Win10+RTX3080深度学习环境搭建，执行YOLO目标检测
1 软件安装
硬件环境：RTX3080
软件环境：WIN10，CUDA11.4，cuDNN8.2.2，VS2019，opencv4.5 ，cmake
opencv需要编译
1.1 安装显卡驱动
安装3080后，重装win10系统，查看“设备管理器-显示适配器”，发现NVIDIA显卡驱动已经自动安装。
double check：win+r cmd，输入 nvidia-smi
1.2 安装VS2019
一定要先安装VS再安装CUDA，否则VS无法配置CUDA工程！
直接从VS官网下载安装包，无脑安装就行啦。
1.3 安装CUDA11.4
参考：Cuda和cuDNN安装教程(超级详细)
到CUDA官网下载安装包，相应的属性选择如下图：
win+r cmd，输入 nvcc -V
1.4 安装cudnn
参考：Cuda和cuDNN安装教程(超级详细)
查看cudnn是否安装成功：
win+r cmd，输入
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\extras\demo_suite
进入到demo_suite的文件夹下，先后运行deviceQuery.exe和bandwidthTest.exe文件，如果均输出Result = PASS，则表示cudnn安装成功。
1.5 VS2019配置CUDA
参考：VS2019 配置CUDA工程
配置好后，运行测试程序，输出正确结果即可。
1.6 Cmake编译OpenCV源码
参考：Windows系统下配置具有Contrib扩展模块的GPU版OpenCV
- 下载 opencv4.5.0 opencv-4.5.0-vc14_vc15.exe 双击解压到F:\opencv4.5.0，然后打开环境变量，在系统变量PATH中添加路径
F:\opencv4.5.0\opencv\build\x64\vc15\bin
注：RTX3080最好用opencv4，不要用opencv3，不然编译opencv的时候会疯狂报错！
-
下载 Cmake 3.22.3 cmake-3.22.3-windows-x86_64.zip
-
下载 opencv contrib 4.5.0 opencv_contrib-4.5.0.zip
开始编译opencv：部分中间过程的截图如下：
参考：Windows系统下配置具有Contrib扩展模块的GPU版OpenCV
2 配置YOLO
安装Basler_pylon
参考vs2017配置#include 「pylon/PylonIncludes.h」
配置相关路径：
VC++目录->包含目录：
F:\opencv4.5.0\myBuild\install\include\opencv2
F:\opencv4.5.0\myBuild\install\include
VC++目录->库目录：
F:\opencv4.5.0\myBuild\install\x64\vc16\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\lib\x64
C/C+±>常规->附加包含目录：
C:\Program Files\Basler\pylon 5\Development\include
链接器->常规->附加库目录：
C:\Program Files\Basler\pylon 5\Development\lib\Win32
C:\Program Files\Basler\pylon 5\Development\lib\x64
链接器->输入->附加依赖项：
opencv_world450d.lib
opencv_img_hash450d.lib
cublas.lib
cublasLt.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
cudnn.lib
cudnn64_8.lib
cudnn_adv_infer.lib
cudnn_adv_infer64_8.lib
cudnn_adv_train.lib
cudnn_adv_train64_8.lib
cudnn_cnn_infer.lib
cudnn_cnn_infer64_8.lib
cudnn_cnn_train.lib
cudnn_cnn_train64_8.lib
cudnn_ops_infer.lib
cudnn_ops_infer64_8.lib
cudnn_ops_train.lib
cudnn_ops_train64_8.lib
cufft.lib
cufftw.lib
cufilt.lib
curand.lib
cusolver.lib
cusolverMg.lib
cusparse.lib
nppc.lib
nppial.lib
nppicc.lib
nppidei.lib
nppif.lib
nppig.lib
nppim.lib
nppist.lib
nppisu.lib
nppitc.lib
npps.lib
nvblas.lib
nvjpeg.lib
nvml.lib
nvptxcompiler_static.lib
nvrtc.lib
OpenCL.lib
3 训练YOLO
从github下载YOLO的源码：AlexeyAB/darknet
按照Readme里的说明，下载权重文件yolov4.weight
第一步：
在darknet\build\darknet路径下，右键点击darknet.vcxproj，选择txt打开，CTRL+F搜索CUDA，将CUDA的版本都改成11.4。
第二步：
将NVIDIA CUDA的安装路径下的某个文件夹下的所有文件，复制到VS安装路径下的某个文件夹里。
.\CUDA\VisualStudioIntegration\extras\visual_studio_integration\MSBuildExtensions
C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\MSBuild\Microsoft\VC\v160\BuildCustomizations
4 目标检测
win+r打开CMD黑窗口，进入YOLO的文件夹：
cd D:\darknet\build\darknet\x64\
执行检测命令：
darknet.exe detector test cfg\coco.data cfg\yolov4.cfg yolov4.weights data\dog.jpg
其中，待检测的图片放在路径：
D:\darknet\build\darknet\x64\data
5 参考链接
3080深度学习环境配置
How to training YOLO by RTX 3080 #6976
yolov4 开发环境搭建_WIN10+YOLOv4，windows上完美执行YOLOv4目标检测
WIN10+YOLOv4，windows上完美执行YOLOv4目标检测
win10+VS2017+Opencv3.4.1+libtorch开发环境搭建(1)
AlexeyAB/darknet