yolov4 windows 踩坑

最新推荐文章于 2025-04-25 11:05:27 发布
最新推荐文章于 2025-04-25 11:05:27 发布
阅读量851 收藏
点赞数
分类专栏： 日记 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41990671/article/details/106519285
版权

源码

https://github.com/AlexeyAB/darknet#how-to-use-on-the-command-line

参考

https://blog.youkuaiyun.com/ECHOSON/article/details/105862074

回忆踩坑

  1. cmake报错
  2. cuda、cudnn、opencv环境变量检查
  3. 最后报个错

cmake报错解决

点config出现这个弹窗
在这里插入图片描述
要修改成这样（根据自己电脑来）

在这里插入图片描述
点finish报错
在这里插入图片描述修改这里为你的opencv安装位置
在这里插入图片描述再configure
在这里插入图片描述然后按参

最低0.47元/天 解锁文章
【YOLOv8系列】在Windows上从零搭建YOLOv8图像算法运行环境--by Anaconda（包括各种遇到的问题及解决方法）
AnChenliang_1002的博客
07-23 769
最近需要使用YOLOv8实现图像分类的功能，因此记录一下环境搭建的整个过程，本文记录的是通过Anaconda的方式搭建该环境，期间遇到了一些环境配置上的问题，也详细记录了解决过程。
【YOLOv8系列】在Windows上离线搭建YOLOv8运行环境
AnChenliang_1002的博客
07-31 1201
我们都知道，通过 pip安装YOLOv8是非常方便的，但是有时候网络环境受到限制，比如公司的工作站（无法连接网络）或者机房的教学机器等等，只能通过离线的方式安装YOLOv8；今天就来记录一下离线搭建YOLOv8运行环境的过程。并记录了遇到的问题及解决过程。
jetson xavier nx配置yolov4
Mr_Wang0120的博客
10-08 958
下载darknet git clone https://github.com/AlexeyAB/darknet 编译项目 cd darknet make 报错：chmod +x *.sh 解决方法： make clean make 报错：/bin/sh: 1: nvcc: not found Makefile:185: recipe for target ‘obj/convolutional_kernels.o’ failed make: *** [obj/convolutional_kernels.
YOLOV4在windows和linux系统中的使用（非GPU版）
feifei890128的博客
01-30 1502
文章目录前言一、Windows环境下运行YOLOV41.运行环境2.下载源代码3.将工程导入到Visual Studio20194.编译生成可执行文件5.检验可执行文件效果二、使用步骤1.引入库2.读入数据总结 前言 最近对图像识别比较感兴趣，于是就想了解一下比较流行的YOLO算法，在这里我学习的是YOLOV4版本的，目前不使用GPU的情况下已经可以运行，使用GPU的情况正在研究，在这里也算是自己的一个阶段性总结，写出来算是给想了解YOLOV4的同学们一个借鉴，希望能够少走一些弯路。 一、Windows环
新手如何从零开始运行YOLOv5
weixin_48425757的博客
04-25 860
检测算法以yolo为例，实际上就是先把图像划分为一个个的网格，每个网格里面又有许多box（锚框）。这些锚框负责预测1.框的中心点xy和宽高hw以及置信度（多大可能是物体或者背景）2.框内物体的类别图片上的数字就是类别概率与置信度相乘得到的结果上面又提到了，每个网格有许多box，那么最后出来的框确实是有上千个的，不过最后被NMS非极大值抑制给去掉了。原理就是筛选与物体最匹配的框，并且将重叠的框给去掉，这样我们的锚框就能训练好了。以上就是算法的基本原理，具体还需要同学们自行去深度了解。
从旧电脑拷贝yolov4项目文件夹到新电脑上，运行时报错[errno 13]permission denied：D:\\pycharm
WhiteGive__的博客
07-08 402
应该是系统问题，从原压缩包中重新把模型解压到新电脑上就可以运行。此错误的原因一般是没有权限访问、按路径访问不到、文件正在占用
Jetson Nano中使用Darknet(AlexeyAB版本)运行YOLOV4
qq_44360908的博客
02-02 3381
