windows10+vs2015+opencv3.2+yolov3配置教程

最新推荐文章于 2025-05-13 09:36:17 发布
最新推荐文章于 2025-05-13 09:36:17 发布
阅读量1.1k 收藏 9
点赞数 1
CC 4.0 BY-SA版权
分类专栏： opencv yolov3
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_42244181/article/details/104767619

主要有5个需要下载安装的部分
Visual Studio 2015（vc14）
OpenCV3.2
CUDA9.1
CUDNN7.1
Darknet-windows

参考https://blog.youkuaiyun.com/congcong7267/article/details/82841647
vs2017和2019可使用参考中方法更改数据集

1.cuda和cudnn安装
注意cuda和cudnn版本必须对应且符合自己电脑的显卡配置，不然容易出现兼容问题。
CUDA的型号要严格对应你的电脑显卡配置
可以通过点击右键，进入NVIDIA控制面板——点击左下角系统信息——组件——查看
在这里插入图片描述

cuda各版本下载地址：https://developer.nvidia.com/cuda-toolkit-archive
在这里插入图片描述
下载后直接默认安装，中间时间有点长，大家耐心等待。（若在检测显卡版本时报错，提示你的显卡驱动太新，这就是cuda的版本低了，安装一个高一些的版本，注意cudnn版本也要对应）。

默认安装基本不会出错，路径cuda会自动加入系统环境变量中。
检查是否装好cuda方法：windows 的cmd 终端输入：nvcc -V 出来正确的版本就是装好了
在这里插入图片描述

下面是我的全部环境变量
在这里插入图片描述
path中的两个
在这里插入图片描述

cudnn各版本下载地址：https://developer.nvidia.com/rdp/cudnn-archive下载之前需要注册
建议下载到C盘根目录，解压到C盘根目录，解压后默认名字为cuda，不要改！！！。然后将cudnn的bin目录加入Path环境中：C:\cuda\bin。同时在系统变量中新建一个cudnn的环境变量路径如下图所示
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

上述操作完成后还需进行以下操作：
将\cuda\bin\cudnn64_7.dll 复制到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin
将 \cuda\ include\cudnn.h 复制到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\include
将\cuda\lib\x64\cudnn.lib复制到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\lib\x64

具体安装出现问题参考这个博客
https://blog.youkuaiyun.com/KID_yuan/article/details/88380269

本教程所用cuda和cudnn百度云
链接：https://pan.baidu.com/s/18zXyazGanSMqg4aqLg42Ug
提取码：wjvq

2 vs2015配置opencv3.2.0
本人用的是opencv3.2版本（版本要在3.4以下）
（1）下载：https://opencv.org/releases/page/3/
下载文件名称为opencv-3.2.0-vc14.exe,其中vc14 = Visual Studio 2015，双击直接进行安装。
在这里插入图片描述
（2）安装完成后，右键我的电脑—属性—高级系统设置—环境变量，在系统变量中的PATH中添加路径：D:\OpenCV3.2.0\opencv\build\x64\vc14\bin。
在这里插入图片描述
打开一个项目，右键选择属性。这一步可在darnet之后进行
在这里插入图片描述
添加包含目录：
在这里插入图片描述
添加库目录：
在这里插入图片描述
添加附加依赖项：
在这里插入图片描述
3.darknet安装
下载地址：https://github.com/AlexeyAB/darknet将上述的darknet下载下来，位置随便
首先 修改darknet.vcxproj文件（有GPU的版本） 进入\darknet-master\build\darknet目录，由于darknet.vcxproj 中使用的是CUDA 9.1与本文所用一致，可直接使用。非CUDA 9.1需要利用编辑器（记事本即可）打开darknet.vcxproj ，将所有CUDA 9.1修改为自己对应的CUDA版本，本人使用CUDA 8.0(CUDA与8.0之间有一个空格),所以执行以下操作：
在这里插入图片描述
进入\darknet-master\build\darknet中，没有GPU的打开darknet_no_gpu.sln，有GPU的打开darknet.sln。将项目修改为Release x64。

拷贝CUDA 9.1.props等文件：
CUDA 9.1.props 等文件就在cuda的安装目录下，本人路径是：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\extras\visual_studio_integration\MSBuildExtensions
拷贝所有文件到C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\v140\BuildCustomizations。
在这里插入图片描述

拷贝其他配置文件
将…\opencv\build\x64\vc14\bin下的opencv_world320.dll 和opencv_ffmpeg320_64.dll 复制到 D:\darknet\darknet-master\build\darknet\x64 目录下。
上述所有工作做完后，进入VS在darknet工程上右键——>生成。
在这里插入图片描述
如果没有报错就已经安装好了。
在这里插入图片描述
下面是测试：

