/AlexeyAB/darknet

3.2、下载好后解压压缩包,将opencv/build/x64/vc15或者vc14(这个是根据你vs编译器版本来的,因为我安装了vs2017所以我选择vc15)下面的opencv_ffmpeg、opencv_world放到darrknet/x64文件夹下面,如下图所示:

3.3修改darknet.vcxproj里面cuda版本号

查看自己电脑安装cuda的版本号:打开终端输入nvcc -V

打开darknet\build\darknet\darknet.vcxproj,搜索“CUDA ”,CUDA后面有一个空格,修改为对应的CUDA版本,总共有两处需要修改。

下图打开darknet.vcxproj:

总共需要修改的两处地方:根据自己的cuda版本来修改

55行内容:

修改后为:

 305行内容:

修改后为:

 

3.4打开darknet.sln工程开始准备编译工作,将平台属性改成release x64

 

将平台改成自己相对应的vs编译环境,本人使用的是visual studio2017环境

 

darknet配置opencv包含目录:

 

darknet配置opencv库目录:

 

darknet配置opencv附加依赖项:

 

darknet配置CUDA,按如下图所示配置:

电脑安装cuda路径

 

将cuda路径加入darknet编译工程中

 

darknet编译工程配置显卡计算参数:

下面是一些显卡计算参数

# Tesla V100
# ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]

# GeForce RTX 2080 Ti, RTX 2080, RTX 2070, Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Tesla T4, XNOR Tensor Cores
# ARCH= -gencode arch=compute_75,code=[sm_75,compute_75]

# Jetson XAVIER
# ARCH= -gencode arch=compute_72,code=[sm_72,compute_72]

# GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4
# ARCH= -gencode arch=compute_61,code=sm_61 -gencode arch=compute_61,code=compute_61

# GP100/Tesla P100 - DGX-1
# ARCH= -gencode arch=compute_60,code=sm_60

# For Jetson TX1, Tegra X1, DRIVE CX, DRIVE PX - uncomment:
# ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]

# For Jetson Tx2 or Drive-PX2 uncomment:
# ARCH= -gencode arch=compute_62,code=[sm_62,compute_62]

 改成自己显卡的计算力

编译生成darknet.exe。

下面是编译过程,成功1个,失败0个,表示编译成功了。

四、测试

4.1、成功后,在build\darknet\x64中找到darknet.exe

 

4.2、去官网下载作者训练好的yolo3.weights模型https://pjreddie.com/media/files/yolov3.weights放到build\darknet\x64进行测试,build\darknet\x64中的以cmd结尾文件里面是windows的shell脚本。

找到darknet_yolo_v3.cmd,双击运行

 

参考:

### 回答1: OpenCV是一个开源的计算机视觉和机器学习库,可以方便地处理图像和视频。而CUDA(Compute Unified Device Architecture)是由NVIDIA开发的一种并行计算架构,可以加速图形处理器(GPU)上的计算任务。 OpenCV 4.5.1是OpenCV的一个版本,它提供了丰富的功能和算法,用于图像和视频处理、特征提取、目标检测等任务。这个版本可以在Windows 10操作系统上使用,并且可以与Visual Studio 2017集成,提供开发环境和调试工具。 CUDA 10.0是NVIDIA的一个版本,它支持NVIDIA GPU上的并行计算任务。它允许开发人员使用C语言、C++或CUDA自己的扩展语言编写并行计算代码,以加速计算密集型任务。例如,在图像处理中,可以使用CUDA加速OpenCV算法,从而提高计算性能。 而cuDNNCUDA Deep Neural Network library)是NVIDIA专门为深度学习任务开发的一个库。它提供了一组高性能的深度神经网络的基本操作和优化算法,可以与CUDAOpenCV结合使用。 综上所述,OpenCV 4.5.1可以与CUDA 10.0和cuDNN 7.6.0集成使用。开发者可以在Visual Studio 2017中使用这些工具和库进行图像处理和机器学习任务的开发和优化。通过使用CUDA加速,可以提高计算性能,而cuDNN可以提供深度学习任务所需的算法和操作。 ### 回答2: OpenCV 4.5.1是一个计算机视觉库,用于在计算机视觉和机器学习项目中进行图像和视频处理。VS2017是一个集成开发环境(IDE),用于Windows操作系统上的软件开发。CUDA(Compute Unified Device Architecture)是一个用于GPU计算的并行计算平台和API模型。CUDNN是NVIDIA深度神经网络库,用于在GPU上加速深度学习任务。 在Windows 10上使用VS2017来编译OpenCV 4.5.1,并在CUDA 10.0和CUDNN 7.6.0的支持下进行构建可以提供更好的计算性能和加速。CUDA 10.0提供了与CUDA架构和驱动程序的兼容性,并支持许多NVIDIA GPU。CUDNN 7.6.0是基于CUDA的深度神经网络库,可以加速深度学习任务的训练和推理。 使用VS2017编译OpenCV可以让开发者方便地在Windows平台上进行开发和调试。VS2017提供了强大的集成开发环境,它可以帮助开发者编写、调试和测试程序。通过配置CUDA 10.0和CUDNN 7.6.0来支持OpenCV的GPU加速,可以进一步提高图像和视频处理的速度和效率。 总结来说,使用OpenCV 4.5.1、VS2017、Windows 10、CUDA 10.0和CUDNN 7.6.0可以实现在Windows平台上的高效计算机视觉和机器学习开发。这种配置可以提供更好的性能和加速,特别是在需要处理大量图像和视频、进行深度学习任务的情况下。
评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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