之前几天使用了Darknet来跑YOLOV3，或多或少遇到了一些问题，一些问题也还没有解决。YOLOV3的作者呢之前宣布自己不再更新了，那么AlexeyAB就搞了YOLOV4的版本，接下来我们就尝试一下YOLOV4。 安装Darknet(AlexeyAB版本) 和之前一样，首先把Darknet git下来，为了保留之前的版本，这次换一个目录进行下载，git的地址也有所不同。 git clonehttps://github.com/AlexeyAB/darknet....
OpenCV调用YOLOv4进行目标检测
热门推荐
Steven的博客
08-19 1万+
目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。 这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。 注意：opencv-python 目前只有 4.4.0 版本适配了 YOLOv4 导入库 import numpy as np import time import cv2 设置标签和标注颜色
yolov8实战第六天——yolov8 TensorRT C++ 部署——（踩坑，平坑，保姆教程）
qq_34717531的博客
01-17 1万+
TensorRT 通过优化深度学习模型来提高推理速度，减少延迟。这对于实时处理应用（如视频分析、机器人导航等）至关重要。：TensorRT 优化了模型以在GPU上高效运行，这意味着更低的内存占用和更高的吞吐量。对于资源受限的环境或在多任务并行处理的情况下，这是一个显著优势。：C++ 是一种跨平台语言，配合 TensorRT，可以在多种硬件和操作系统上部署深度学习模型，包括嵌入式设备和服务器。：TensorRT 提供了精确的数学和统计方法来减少浮点运算误差，这对于确保深度学习应用的准确性和稳定性至关重要。
基于TensorRT的YOLOv5 v6 Windows DLL封装：多线程GPU优化与跨语言调用 - GPU优化
最新发布
05-26
内容概要：本文详细介绍了基于TensorRT的YOLOv5 v6模型在Windows平台上的DLL封装方法。通过创建模型池并为每个模型实例分配独立的CUDA流，实现了高效的多模型加载和多线程批量识别。该方案支持MFC、Qt和C#等多种环境...
OpenVINO使用的FP16格式FaceNet模型
02-14
Intel神经棒使用的人脸识别模型，基于114759的模型使用OpenVINO进行的转换。可以运行在NCS、NCS2等平台，若是使用CPU建议下载FP32版
Yolo v4系列学习（六）darknet代码的使用小技巧
竭尽全力的专栏
06-28 6655
总结了一些darknet代码使用的小技巧。 技巧1 进行测试有两种方法： 方式1： $ ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg 方式2： $ ./darknet detector test ./cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg 技巧2 将检测结果详细显...
WIN10 系统下下载安装YOLOV4并使用GPU加速（保姆级）
russwest0的博客
01-21 3647
这次因为比赛需要测试一下yoloV4的速度，就安装了一下YOLOV4，差点哭出来 基本上把能踩的坑都踩了一遍（无奈）。装完之后想写一片总结记一下，也帮大家伙避避雷。 一、下载yoloV4源码 建议使用git下载，一行指令就搞定还挺快的。（没有的话可以直接在github上点下载就好，不过这个我没试过） 在需要下载的位置右键点击Git Bash Here(我是在E盘下) 打开git界面后输入： git clone https://github.com/AlexeyAB/darknet.git 等待下载即可
YOLOv4 物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）
黎国溥
11-22 7170
前言 基于YOLO进行物体检测、对象识别，在搭建好开发环境后，先和大家进行实践应用中，体验YOLOv4物体/目标检测效果和魅力；同时逐步了解YOLOv4的不足和优化思路。 开发环境参数 系统：Windows 编程语言：Python 3.8 深度学习框架：TensorFlow 2.3 整合开发环境：Anaconda 开发代码IDE：PyCharm 主要使用TensorFlow2.3、opencv-python4.4.0、...
python调用yolov3模型 批量处理
JUST CODE IT
11-11 675
修改AB大神的代码 import argparse import os import glob import random import darknet import time import cv2 import numpy as np import darknet def parser(): parser = argparse.ArgumentParser(description="YOLO Object Detection") parser.add_argument("--inp
