承接上文，复现一下Alexey Bochkovskiy的YOLOv4，本文先从环境配置开始，最后实现一帧图像的检测，如何训练自己的数据不在本文讨论范围（可能是下一篇），这里不得不佩服AB大佬，GitHub点开全是干货，无论是windows下还是linux下，操作流程非常详细，而且如果你之前已经成功复现了YOLOv3那么只需要改动一点参数就能使用YOLOv4，对接完美简直不要太方便。

项目地址：https://github.com/AlexeyAB/darknet

环境准备：Ubuntu18.04      1050TI     Anaconda（非必需）

Step1：github下载项目

可以直接github网页下载，也可以git命令下载，文件夹改名为darknet放在/home下

Step2：环境配置

看一下作者给出的配置要求，相比起很多代码，这个requirements其实只需要最基本的cuda、cudnn就行，opencv都不是必须要安装的（opencv是个坑，大坑。。。。）

需要强调的是，企图在anaconda虚拟环境用conda install来装cudatoolkit和cudnn是不成功的，必须本地编译安装CUDA和cuDNN才能成功。

ubuntu中终端yolov8训练闪退怎末结束python进程_yolov4

简单说一下，gcc不用管，cmake、cuda、cudnn是需要安装的，opencv看情况，不装的话检测结果会以jpg文件的形式保存

那么，只要CUDA和cudnn安装完整个YOLO的环境配置就完成了

1. CUDA安装（前提条件：nvidia显卡驱动已安装）

官网下载CUDA10.0，或者以上版本，根据显卡驱动的版本来决定（可参考CUDA版本问题，cuda与cudnn匹配问题）

ubuntu中终端yolov8训练闪退怎末结束python进程_darknet_02

ubuntu中终端yolov8训练闪退怎末结束python进程_github_03

找到下载的run文件，执行命令：

sudo chmod a+x cuda_10.0.130_410.48_linux.run
sudo sh cuda_10.0.130_410.48_linux.run

然后多按按空格把声明读完，注意后面有一个位置会问你装不装驱动，由于这里我们提前安装了显卡驱动，一定要选N

ubuntu中终端yolov8训练闪退怎末结束python进程_CUDA_04

安装完成后，还需要添加环境变量

sudo gedit ~/.bashrc

# 文件末尾添加以下内容
export CUDA_HOME=/usr/local/cuda 
export PATH=$PATH:$CUDA_HOME/bin 
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

# 保存修改后更新一下
source ~/.bashrc

最后测试一下CUDA是否安装成功，选择一个sample

cd /usr/local/cuda/samples/1_Utilities/deviceQuery 
sudo make
./deviceQuery

结果显示Resule=pass就是安装成功！

2. cuDNN安装（前提条件：nvidia显卡驱动已安装，CUDA已安装  官网下载需要nvidia账号）

cuDNN的版本问题可参考

 官网下载相应的版本，这里官方其实也贴心的给出了匹配的版本

ubuntu中终端yolov8训练闪退怎末结束python进程_linux_05

下载完成之后解压，然后cd进文件夹执行以下拷贝命令：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ 
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ 
sudo chmod a+r /usr/local/cuda/include/cudnn.h 
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

完成之后，查看cuDNN的版本号，有版本号即是安装成功

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

3. cmake安装

这里我是在anaconda虚拟环境中直接conda install装的cmake，其他的安装方法可自行百度

Step3：在linux上编译Darknet

使用cmake生成CMakeLists.txt可以自动检测已经安装的依赖

mkdir build-release
cd build-release
cmake ..
make
make install

依次执行上面的命令即可编译darknet

github上给出各种各样的编译情况，不使用cmake的方法，可以自行查阅github网址

Step4：单帧测试

首先需要下载yolov4的权重文件，放在/darknet文件夹中即可

权重百度云链接：链接：https://pan.baidu.com/s/1ILfTuUrQxtNBU5DdNw7hoQ  提取码：ffm8

在/darknet/data文件夹中有几张图片可供测试，这里我们直接用这几张经典的图片

./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

ubuntu中终端yolov8训练闪退怎末结束python进程_CUDA_06

ubuntu中终端yolov8训练闪退怎末结束python进程_github_07

./darknet detect cfg/yolov4.cfg yolov4.weights data/person.jpg

ubuntu中终端yolov8训练闪退怎末结束python进程_CUDA_08

那么最后，yolov4的复现其实个v3没有什么区别，这就是大佬的厉害之处，yolov3可以完美对接上yolov4，如果你还想用yolov3来检测，那么同样只需要准备好v3的权重文件，然后将上面的命令改成v3即可运行

./darknet detect cfg/yolov3.cfg yolov3.weights data/person.jpg

这样就简单的实现了yolo最基本的检测功能，还有更多的功能大家可以自己去github上研究，Alexey Bochkovskiy大佬真的写的非常详细，还有很多功能如：视频检测、放在手机上运行等等，包括训练自己的数据都有很详细的步骤，后面如果有时间，我还会尝试用自己的数据集来训练看看，v4的性能确实十分有诱惑力！