在github上下载作者训练好的模型，网址：https://github.com/AlexeyAB/darknet/blob/master/README.md
在这里插入图片描述
网盘里可以自行下载yolov3.weights。
链接：https://pan.baidu.com/s/14D2MKjmfD_QqvKqxsjEDyg
提取码：fy4j

下载后放在…\darknet-master\build\darknet\x64下，打开该目录，双击darknet_yolo_v3.cmd会出现以下结果，表明成功编译。

在这里插入图片描述

对于没有GPU的读者，把那个cuda和cudnn相关配置忽略就可以。然后用VS打开的是darknet_no_gpu.sln就可以。

darknet_no_gpu.vcxproj文件里面不用改任何东西。

其他过程一样。

Windows7+GPU+VS2015配置YOLO V3+训练自己的数据集
bozki1995的博客
12-30 590
@[TOC]Windows7+GPU+VS2015配置YOLO V3遇到的问题 如题目了，Windows7+CUDA 8.0+VS2015 想配置yolo v3 CUDA已经装好了,如下图版本是8.0 opencv也在VS2015中配置好了，在我的电脑里的系统变量里已经配置好Debugx64。 可以运行一个简单的示例代码。没有问题。 下载好的darknet-master，下载地址是：https:...
深度学习加速与高效应用：Win10 + TensorRT + OpenCV + Qt + YOLOv8 模型部署全攻略
最新发布
威哥说编程
06-08 786
本文详细介绍了在Windows 10环境下使用TensorRT、OpenCV、Qt和YOLOv8部署目标检测系统的完整流程。内容包括：1）环境搭建（CUDA/cuDNN、Anaconda、Python依赖、TensorRT和Qt安装）；2）YOLOv8模型准备与TensorRT优化（模型下载、ONNX转换及TensorRT加速）；3）推理实现（TensorRT加载、OpenCV图像处理与可视化）；4）Qt GUI集成（检测结果显示）。通过本教程，读者可以掌握深度学习模型从优化到实际部署的全过程，实现高效目标
用VS2015+opencv3.4.2+C++编写Yolov3目标检测算法
07-18
由于工程项目太大，所以里面是一个百度网盘分享，大家可以自行下载
Win10+VS2015配置yolov3
lys07962000的专栏
07-24 936
1：https://blog.csdn.net/Clay_Zhang/article/details/82975593 2：https://blog.csdn.net/Clay_Zhang/article/details/89290065 解决CUDA driver version is insufficient for CUDA runtime version https://www.cnbl...
在C++中使用YOLO的几种方式
m0_37302966的博客
05-13 1054
在C++中使用YOLO的几种方式
vs2015+opencv346+yolov3 目标检测学习
zfjBIT的专栏
09-10 634
文件下载： https://pjreddie.com/media/files/yolov3.weights https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg https://github.com/pjreddie/darknet/blob/master/data/coco.names 下载yolov3.weight...
vs2015下使用动态链接库调用YOLOv3
03-07
从零开始在win10+vs2015上运行YOLOv3,记得在x64 debug下运行，相关文件需要另外准备，压缩包内的截图里面有完整路径。参考博文：https://blog.csdn.net/qq_22199831/article/details/104713533
Windows10+YOLOv5训练自己的数据集
热门推荐
qq_40927867的博客
04-16 2万+
Windows10+YOLOv5训练自己的数据集一、环境和配置1.1 安装anaconda1.2 在anaconda中安装pytorch虚拟环境1.3 安装CUDA和cudnn1.4 安装pytorch GPU版二 源码测试2.1 下载源码2.2 安装依赖项2.3 测试2.3.1 下载权重文件2.3.2 测试三、训练自己的数据集 一、环境和配置 系统：window10 CUDA：10.1 CUDNN：7.4 python：3.7 opencv-python>=4.1.2 pytorch>=1.7
yolov5 + tensorRT + windows GPU C++部署
weixin_39017195的博客
03-09 2488
yolov5在window上tensorRT的C++部署
yolov3gpu配置_YOLO3-WIN10-GPU版配置详细教程
weixin_34033915的博客
01-17 1155
亲测！！！YOLO3-WIN10-GPU版配置详细教程YOLO3在目标检测方面表现突出，下面提供“憨皮”教程无GPU参考:https://blog.csdn.net/baidu_36669549/article/details/79798587主要有5个需要下载安装的部分Visual Studio 2015(vc14)OpenCV3.2CUDA9.1CUDNN7.0Darknet-windows ...