NCS2的开发部署方式
jedibobo的博客
06-12 585
** NCS2的开发部署方式 ** 1.受到油管大佬启发，实际上一切跑Linux的端设备都可以先进行在linux上的开发后再部署。 具体的，我们使用windows的可以在虚拟机上尝试部署，如果可以，再将模型迁移到树莓派这种电脑上。 大致是这样一个工作流，参考https://movidius.github.io/ncsdk/ 2.总结一下配置中遇到的问题以及解决方案： NCSDK对ubuntu的支持情况 至2020.6.12写稿截至，从GitHub上clone下来的ncsdk仍然不支持Ubuntu18.04
yolov5 win10 数据集制作 各种踩坑
Leeniux
07-16 1万+
1.GitHub 下载yolov5 2.环境：win10，visual studio 2015 ，anaconda2.7，python=3.7，cuda=10.2 ,pytorch=1.5(GPU) 3.更改镜像-清华 4.安装pytorch 5.安装requirements.txt:报错。解决方案： git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI 用这个替换掉原有语句 6.下载预训练模型，YOLOv5l.pt
yoloV5训练中出现的错误及解决方法
weixin_42410915的博客
03-04 1万+
错误：pairplot() got an unexpected keyword argument 'corner' 解决：将 sns.pairplot(x, corner=True, diag_kind='auto', kind='hist', diag_kws=dict(bins=50), plot_kws=dict(pmax=0.9)) 改为 sns.pairplot(x, diag_kind='auto', kind='hist', diag_kws=dict(bins...
YOLOv8环境配置与YOLOv5
03-28
<think>好的，我现在需要帮用户了解YOLOv8的环境配置以及与YOLOv5的对比。首先，我应该先回忆一下YOLO系列的发展，YOLOv5和YOLOv8的特点。用户可能已经用过YOLOv5，现在想升级到v8，或者想比较两者的差异。我需要确保步骤清晰，环境配置部分要详细，避免用户踩坑。 首先，环境配置的基本要求可能包括Python版本、PyTorch、CUDA等。YOLOv8可能依赖特定的库，比如ultralytics这个包，而YOLOv5可能来自不同的仓库，比如ultralytics/yolov5。需要指出两者的安装命令不同，避免混淆。 然后，安装步骤需要分点说明，可能包括创建虚拟环境，安装PyTorch，安装YOLOv8的包，验证安装。对于YOLOv5，步骤类似，但仓库地址和依赖可能不同，比如YOLOv5可能需要克隆特定的仓库并安装requirements.txt。 接下来是环境配置的注意事项，比如CUDA版本与显卡驱动的兼容性，不同操作系统的区别，Python版本的问题。用户可能在这里遇到问题，比如安装依赖冲突，需要提醒使用虚拟环境。 然后是YOLOv8和YOLOv5的对比，需要从模型结构、性能、易用性、功能扩展几个方面分析。比如YOLOv8可能引入了新的骨干网络，损失函数的变化，或者训练策略的改进。性能方面，准确度和速度的对比数据可能需要查阅官方文档或论文。易用性方面，YOLOv8是否提供了更简洁的API或者更方便的训练接口。功能扩展可能包括支持的任务类型，比如实例分割，姿态估计等。 还要考虑用户的实际需求，比如是否需要最新的模型，还是更稳定的YOLOv5。用户可能关心迁移成本，从v5到v8的代码改动大不大，是否需要重新训练模型。 最后，常见问题部分需要预判用户可能遇到的问题，比如CUDA不可用，依赖安装失败，或者训练时的错误。给出解决建议，比如检查CUDA版本，使用镜像源安装等。 需要确保整个回答结构清晰，分步骤，对比部分用列表或表格更直观。语言要简洁，避免技术术语过多，但必要的术语需要保留，因为用户可能有一定的基础。同时，按照用户的要求，数学公式需要用正确的LaTeX格式，虽然这个问题里可能用到的公式不多，但如果有的话要注意格式。 检查是否有遗漏点，比如YOLOv8是否支持导出更多格式的模型，或者部署方面的差异。另外，安装命令的正确性，比如pip install ultralytics对于v8是正确的，而v5可能需要从GitHub安装。 可能还需要提到社区支持和文档资源，YOLOv5由于推出更早，可能有更多的第三方教程和解决方案，而YOLOv8作为新版本，官方文档可能更全面，但社区资源还在积累中。 最后，总结部分帮助用户根据需求选择，比如追求最新技术选v8，稳定性选v5。确保整个回答符合用户的要求，结构清晰，步骤正确，对比明确。