項目地址
https://github.com/AlexeyAB/darknet
下載解壓包
默認工程
安裝基礎環境
安裝VS2015
安裝cuda（如果需要cuda加速）
- 安裝cuda10.1
- 安裝cudnn
安裝opencv（非必需）
- 使用world版本，官方工程默認依賴的是world版本。
第二種安裝環境
vs2019
cuda11.3
cudnn113
opencv451
編譯工程
方式一 直接編譯官方自帶的工程
但是我的opencv349編譯的不是opencv_world版本，所以一直提示缺少這個庫，我就是用自己的cmake了。
方式二 自己cmake編譯
1 自帶的工程需要opencv_world，我的opencv沒有這個，只能重新自己camke了。
報錯提示
如果遇到cuda找不到，就把工程拷貝到c盤，和vs2019還有cuda11.3放在同一 盤編譯
opencv也是報錯找不大，手動指定下位置
我什么也沒有改直接編譯
要么使用3按鈕打開工程或者手動目錄打開
選擇平台-我在這個平台下，且默認配置了opencv349和cuda
配置opencv
F:\dongdong\0tool\navidia_cuda_opencv\OPENCV\Opencv349\opencv-3.4.9\build\install\include\opencv2 F:\dongdong\0tool\navidia_cuda_opencv\OPENCV\Opencv349\opencv-3.4.9\build\install\include\opencv F:\dongdong\0tool\navidia_cuda_opencv\OPENCV\Opencv349\opencv-3.4.9\build\install\include
F:\dongdong\0tool\navidia_cuda_opencv\OPENCV\Opencv349\opencv-3.4.9\build\install\x64\vc14\lib
手動添加
F:\dongdong\0tool\navidia_cuda_opencv\OPENCV\Opencv349\opencv-3.4.9\build\install\x64\vc14\lib\*.lib
下面是cmake階段自動帶的，不用手動加，確認下。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64\cudnn.lib ..\..\3rdparty\pthreads\lib\pthreadVC2.lib wsock32.lib ws2_32.lib curand.lib cublas.lib cuda.lib cudadevrt.lib cudart_static.lib kernel32.lib user32.lib gdi32.lib winspool.lib shell32.lib ole32.lib oleaut32.lib uuid.lib comdlg32.lib advapi32.lib
(上述不需要自己設置)
修改gpu算力（必須）
每一個項目都改 6次修改
compute_75,compute_75 compute_75,sm75
可以去英偉達顯卡官網查詢計算能力：https://developer.nvidia.com/cuda-gpus#collapseOne
修改darknet.vcxproj
\darknet\build\darknet下，右鍵，可以txt打開 檢查下cuda版本是否為電腦的，cmake生成會自動修改。
ctrl+f搜索 10.1 全部改成 11.3 （因為我們的CUDA版本是11.3）大概10十幾處
全部生成工程
生成文件
這幾個並不足以運行，去代碼對應文件夾 拷貝文件
最終可執行要文件
如果是在c盤生成的，可以拷貝出來到別的盤執行
使用測試
1直接測試
https://blog.csdn.net/weixin_41010198/article/details/106072347
測試單張圖片
1下載yolov3 的預訓練權重
wget https://pjreddie.com/media/files/yolov3.weights
需要將訓練好的weights文件放到darknet和exe同目錄下，運行如下指令：
2運行demo測試
- 測試模型：yolov3
- cfg/yolov3.cfg：中定義的是yolov3的模型
- yolov3.weights：是預訓練的yolov3的權重
- data/dog.jpg：是要測試的圖片
darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
上面其他文件可在下載的YOLO項目中找到
detect命令是detector test命令的簡寫，`因此在測試單張圖片時，下面的兩個命令寫法是等價的：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg # 或（上下等價） ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
darknet.exe detect cfg/yolov4.cfg weight/yolov4.weights data/dog.jpg
執行過程會輸出如下信息：
layer filters size input output
0 conv 32 3 x 3 / 1 608 x 608 x 3 -> 608 x 608 x 32 0.639 BFLOPs
1 conv 64 3 x 3 / 2 608 x 608 x 32 -> 304 x 304 x 64 3.407 BFLOPs
2 conv 32 1 x 1 / 1 304 x 304 x 64 -> 304 x 304 x 32 0.379 BFLOPs
3 conv 64 3 x 3 / 1 304 x 304 x 32 -> 304 x 304 x 64 3.407 BFLOPs
4 res 1 304 x 304 x 64 -> 304 x 304 x 64
5 conv 128 3 x 3 / 2 304 x 304 x 64 -> 152 x 152 x 128 3.407 BFLOPs
...
93 conv 255 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 255 0.377 BFLOPs
94 yolo
95 route 91
96 conv 128 1 x 1 / 1 38 x 38 x 256 -> 38 x 38 x 128 0.095 BFLOPs
97 upsample 2x 38 x 38 x 128 -> 76 x 76 x 128
98 route 97 36
99 conv 128 1 x 1 / 1 76 x 76 x 384 -> 76 x 76 x 128 0.568 BFLOPs
100 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
101 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
102 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
103 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
104 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
105 conv 255 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 255 0.754 BFLOPs
106 yolo
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.033660 seconds.
dog: 100%
truck: 92%
bicycle: 99%
注意：./darknet其他測試的時候使用其他參數
-i：（索引index）如果有多個GPU，可以設置使用哪一個GPU，eg: -i 1 使用第一塊GPU-nogpu：使用CPU訓練，我測試了同樣上面的一張圖片，測試時間為17秒，而且置信度也發生了變化
連續測試多張圖片
連續測試多張圖片命令（不在命令中指定測試圖片路徑）：
./darknet detect cfg/yolov3.cfg yolov3.weights
當配置和權重加載完成時，會看到如下輸出信息提示：
./darknet detect cfg/yolov3.cfg yolov3.weights
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs
.......
104 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs
105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs
106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:
輸入一張圖片路徑：data/horse.jpg 以使其預測該圖像的框，結果如下：
完成后，可以輸入更多次不同圖片的路徑進行測試，輸入Ctrl+C退出測試
更改檢測的閾值（thresh）
默認情況下，yolo僅顯示置信度為0.25或更高，可以通過-thresh <val>來設置閾值。例如：要顯示所有檢測，可以將閾值設置為0
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0
使用Tiny YOLOv3預訓練模型測試
如果受自己機器計算資源的限制，可以使用更小的模型yolov3-tiny，其參數也更少，該預訓練模型下載：
wget https://pjreddie.com/media/files/yolov3-tiny.weights
用該模型做測試：
./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
使用網絡攝像頭實時檢測
實時檢測，必須要有Nvidia GPU，因為在CPU上檢測一張圖片的時間是10秒左右，不能夠達到實時性的要求。因為實時檢測會用到CUDA 和 OpenCV，因此要在/darknet/Makefile被編譯之前，修改Makefie文件中的GPU=1 和OPENCV=1都設置為1。
1、實時網絡攝像頭檢測，運行如下命令：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
如果你有多個攝像頭，可以使用-c <num>參數指定使用哪一個攝像頭
2、實時檢測視頻文件，運行如下命令：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>
2封裝成庫調用使用
https://www.cnblogs.com/kekeoutlook/p/13538874.html