VS2019安装GPU版本YOLOv4
前言
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了windows下YOLO的环境搭建流程。
一、相关知识储备
1. YOLO是什么？
- YOLO是一种实时目标检测算法，它是第一个平衡所提供检测的质量和速度的算法。通常，这类最强大的模型，都是建立在卷积神经网络的基础上，这次也不例外。所谓「目标检测模型」，我们的意思是，我们不仅可以用它来找出给定照片中存在的对象，还可以用它来指示它们的位置和数量。除其他外，这种模型在机器人和汽车工业中都有应用，因此检测速度至关重要。自2015年以来，该算法已经进行了三次迭代，还有为
TinyYOLO 等移动设备设计的变体。移动版本的精度有限，但计算要求也较低，运行速度更快。
2.CPU&GPU
- CPU（Central Processing
Unit）是指*处理器，决定着手机的运行速度。一般来说芯片数字越大代表着型号越新，因此我们在选择CPU的时候应该选择名称中所带数字较大的。 - GPU（Graphics Processing
Unit）是指图像处理器，在手机上用于游戏画面的渲染，通常GPU的型号越新，频率越高，意味着游戏的画面展示速度越快。 - CPU和GPU二者对于用户来说是缺一不可，前者负责计算数据，后者负责显示内容，构造后端运算，前端显示的前后搭配。
3.什么是CUDA
- CUDA(Compute Unified Device Architecture)，显卡厂商NVidia推出的运算平台。CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。
- 通过CUDA架构，视频播放软件可以充分挖掘NVIDIA系列显卡的GPU并行计算能力，轻松进行高清影片的播放，与软件高清解码相比，CPU占用可以下降一半以上。当然，CUDA的应用领域绝不仅仅是视频、图形、游戏，包括各种3D和建模，医疗、能源、科学研究等，到处都可见到这种技术架构的应用
4.什么是cuDNN
- NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA
cuDNN可以集成到更高级别的机器学习框架中，如加州大学伯克利分校的流行caffe软件。简单的，插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。
4.什么是OpenCV
- OpenCV是一个基于Apache2.0许可发行的跨平台计算机视觉和机器学习软件库，可以在Linux、Windows、Android和Mac
OS操作系统上运行。它轻量级而且高效——由一系列 C 函数和少量 C++
类函数构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了很多图像处理和计算机视觉方面的通用算法。
二、系统与环境要求
1.硬件环境
Windows10系统+GPU显卡
2.软件环境
- CUDA，cuDNN，VS2019，OpenCV
三、相关环境下载
1.NVIDIA下载驱动
https://developer.nvidia.com/cuda-10.1-download-archive-update2
打开NVIDIA官网驱动程序下载页面，选择适合你显卡的驱动，下载并安装。
2.CUDNN下载
点击：https://developer.nvidia.com/rdp/cudnn-download 注册个账户，然后下载对应版本加速库
3.VS2019下载
https://visualstudio.microsoft.com/zh-hans/downloads/
4.opencv下载
https://opencv.org/opencv-4-5-0/
四、安装与配置
1.显卡驱动安装
选择自定义安装：
全部勾选，点击下一步：
使用默认的安装路径：
2.配置CUDA环境变量
右键“我的电脑”选择属性，点击“高级系统设置”->“环境变量”。
可以看到CUDA默认写入了2条环境变量信息，但这些还不够，点击新建，添加以下环境变量：
根据你CUDA的实际安装路径配置变量值，但我建议你安装CUDA时使用默认的路径，避免出现各种奇葩问题。
然后在系统变量中找到Path，双击打开并加入以下变量值：
然后打开控制台，输入：nvcc -V
如果输出CUDA版本等相关信息，说明CUDA安装成功。
3.CUDNN安装
将解压后的文件，覆盖到CUDA的安装目录下
4.OpenCV安装
下载完成后双击打开，该exe是个自解压程序，选择一个解压目录，解压完成后，将解压出来的opencv文件夹复制到c盘根目录下。
五、YOLO下载和编译
1.YOLO下载
点击https://github.com/AlexeyAB/darknet 下载YOLO。
下载到本地后，解压，将darknet-master重命名为darknet
2.复制编译依赖文件
将c:/opencv/build/x64/vc15/bin目录下的opencv_ffmpeg340_64.dll、opencv_world340.dll复制到D:\darknet\build\darknet\x64目录下
3.修改darknet.vcxproj文件
打开文件找到两处有CUDA版本号的地方（一般55 & 307行附近）将这里的10.1改为自己的版本号，然后保存
4.YOLO编译
用vs2019打开 darkne\build\darknet\darknet.sln 确定弹出的升级窗口，设置为Release,x64编译 生成可执行文件
5.YOLO+VS环境配置
右键darknet工程，选择属性。
然后点击VC++目录，编辑包含目录，将以下路径添加到包含目录中
点击库目录，把以下内容添加到库目录中。
点击链接器->输入，在附加依赖项中添加
编译过程可能会出现很多警告，但只要最终提示生成：成功1个，失败0个，则表示编译成功。
六、YOLO环境测试
windows+r,输入cmd,进入自己对应的build/darknet/x64下
执行
darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
如果出现CUDA版本信息，说明YOLO可以通过GPU来进行目标识别了。
总结
以上就是今天要讲的内容，本文仅仅简单介绍了如何在VS2019环境下使用Opencv调用GPU版本YOLOv4算法。