windows下go-opencv之gocv安装教程（简单教程）（纯gocv开发yolov8起始篇）
09-16 2204
golang语言开发yolov8前，先安装gocv及部署windows开发环境。
win10运行YOLOv4+OPENCV+VS2017
PUZZER的博客
07-17 1780
方案一.QtGUI+YOLOv4+OPENCV+VS2017 主要参考：https://blog.csdn.net/weixin_42448226/article/details/105752224 上面的博客作者写的不是很详细，坑很多 注意： 如果想要复现上文，所有软件版本最好和作者使用一致，CUDA使用V10.1，，作者上传到github上的项目是基于CUDAV10.1做的，我使用的10.2，后面编译生成的EXE文件依赖cudart64_101.dll 文件，并且编译配置里没找到哪里能修改，这个
Win10下安装YOLOV3+VS2015+OPENCV3.2.0
weixin_34758340的博客
05-28 505
Win10+VS2015+YOLOV3+OPENCV3.2.0总的说明CUDA安装OPENCV3.2.0YOLOV3编译编译和测试 总的说明 本人电脑win10+r4800+1660ti-maxq，网上配置window环境下YOLOV3的说明良莠不齐，在此处记录自己配置的过程。 ##VS2015安装 VS2015 这个没什么好说的，可以在各种途径下载，最后安装后自定义安装自己需要的部分。 CUDA安装 注意：最好不要用最新的CUDA11.1，在最后的检测模块无法识别出，本人最后降级使用CUDA10.1后，
YOLOv3配置（windows10+opencv3.20+cuda9.1+cudnnv7+VS2015）
leonary_jy的博客
05-12 1万+
前几天配置YOLOv3踩了不少坑，记下来希望对后来人有所帮助。假设已经安装了VS2015。1.去AlexeyAB大神的github下载darknet。链接：https://github.com/AlexeyAB/darknet。解压完会得到darknet-master。2.安装opencv3.20和cuda9.1。3.安装cudnn v7。（opencv3.20+cuda9.1+cudnn v7资...
win10+vs2017+yolov3+opencv3.4实时目标检测
Kevincoooool
09-02 2361
基于win7系统VS2015，无GPU,OpenCV3.2.0下编译darknet_no_gpu
Swithunm的博客
10-18 504
通过下载darknet_master链接，你会发现pthread已经配置好了，但是OpenCV的对应路径不对，所以需要更改你安装Opencv3.2.0的路径，首先是c/c++的附加包含目录.然后是链接器的附加库目录，添加自己的opencv库目录想了很久，觉得要写篇博客，纪念一路上编译心酸史。在博客论坛上搜索了很久，原来电脑只有VS2013(已配置好的)，网络上大部分是VS2015配置教程，在VS2...
win10+opencv3.2+vs2017+darknet_yolov3+python 64位CPU(无GPU)配置
Matrix576的博客
12-13 3557
参考 https://blog.csdn.net/u013634684/article/details/48289449 https://blog.csdn.net/congcong7267/article/details/82841647 https://blog.csdn.net/StrongerL/article/details/81007766
【YOLOv3+windows10+opencv3.0+VS2015】编译生成无gpu版的darknet.exe中遇到的困难及解决方法，使例子能够成功跑起来
j_starry的博客
11-22 5479
本过程使用的是https://github.com/AlexeyAB/darknet里的文件，先把这个GitHub里的文件下载好，这个github里的readme也都是满满的干货，但是有些细节都没有说，不太适合新手，所以我这篇文章主要是说darknet.exe怎么生成吧，先把图片跑起来 想生成darknet.exe文件，首先要用visual studio打开E:\detect\darknet-m...
3分钟掌握实时目标检测：使用 OpenCV 和 YOLOv3 的手把手教程
Johnor的博客
08-21 2132
函数是代码的核心部分，负责处理网络的输出并在图像上找到并绘制目标对象。bbox = []confs = []int100%',本项目展示了如何结合深度学习和传统计算机视觉技术来实现实时目标检测。通过 OpenCV 和 YOLOv3，我们能够在普通计算机上实时检测摄像头捕获的图像中的对象。实用性: 代码可用于许多实际应用，如监控、人机交互、机器人导航等。灵活性: 通过修改参数和模型，代码可以轻松适应不同的场景和需求。可访问性: 代码使用了开源和广泛使用的库和模型，使其容易理解和扩展。
树莓派yolov8都需要什么
03-18
