yolov4用1050ti_c++调用yolov4模型进行目标检测-使用yolov4官方接口

前言

yolo系列用c写的，在工程中的部署特别方便。4月份yolov4横空出世，之前试了试效果，精度确实有了很大的提升，AB大神nb。最近需要在C++项目中使用yolov4，尝试了opencv的调用(见我的上一篇博客这里)，yolov4官方也提供了C++接口，并不需要opencv4.4的版本，调用起来也特别简单。

darknet

使用官方接口调用，我们首先得编译darknet动态库，下载yolov4源码

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

进入darknet目录下，修改makefile文件

cd darknet

vim Makefile

其中需要修改的几个地方，OPENCV=1，LIBSO=1，如果需要使用GPU，则设置GPU=1，CUDNN=1。

GPU=1

CUDNN=1

CUDNN_HALF=0

OPENCV=1

AVX=0

OPENMP=0

LIBSO=1

ZED_CAMERA=0

ZED_CAMERA_v2_8=0

计算能力根据自己GPU设定，由于我使用的titan v，所以计算能力为7.0，不使用GPU则忽略。

# Tesla A100 (GA100), DGX-A100, RTX 3080

# ARCH= -gencode arch=compute_80,code=[sm_80,compute_80]

# 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