最近在研究视频分析相关技术，朋友推荐了darknet开源库，其中主要使用yolo算法，想了解yolo的朋友请自行百度，下面直接说正题。

一、运行环境

  OS：Windows 10

  显卡：GTX 1070 Ti

  编译器/IDE：CMake-3.15.0-rc4-win64x64， Visual Studio 2017，C++编译工具集：V141，Python2.7

二、依赖库

  Darknet-master（从github下载，默认使用yolov3）

  OpenCV：4.1.1（从github下载）

  CUDA： 10.1

  CUDNN：10.1（使用这玩意儿做分析时占用GPU资源占用很低）

三、OpenCV编译

  OpenCV主要使用CMake生成vcxproj项目工程文件，然后使用vs2017进行编译。

  操作步骤：

  1. 使用CMake-gui.exe工具（需要下载一些东西，而且比较慢，脱机环境下要提前把依赖文件下载好）。

   

 

   注意：上图中BULID_opencv_world选项选中和不选中差异巨大，编译Darknet-CUDNN版本所需要OpenCV依赖库必须选中该选项才能编译出来；普通版本采用默认配置就行(不选中)。笔者是在两个目录下分别编译了两个不同的版本，免得混淆。

 

  2. 打开vs工程文件，编译版本。编译很慢，耐心等待。笔者直接使用Release x64。

   

 

 

  3. 配置环境变量。本人对CMAKE语法不熟悉，折腾了很久，还是配环境变量来得快。这个步骤主要是为编译Darknet，熟悉CMAKE语法的同学可以修改CMakeList.txt文件或cmake命令加参数应该也可以搞定。

   

 

  4. 使用CMake-gui.exe生成Darknet在windows平台工程文件，同上面操作。（如果提示OpenCV_DIR、OpenCVConfig类似的错误，就是没找到opencv目录，上面配好了应该不会有问题。）

    

 

     图上有CUDNN相关警告，我没有管它，后面直接改的vcxproj工程配置。

 

  5. 配置工程。注意，有两个目录下有darknet.vcxproj文件。

   

    这个是没有CUDNN版本的

    

 

     这个是带CUDNN版本的

    编译时如果通不过，多半是由于包含目录、库目录配置不对导致的，改掉就行。

 

四、测试

  1. 测试前还需要下载神经网络权重文件，笔者测试只用了yolov3.weights、yolov3-tiny.weights两个文件。

  2. 准备测试图片或视频文件，下面只帖视频文件测试命令和测试结果。

    视频文件信息：1080p h264 2Mbps 25fps

    权重文件：yolov3.weights

    

 

   只列出重要的，使用yolov3-tiny.weights，FPS要高得多，但准确率有所下降。

   结论：

      1. 显存基本等于单进程占用 * 进程数，max process = 3主要是因为打开4路进程显存不够用。

      2. 总的fps比较固定，开启多个进程意义不大。（使用yolov3-tiny.weights时多进程fps总和明显大于单进程fps，可能跟解码、IO速度有关，也就是说，算法复杂度低可考虑使用多进程，复杂度较高就没必要了）

      3. 内存占用、CPU虽然有消耗，但与GPU相比，瓶颈主要还是在GPU上。

      4. cudnn优势非常明显，强烈建议使用（NVIDIA自己的东西还是好用）。

 

今天先写到这里，下一步研究一下API使用和模型训练。