<think>好的，我现在需要帮助用户解决在树莓派上运行YOLOv8所需的依赖项和配置的问题。首先，我得先回顾一下用户提供的引用内容，特别是引用[2]和[3]，因为里面提到了YOLOv5在树莓派上的配置，这可能对YOLOv8有参考价值。 用户的问题包括硬件配置、软件依赖和安装教程。首先，硬件配置方面，引用[2]提到了树莓派4B或更高型号，至少4GB内存，这可能是基础要求。YOLOv8相比YOLOv5可能在计算需求上更高，所以可能需要更强大的硬件，比如树莓派5或者使用散热措施来保持稳定运行。此外，摄像头模块可能需要，比如Picamera，这在引用[2]的软件列表里也有提到。 软件依赖方面，YOLOv5需要Python 3.7、PyTorch、Torchvision、OpenCV等。YOLOv8可能也需要类似的环境，但版本可能不同。比如PyTorch可能需要更高版本，但需要确认树莓派支持的版本。引用[3]提到国内网络问题导致安装慢，可能需要换源或者手动安装某些库。此外，安装过程中如果某个库失败，需要手动用pip或conda安装，这同样适用于YOLOv8。 安装教程步骤可能包括系统准备、依赖安装、YOLOv8安装和验证。根据引用[2]中的步骤，可能需要先更新系统，安装必要的工具如Cmake，然后配置Python环境，安装PyTorch和Torchvision的兼容版本。OpenCV的安装可能比较麻烦，需要编译或者找预编译的版本。另外，YOLOv8可能需要ONNX Runtime或OpenVINO来优化推理速度，这在引用[2]的软件列表里也有OPENVION的提及，可能是OpenVINO的笔误。 需要注意的是，树莓派的ARM架构可能不支持某些库的直接安装，需要从源码编译，比如PyTorch。引用[2]中提到需要处理编译环境和依赖问题，这可能同样适用于YOLOv8。此外，用户可能需要调整模型尺寸，使用更小的模型如YOLOv8n来适应树莓派的计算能力。 最后，要确保所有步骤考虑到用户可能的网络问题，建议换源或使用镜像，如引用[3]提到的。可能还需要处理硬件加速，比如使用NPU或GPU，但树莓派的CPU可能主要依赖，所以优化模型和推理参数是关键。 总结下来，硬件需要较高配置的树莓派型号，软件依赖包括Python环境、深度学习框架、视觉库，安装步骤需要处理依赖和可能的编译问题，同时提供优化建议。</think>### 树莓派运行YOLOv8的配置与依赖指南 #### 一、硬件配置要求 1. **树莓派型号**：建议使用树莓派4B（4GB内存以上）或树莓派5，性能更高且支持USB 3.0[^2]。 2. **散热与供电**：需配备散热风扇或金属外壳，避免高温降频；推荐使用5V/3A电源适配器。 3. **存储设备**：建议64GB以上高速MicroSD卡（Class 10或更高）。 4. **摄像头模块**：可选官方Picamera或USB摄像头（需支持OpenCV调用）[^2]。 #### 二、软件依赖项 | 类别 | 工具/库 | 推荐版本 | 说明 | |-------------|--------------|----------------|-------------------------------| | 操作系统 | Raspberry Pi OS | 64位Bullseye | 需启用SSH和VNC远程访问[^1] | | Python环境 | Python | 3.7-3.9 | 建议使用Conda虚拟环境[^2] | | 深度学习框架| PyTorch | ≥1.8 | ARM兼容版本需源码编译或预编译包 | | 视觉库 | OpenCV | 4.5.4 | 需包含Python绑定 | | 加速工具 | ONNX Runtime | 1.10+ | 用于模型推理优化 | | 其他依赖 | NumPy | 1.19+ | 科学计算基础库 | #### 三、安装步骤详解 1. **系统准备** ```bash sudo apt update && sudo apt upgrade -y sudo apt install -y cmake libopenblas-dev libatlas-base-dev libjpeg-dev ``` 2. **Python环境配置** ```bash conda create -n yolov8 python=3.8 conda activate yolov8 ``` 3. **安装PyTorch（ARM兼容版）** ```bash pip install torch==1.10.0 torchvision==0.11.1 -f https://torch.kmtea.eu/whl/stable.html ``` 4. **安装OpenCV与YOLOv8** ```bash sudo apt install -y libopencv-dev # 安装OpenCV系统依赖 pip install opencv-python-headless==4.5.4.60 pip install ultralytics # 包含YOLOv8官方库 ``` 5. **验证安装** ```python import torch from ultralytics import YOLO print(torch.__version__) # 应输出1.10.0 model = YOLO(&#39;yolov8n.pt&#39;) # 加载Nano模型 ``` #### 四、性能优化建议 - **模型轻量化**：优先使用$yolov8n$或$yolov8s$，参数量分别为3.2M和11.2M[^3]。 - **推理加速**：通过ONNX转换提升推理速度： ```python model.export(format=&#39;onnx&#39;) # 生成ONNX模型 ``` - **硬件加速**：使用OpenVINO工具包优化Intel神经计算棒（需额外设备）。
评论 1
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