本文介绍了C++预测代码的编译及封装为dll的流程。编译需准备Cmake、VS2019等工具和相关依赖库，经配置环境变量、Cmake编译生成sln，再用VS生成exe，最后通过cmd预测。封装dll需修改CMakeLists.txt和main.cc，重新生成后可被Python和C#调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
一、如何进行C++预测代码的编译（生成.sln解决方案，exe方案）
1.1准备
- 工具：Cmake，VS2019社区版， Git（三个安装包已载入到项目）
- 依赖库：
- Opencv （3.4.6版，已载入到项目 opencv-3.4.6-vc14_vc15.exe，解压时目录要和预测库放在一个目录下）
- Paddle预测库（Windows cuda10 paddle2.0版，paddle_inference_install_dir.zip，需要自行下载）
- PaddleClas：（release2.0版）
Aistudio截图：
1.2 将依赖库和预测代码存放在一个目录下
- Opencv打开后会显示解压路径，选择或者新建一个文件夹（之后的预测库和Clas都会放在该目录下）
1.3 将opencv添加到环境变量
- 打开opencv目录，把opencv路径下的的opencv\build\x64\vc14\bin 路径添加到path环境变量中：
- 环境变量打开方式：右键计算机图标->高级系统设置->高级->环境变量
- 编辑系统变量 path：添加变量值“G:\projects\opencv\build\x64\vc14\bin”，确定
1.4 利用Cmake软件进行编译
在Windows搜索栏输入Cmake打开Cmake gui（如果没有请重新安装下，安装包见1.1章节）
点击configure，选择vs2019 X64选项后，点击Generate
然后会发现报错：如下：
根据报错进行修改，主要修改cuda_lib、cudnn_lib、opencv、paddle_dir路径（双击修改）
CUDA_LIB: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64 CUDNN_LIB: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64 OPENCV:G:\projects\opencv PADDLE_DIR:G:\projects\paddle_inference_install_dir
修改完成，再次点击 Generate，表示生成sln解决方案。
----------------------------------------------------------------------------------------------------------------------------------------------------------------
如果出现错误，请检查各路径是否正确，以及预测库对应版本是否正确
----------------------------------------------------------------------------------------------------------------------------------------------------------------
1.5 生成exe文件
当显示Generating done 后点击open Project（已经安装好vs2019）打开sln解决方案
打开后需要重新生成解决方案，同时把debug改为release：
生成可能会有段时间，稍等一会，有如下显示表示生成完成
1.6 使用exe文件预测
当我们使用vs重新生成完成后，会发现 out目录下面有一个release文件文件夹，该文件夹下是我们刚才生成的 clas_system.exe 文件：
接下来，我们使用该exe来预测图片：
预测前需要准备配置文件 ：配置文件为cpp_infer\tools目录下 config.txt
记事本打开该文件，并作如下修改：
- use_gpu 1 表示使用gpu预测
- gpu_id 0 这里如果电脑有多张卡（核显和集显），需要去设备管理器禁用掉不用的那张显卡，不能写1 ，因为Windows不支持多卡训练，默认为0
- cls_model_dir 使用预测模型的路径，根据之前自己训练的模型，转换成inference模型后的路径（如果没有训练，请查看链接4.2章节，因为版本更新，需要把__model__和__variables__分别改名为model和params）
#### **例：如下**
以上更改完成后使用cmd来预测一下（此为示例，具体目录根据自己路径来）：
cd到release目录：
使用clas_system.exe 配置文件路径 图片路径 进行预测：
.\clas_system.exe ..\..\tools\config.txt ..\..\..\..\dataset\flowers102\jpg\image_00001.jpg
预测结果如下：
注：预测的图片为dataset/flowers102目录下图片，如果没有下载，请查看链接2.1章节
以上我们完成了使用exe文件的预测流程
二、如何将C++预测代码封装成一个dll、
上面章节我们完成了exe文件的预测流程，但是如果我们打算通过别的程序来预测呢！这里我们将完成dll的封装
2.1 修改CMakeLists.txt
该文件在deploy/cpp_infer目录下
修改该文件的倒数第20行
add_executable(${DEMO_NAME} ${SRCS})
改为ADD_library(${DEMO_NAME} SHARED ${SRCS})
改成如下字样：
2.2 按照上文1.4章节继续重新cmake一次
2.3 修改属性
打开该sln后，在属性—常规—配置类型中修改成.dll文件，确定
右键cls_system重新生成
待生成成功
然后我们打开release目录，会发现有clas_system.dll文件
您以为这就好了？不，还要改嘞！！！
2.4 修改main.cc
在main.cc文件内添加代码：
1.在int main(int argc, char **argv) 代码上方添加如下代码：
extern "C" __declspec(dllexport) int main(int argc, char** argv); //表示python可以调用该dll
2.把Config config(argv[1]); 改为：
Config config("G:/projects/PaddleClas-dygraph/deploy/cpp_infer/tools/config.txt");
该路径为预测配置文件路径
3.把std::string img_path(argv[2]); 改为：
std::string img_path("E:/PaddleClas-dygraph/dataset/flowers102/jpg/image_00001.jpg");
该路径为预测图片路径
4.删掉if (argc结果如下：
5.修改完成后重新生成...
2.5 python调用dll 预测
重新生成完成后，在release目录新建python文件：
内容为：
import ctypesfrom ctypes import *
dll=CDLL("clas_system.dll")print(dll.main())
运行：
cmd 进入该目录，运行clas_system.py
预测结果如下。
到这里我们的python端调用dll预测流程已经完成。
2.6 c#调用dll预测
1.创建c#控制台应用
2.修改代码如下：
using System;using System.Runtime.InteropServices;namespace ConsoleApp1
{ class Program
{
[DllImport("clas_system.dll", EntryPoint = "main", CharSet = CharSet.Ansi)] public static extern void main(); static void Main(string[] args)
{ main(); Console.Write("Press any key to continue . . . "); Console.ReadKey(true);
}
}
}
3.将我们之前在release目录中生成的dll全部复制到新建的控制台项目中
目录为：.......\ConsoleApp1\ConsoleApp1\bin\x64\Debug\netcoreapp3.1
4.Debug编译
编译前需要修改下 “解决方案平台”
ConsoleApp属性->生成->目标平台->x64
修改完成后，重新生成
单击上方 ConsoleApp1 运行
成功输出预测结果，当然，我们生成的程序存放在目录G:\projects\c#\ConsoleApp1\ConsoleApp1\bin\x64\Debug\netcoreapp3.1下面直接打开该exe文件也可预测
