opencv yuv422数据yuv怎么放的

YoloV4学习笔记4_编译dll并调用测试（win10+VC2015+opencv4.4+yolov4）

编译dll

打开工程 yolo_cpp_dll_no_gpu.sln,

把常规属性中的目标平台版本从8改为10，修改opencv路径，编译。

出现以下错误：

无法解析的外部符号 make_implicit_layer

解决方法参考下面网址：

更改yolo_cpp_dll_no_gpu.vcxproj

注意：下面的3条修改，我在测试时，66行的不需要修改，也可以正常编译成功。

左边为原来的版本，右边为更改后的版本

66行加上

163行加上

238行加上

改完后，重新打开工程，编译成功。

注意：

默认yolov4默认字符集是“多字节字符集”，根据需要可以在工程属性中改为unicode，一样可以编译通过。

如果要编译gpu版dll

参考：
1、修改yolo_cpp_dll.vcxproj中CUDA的版本号，2处
2、特别注意要将CUDA设备中的Generation改成自己显卡对应的计算能力（默认添加了35和75两项，可能不是你的显卡的计算能力，可以去英伟达显卡官网查询计算能力：https://developer.nvidia.com/cuda-gpus#collapseOne），否则接下来的生成会出错。在前面边编译训练用的工程时，也有本操作。

---

---

调用dll

把yolo_cpp_dll.dll、pthreadGC2.dll、pthreadVC2.dll放到工程目录，
引入yolo_cpp_dll.lib和yolo_v2_class.hpp
注意：如果要debug，则把dll分出release版和debug版不同名字（dll工程relase和debug输出名相同，需要改成不同，这里给debug版加了"_d"）

#include “yolo_v2_class.hpp”
 #ifdef _DEBUG
 #pragma comment(lib,“yolo_cpp_dll_d.lib”)
 #else
 #pragma comment(lib,“yolo_cpp_dll.lib”)
 #endif //_DEBUG具体使用很简单：
 //创建检测器
 Detector m_YoloDetector(“.cfg",".weights”);
 //检测
 std::vector<bbox_t> vResult = m_YoloDetector.detect(img);

经测试，debug和release都可以正常使用。

注意：

1、cfg和weights文件如果不存在，会是程序闪退，最好先判断是否存在并提示。
2、cfg和weights必须配套，也就是要用训练weights时使用的cfg，否则会检测不出结果。
3、debug和release的dll不能混用，否则会出错。
4、在调用dll的工程中的yolo_v2_class.hpp中，增加“ #define OPENCV ”
因为有一些代码是#ifdef OPENCV控制的，得加上#define OPENCV才会起作用
否则可能会有如下错误：
错误1：无法 从“cv::Mat”转换为“image_t”
错误2：无法从"cv::Mat"转换为“string"，这个错误是因为错误1导致的重载函数匹配不上了。
5、gpu识别coco数据集80分类，识别一次dog.jpg的例子图像，花费3100ms。
识别自己做的1分类数据集，需要1500ms，还是很慢啊。
（cpu i7-7700HQ 2.8GHz）
相同条件下，yolov4-tiny的识别速度是yolov4的10倍，coco数据集80分类识别205ms。
6、虽然用不到，但是特殊记录一下，darknet中的图片像素点数据，都是保存的0-1之间的标准化数据。例如，darknet_R = opencv_R/255;