c++封装yolov4进行目标检测

yolo4是用c++写的，在工程中的部署特别方便。之前项目中使用yolov4，取得了不错的效果。在这里记录一下。
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

编译yolov4为动态库

1. yolo_cpp_dll.sln，在darknet-master\build\darknet目录下面。
2. 设置x64和Lease，然后右击项目，生成。
   注意：这里应该配置好环境 CUDA 10.2以及 cuDNN，以及修改了yolo_cpp_dll.vcxproj中的cuda版本。
3. 然后在darknet-master\build\darknet\x64就会生成yolo_cpp_dll.dll文件。这个文件就是编译好的dll文件，可以直接使用。
   yolo_cpp_dll.dll的接口如下：

struct bbox_t {
   
    unsigned int x, y, w, h;    // (x,y) - top-left corner, (w, h) - width & height of bounded box
    float prob;                    // confidence - probability that the object was found correctly
    unsigned int obj_id;        // class of object - from range [0, classes-1]
    unsigned int track_id;        // tracking id for video (0 - untracked, 1 - inf - tracked object)
    unsigned int frames_counter;// counter of frames on which the object was detected
};

class Detector {
   
public:
        Detector(std::string cfg_filename, std::string weight_filename, int gpu_id = 0);
        ~Detector();

        std::vector<bbox_t> detect(std::string image_filename, float thresh = 0.2, bool use_mean = false);
        std::vector<bbox_t> detect(image_t img, float thresh = 0.2, bool use_mean = false);
        static image_t load_image(std::string image_filename);
        static void free_image(image_t m);

#ifdef OPENCV
        std::vector<bbox_t> detect(cv::Mat mat, float thresh = 0.2, bool use_mean = false);
        std::shared_ptr<image_t> mat_to_image_resize(cv::Mat mat) const;
#endif
};

关于这一部分有疑问的，可以参考官文档：https://github.com/AlexeyAB/darknet#yolo-v4-in-other-frameworks

检测步骤
检测部分需要用到刚刚编译的动态库，以及yolov4源码下的yolo_v2_class.hpp，需要将yolo_v2_class.hpp路径添加到包含目录中。

使用步骤大致分为以下几步
加载网络模型

string modelConfig = "yolov4/s_yolov4.cfg";
string modelWeights = "yolov4/yolov4.weights"";
string classesFile = "yolov4/s_coco.names";
Detector detector(modelConfig, modelWeights, 0);

调用 detector中的方法detect方法进行检测

std::vector<bbox_t> res