微信公众号：
OpenCV学堂
关注获取更多计算机视觉与深度学习知识
自从
YOLOv5
更新成
7.0
版本，
YOLOv8、YOLO11
推出以后，
OpenCV4.6
以前的版本都无法再加载导出
ONNX
格式模型了，只有
OpenCV4.7
以上版本才可以支持最新版本
YOLOv5、YOLOv8、YOLO11
模型的推理部署。首先看一下最新版本的
YOLO11
的输入与输出格式：
就会发现，跟YOLOv8输入与输出结果完全一致，没有什么改变。
推理演示截图：
代码已经全部测试过了，可以直接调用：
#include
#include
#include
std::string label_map = "D:/python/yolov5-7.0/classes.txt";
int main(int argc, char** argv) {
std::vector<std::string> classNames;
std::ifstream fp(label_map);
std::string name;
while (!fp.eof()) {
getline(fp, name);
if (name.length
()) {
classNames.push_back(name);
}
}
fp.close();
std::vector<cv::Scalar> colors;
colors.push_back(cv::Scalar(0, 255, 0));
colors.push_back(cv::Scalar(0, 255, 255));
colors.push_back(cv::Scalar(255, 255, 0));
colors.push_back(cv::Scalar(255, 0, 0));
colors.push_back(cv::Scalar(0, 0, 255));
std::string onnxpath = "D:/projects/yolov8n.onnx";
auto net = cv::dnn::readNetFromONNX(onnxpath);
net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
net.setPreferableTarget(cv::dnn::DNN_TARGET_CPU);
cv
::VideoCapture capture("D:/images/video/sample.mp4");
cv::Mat frame;
while (true) {
bool ret = capture.read(frame);
if (frame.empty()) {
break;
}
int64 start = cv::getTickCount();
// 图象预处理 - 格式化操作
int w = frame.cols;
int h = frame.rows;
int _max = std::max(h, w);
cv::Mat image = cv::Mat::zeros(cv::Size(_max, _max), CV_8UC3);
cv::Rect roi(0, 0, w, h);
frame.copyTo(image(roi));
float x_factor = image.cols / 640.0f;
float y_factor = image.rows / 640.0f;
// 推理
cv::Mat blob = cv::dnn::blobFromImage(image, 1 / 255.0, cv::Size(640, 640), cv::Scalar(0, 0, 0), true, false);
net.setInput(blob);
cv::Mat preds = net.forward();
// 后处理, 1x84x8400
cv::Mat outs(preds.size[1], preds.size[2], CV_32F, preds.ptr());
cv::Mat det_output = outs.t();
float confidence_threshold = 0.5;
std::vector<cv::Rect> boxes;
std::vector classIds;
std::vector confidences;
for (int i = 0; i < det_output.rows; i++) {
cv::Mat classes_scores = det_output.row(i
).colRange(4, preds.size[1]);
cv::Point classIdPoint;
double score;
minMaxLoc(classes_scores, 0, &score, 0, &classIdPoint);
// 置信度 0～1之间
if (score > 0.25)
{
float cx = det_output.at(i, 0);
float cy = det_output.at(i, 1);
float ow = det_output.at(i, 2);
float oh = det_output.at(i, 3);
int x = static_cast((cx - 0.5 * ow) * x_factor);
int y = static_cast((cy - 0.5 * oh) * y_factor);
int width = static_cast(ow * x_factor);
int height
= static_cast(oh * y_factor);
cv::Rect box;
box.x = x;
box.y = y;
box.width = width;
box.height = height;
boxes.push_back(box);
classIds.push_back(classIdPoint.x);
confidences.push_back(score);
}
}
// NMS
std::vector indexes;
cv::dnn::NMSBoxes(boxes, confidences, 0.25, 0.50, indexes);
for (size_t i = 0; i < indexes.size(); i++) {
int index = indexes[i];
int idx = classIds[index];
cv::rectangle(frame, boxes[index], colors[idx % 5], 2, 8);
cv::rectangle(frame, cv::Point(boxes[index].tl().x, boxes[index].tl().y - 20),
cv::Point(boxes[index].br().x, boxes[index].tl().y), cv::Scalar(255, 255, 255), -1);
cv::putText(
