YOLO3实现目标检测（VS2015+OPENCV3.4.2+YOLO3+CUDA10.0+CUDNN7.5）_opencv+darknet+yolov3

本人YOLOv3刚刚入坑，走了不少弯路，自己摸索了一下，首先给大家配置一下yolo3，后续会有具体的算法分析讲解。安装VS2015+opencv3.4.2，这个就不用多说了吧，网上很多教程可以参考，主要是安装好opencv，添加环境变量后，切记勿忘，重启一下电脑。
本文电脑：windows7+i7-7700cpu+内存16G+显卡P620
一、github下载darknet。链接：https://github.com/AlexeyAB/darknet
二、安装cuda10.0，安装过程直接默认。安装之前需要了解cuda对应的显卡驱动，我的电脑支持cuda10.0，直接下载安装就行。下面有个对比图，可以参考一下。

安装完成后，接下来需要设置环境变量：

计算机上点右键，打开系统属性->高级系统设置->环境变量，可以看到安装完cuda之后，系统中自动生成CUDA_PATH和CUDA_PATH_V10_0两个环境变量，但还要在系统中添加以下几个环境变量：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0(这是默认安装位置的路径，自定义安装的话需要自己设置路径)
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
1
2
3
4
5
6

添加完成后在系统变量path的末尾添加：

%CUDA_LIB_PATH%;
%CUDA_BIN_PATH%;
%CUDA_SDK_LIB_PATH%;
%CUDA_SDK_BIN_PATH%;
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0\bin\win64；
1
2
3
4
5
6
7
8

下面检查一下cuda安装是否成功：
cmd 运行 nvcc -V

上面显示已经安装成功，可以再检查一下相应的环境变量目录

上述可以看到之前添加的环境变量，如果cuda是自定义安装的，改为自己的安装路径即可。
三、安装cudnn v7.5
注意cudnn版本与cuda版本兼容问题。你可以通过链接下载：https://developer.nvidia.com/rdp/cudnn-download，下载前需要注册会员。里面会显示和cuda对应的版本。安装cudnn后，里面有个cuda文件夹。将cudnn里面的bin、include、lib文件下的文件分别复制到cuda安装的bin、include、lib文件夹下，如下图所示。


四、用VS2015打开darknet-master/build/darnet文件，你会发现里面有gpu和no_gpu版本，本文是基于gpu版的。但请不要直接打开darknet.sln，这一步很重要。
首先用notepad++或者写字板打开darknet.vcxproj，有两处CUDA版本的配置，默认的是10.0。因为我是安装的cuda10.0，所以不用修改。但是很多小伙伴安装的不是这个版本，所以会出现darknet.sln打不开的情况。假如你安装的是9.0，就把CUDA10.0.targets改为CUDA9.0.targets，修改两处即可。
五、打开darknet.sln之后，设置为Release x64模式。然后开始进行相关库的配置，主要就是配置opencv、cuda、cudnn的相关库。
因为本人之前已经新建了自己的opencv属性页，所以vs2015打开darknet.sln之后，直接在它的属性管理器中Release64中添加属性页即可，opencv就配置好了。

1. 右键darknet项目>属性>VC++目录>包含目录，参照下图。
   
2. VC++目录>库目录，参照下图。
   
3. 链接器>附加依赖项，参照下图。加入opencv_world342.lib等。
   
   大家也可以pthreadVC2、cuda相关的库文件目录加到上面去。
4. 点击调试，生成解决方案，就会在darknet-master/build/darknet/x64生成darknet.exe文件。
   测试图像：darknet.exe detector test data/coco.data yolov3.cfg yolov3.weights -i 0 -thresh 0.25 bird.jpg
   
   下面是具体参数显示：可以看出时间是81ms，还凑合
   
   再测试一个，时间大概也是80ms。不过大家可以看出yolo3功能的强大，很多小目标都可以检测到，效率还可以。
   可以给大家分享一个提高检测效率的方法，就是使用yolo3-tiny.weights，但是有时候会存在检测准确率下降的问题，可以看一下下面的测试，用的是tiny版本，检测时间是11ms。大大提高了检测效率。
   
   备注：
   我用的yolo3版本可以检测80种目标，如：人、自行车、汽车、船、鸟…因为具体的工程需要，没必要检测这么多目标的时候，可以在源码中修改。但是你会发现，当你检测一个图像，假如你原本可以识别上面的两种目标，但你只标记识别了一种，但是测试时间和识别两种目标时间一样。
   另外，本人也在做相关的视频检测，调用摄像头进行实时检测，我用的是yolo3.weights，帧率是12FPS。用tiny版本时，帧率可以达到65FPS，但是检测准确率会下降。后续会有具体的代码详解以及更改调试，感兴趣的朋友可以一起学习，共同进步。