yolo3 + Windows + VS2017 + CUDA9.2 教程

图像识别算法yolov3,因实验需要在Windows中搭建环境,GitHub中作者建议使用vs2015,网上大多数教程也使用的是vs2015甚至更早版本。如今大多数人都使用的是vs2017。

因为搭建过程比较繁琐,库比较多,故在此尽可能详细记录下搭建的全过程。给广大人工智能开发者提供便利。

搭建日期:2018年7月4日

前期准备:


资源https://pan.baidu.com/s/1uXbCUXP2mh7NQ5loW81HLQ 密码:tol4    (密码直接复制粘贴就好啦,第三位不是一)

考虑到文件1.8G,百度网盘限速严重,我自己搭了个私有云,链接:http://pan.shadandeajian.top/share/qVc1tjYJ?dl=1(点击即可下载)


1.一个装有VS2017的Windows10电脑,因为yolo3项目是用VS2015写的,所以我们需要在VS2017中安装扩展。

打勾为安装,未打勾时请安装。如果您照教程一步一步完成,最后还是无法编译,请检查VS2017的安装位置,也就是上图下部分的位置,如果不是在默认位置(C:\Program Files(x86)\Micr

<think>嗯,用户想在Python3.6.5和CUDA9.2环境下运行YOLO模型。我需要帮用户确定哪个版本的YOLO与此环境兼容。首先,回忆之前对话中用户提供的引用资料。引用[1]提到的是安装CUDA9.2的命令,用户当时正在配置CUDA环境。引用[2]是关于Python3.6.5安装OpenCV的内容。这些信息指示用户正在为机器学习环境设置GPU加速能力。用户的环境参数已经很清晰:-Python3.6.5,一个发布自2018年3月的CPython版本-CUDA9.2,英伟达在2017年末发布的计算平台版本这些版本都比较早,所以只能适配较旧的YOLO版本。考虑主流YOLO框架的版本历史。darknet作为YOLO的原始实现,其早期版本应该兼容。YOLOv3对应的Darknet代码在2018年发布,完全支持CUDA9.2,且官方要求Python3.x环境。可以建议用户选择JosephRedmon的原始版本或AlexeyAB分支,它们都支持老旧CUDA环境。同时要注意第三方框架的兼容性:-Ultralytics的YOLOv3也支持Python3.6.x-darknet官方仓库的Makefile支持CUDA9.2编译-但更新的版本如YOLOv4以上可能需要更高CUDA版本-YOLOv5/v7/v8都放弃了对Python3.6的支持最后要检查用户环境的关键依赖:-PyTorch1.1.0是2019年版本,支持CUDA9.2的最后几个版本之一-TensorFlow1.12最高支持到CUDA9.0,反而可能导致兼容问题-OpenCV需要编译支持CUDA加速,用户已安装3.4.1已验证可用</think> 基于您的Python 3.6.5 + CUDA 9.2环境,推荐以下兼容的YOLO版本及配置方案: ### ✅ 最佳兼容方案:YOLOv3 原始版(Darknet框架) 1. **版本选择** - **官方代码库**:`AlexeyAB/darknet` 或 `pjreddie/darknet` - **推荐commit**:2018-2020年间发布的YOLOv3代码(避免v4及以上) - **验证版本**: ```bash git clone https://github.com/pjreddie/darknet cd darknet && git checkout 56d69e73 # v3兼容commit ``` 2. **环境依赖** ```makefile # 修改darknet/Makefile配置 GPU=1 CUDNN=1 CUDNN_HALF=0 # CUDA 9.2不支持半精度 OPENCV=1 # 需匹配您已安装的OpenCV 3.4 ``` 3. **预训练模型**: - `yolov3.weights`(官方权重) - `yolov3-tiny.weights`(轻量版) ### ⚠️ 第三方框架适配 | 框架 | 兼容版本 | 关键限制 | |--------------|-------------|-------------------------| | **PyTorch** | ≤1.1.0 | 需CUDA 9.2编译的PyTorch | | **TensorFlow** | ≤1.12.0 | 需源码编译支持CUDA 9.2[^1] | ### 🔧 环境验证步骤 1. **CUDA状态检查**: ```bash nvcc --version # 应显示CUDA 9.2 python -c "import torch; print(torch.cuda.is_available())" # PyTorch适用 ``` 2. **Darknet编译测试**: ```bash make -j8 ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg ``` ### 💡 替代方案:YOLOv3-Tiny (TensorFlow Lite) 若遇到CUDA编译问题: ```python # 使用TFLite推理(无需CUDA) interpreter = tf.lite.Interpreter(model_path="yolov3_tiny.tflite") interpreter.allocate_tensors() ``` > 注:推理速度约为GPU版的1/3,适合轻量应用 ### 📌 关键提醒 1. **禁用现代优化**:CUDA 9.2不支持: - AMP混合精度训练 - TensorRT 7+ 2. **Python库上限**: - NumPy ≤1.19.5 - PyTorch ≤1.1.0 - TensorFlow ≤1.12.0 ---
评论 21
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值