研究RCNN系列算法，到現在的YOLO和SSD，因爲平臺原因（窮
），都嘗試在Window+cpu環境下測試已有模型效果。網上有很多教程，這裏記錄下yolo2的配置過程。
平臺：window+cpu
yolo2代碼：https://github.com/AlexeyAB/darknet
一、下載鏈接裏的yolo2工程，打開darknet-master\build\darknet下的darknet_no_gpu.sln工程，查看工程屬性，作者已經配置好了opencv和pthreads，如下圖，但是opencv的路徑需要自己修改下。附件依賴庫主要是opencv_core249.lib，
opencv_highgui249.lib，opencv_imgproc249.lib三個文件。直到成功編譯工程，會在darknet-master\build\darknet\x64下生成darknet_no_gpu.exe可執行文件。
二、主函數在darknet.c文件裏，如下圖。
要運行起來，需要新建一個cmd文件。參照darknet-master\build\darknet\x64下的darknet_voc.cmd文件新建darknet_no_gpu.cmd文件，因爲是調用上面生成的darknet_no_gpu.exe，所以內容改爲
到這一步還需要一個yolo-voc.weights文件，從官網https://pjreddie.com/darknet/yolo/下載相應的模型參數文件（點擊那個weights下載，只要是yolo2版本的都行），放到darknet-master\build\darknet\x64路徑下。
雙擊運行darknet_no_gpu.cmd，窗口爲
輸入圖像路徑回車即可得結果
三、這樣只能每次跑一張圖像，如果要連續測試可以修改detector.c文件裏的test_detector函數，如果要用到cv空間的一些功能，在文件前面添加using namespace std;using namespace cv;把detector.c改爲detector.cpp，這時注意：因爲yolo都是純c編寫的，darknet.c文件會調用到detector.cpp裏的函數，那邊需要把detector.cpp裏面頭文件包含的部分加上
extern “C”
{
#include “xxx.h”
}
同時，全局函數要在前面聲明並加上extern “C”。如
extern "C" void run_detector(int argc, char **argv);
參考博客：http://blog.csdn.net/qq_14845119/article/details/53589282
-----------------------------------------------------------------------------------------
補充：window+gpu版本也成功運行
打開darknet-master\build\darknet下的darknet.sln工程，然後在工程屬性中進行配置，加入cuda和cudnn（如果不加cudnn，只用GPU，速度並不快，大概一張圖像1s左右）的lib文件和include路徑。我用的是CUDA7.5和cudnn7.5，cudnn有編譯好的庫文件，解壓出來是一個cuda文件夾，裏面有include、lib、dll三個文件夾，把裏面的文件放到CUDA下的對應的include、lib、dll文件夾中，然後設置環境變量那些。一般配置好後就可以跑了。
-----------------------------------------------------------------------------------------
2018年4月20日注：YOLO不斷更新，目前已到YOLOv3，YOLOv2的代碼作者也做了更新，建議根據最新資源進行配置，AlexeyAB一般都會針對作者的改動及時更新工程，且進行優化。windows環境配置方面比較複雜，linux比較簡單，只是需要python和linux基礎，建議學習這兩個知識，有助於深度學習研究開發。
