YOLOv4源码下载、vs c++安装和opencv环境配置参考前半部分:
一、打开darknet工程
二、GPU版
2.1、打开yolo_cpp_dll.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。将里面的cuda版本改成你电脑安装的版本
下图打开yolo_cpp_dll.vcxproj:
56行:
修改后为:
309行:
修改后为:
2.2、打开yolo_cpp_dll.sln编译配置编译动态库:
2.3、打开yolo_cpp_dll.sln工程开始准备编译工作,将平台属性改成release x64,可以按照自己需要改为dubug或者release
2.4、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
2.5、配置opencv
配置opencv包含目录:
配置opencv库目录:
配置opencv附加依赖项:
2.6、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
2.7、编译生成yolo_cpp_dll.dll:
下面是编译过程,成功1个,失败0个,表示编译成功了。
2.8、测试
在build\darknet\x64下面运行darknet.py
如下图所示:
3、CPU版动态库
3.1、打开yolo_cpp_dll_no_gpu.sln
3.2配置opencv
配置opencv包含目录:
配置opencv库目录:
3.3、编译生成cpu版动态库
3.4、下面是编译过程,成功1个,失败0个,表示编译成功了。
注意事项:查看build\darknet\x64下面的yolo_cpp_dll.dll是不是最新日期的,如果之前编译过GPU版动态库的话,会覆盖掉之前的yolo_cpp_dll.dll。需要cpu版编译的动态库yolo_cpp_dll.dll重新命名为yolo_cpp_dll_nogpu.dll为了测试直接使用darknet.py不需要改动一些东西。
3.5、测试:
在build\darknet\x64下面运行darknet.py