</think>以下是对YOLOv8环境配置及其与YOLOv5对比的逐步说明： --- ### **一、YOLOv8环境配置** #### **1. 硬件与软件要求** - **GPU**: 推荐NVIDIA显卡（支持CUDA加速） - **操作系统**: Windows/Linux/macOS - **Python**: 3.7及以上版本 - **PyTorch**: ≥1.7.0 #### **2. 安装步骤** ```bash # 创建虚拟环境（推荐） conda create -n yolov8 python=3.8 conda activate yolov8 # 安装PyTorch（需匹配CUDA版本） pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 # 安装YOLOv8核心库 pip install ultralytics # 验证安装 python -c "from ultralytics import YOLO; print(YOLO('yolov8n.pt'))" ``` #### **3. 关键依赖说明** | 依赖项 | 作用 | |--------------|-----------------------------| | `ultralytics` | YOLOv8官方库，提供训练/推理接口 | | `opencv-python` | 图像处理与可视化 | | `pycocotools` | 评估指标计算（COCO数据集） | --- ### **二、YOLOv5环境配置** #### **1. 安装步骤** ```bash # 克隆官方仓库 git clone https://github.com/ultralytics/yolov5 cd yolov5 # 安装依赖 pip install -r requirements.txt # 验证安装 python detect.py --weights yolov5s.pt --source data/images/ ``` #### **2. 关键依赖对比** | 依赖项 | YOLOv5 | YOLOv8 | |--------------|-----------------|-----------------| | 核心框架 | 自研代码库 | `ultralytics`库 | | 安装方式 | Git克隆+手动安装 | 直接pip安装 | --- ### **三、YOLOv8与YOLOv5对比** #### **1. 模型结构改进** - **YOLOv8**: - 使用更高效的CSP结构 - 动态标签分配策略（Task-Aligned Assigner） - 引入Distribution Focal Loss - **YOLOv5**: - 基于Focus和C3模块 - 静态标签分配（Anchor-Based） #### **2. 性能对比** | 指标 | YOLOv8n | YOLOv5n | |--------------|---------------|---------------| | 精度 (mAP) | 37.3 | 28.4 | | 推理速度 (FPS)| 680 | 650 | *注：数据来源于COCO val2017，输入尺寸640×640* #### **3. 易用性** - **YOLOv8**: - 支持单行代码训练：`model.train(data='coco.yaml', epochs=100)` - 内置更丰富的预训练模型（分类/检测/分割） - **YOLOv5**: - 需手动配置训练参数 - 社区资源更成熟（GitHub星标＞40k） #### **4. 功能扩展** | 功能 | YOLOv8支持 | YOLOv5支持 | |---------------|------------|------------| | 目标检测 | ✅ | ✅ | | 实例分割 | ✅ | ❌ | | 姿态估计 | ✅（规划中）| ❌ | --- ### **四、常见问题** #### **Q1：CUDA不可用？** - 检查驱动版本：`nvidia-smi` - 确认PyTorch与CUDA版本匹配： $$ \text{PyTorch 2.0} \rightarrow \text{CUDA 11.7/11.8} $$ #### **Q2：依赖冲突？** - 使用虚拟环境隔离 - 优先安装官方`requirements.txt` --- ### **五、总结建议** - **选择YOLOv8**：需要更高精度、多任务支持或简化API - **选择YOLOv5**：依赖成熟社区资源或历史项目迁移 两种版本均需确保环境隔离与CUDA兼容。建议优先尝试YOLOv8以获得最新优化特性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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