### 使用 Java 和 OpenCV 加载 YOLOv8 的 ONNX 模型进行目标检测 在 Java 中使用 OpenCV 进行目标检测时，可以利用 `cv2.dnn.readNetFromONNX` 方法加载 ONNX 格式的模型[^1]。以下是实现此功能的具体方法和代码示例。 #### 依赖库 确保已安装支持 DNN 模块的 OpenCV 版本，并将其配置到项目中。可以通过 Maven 或手动导入的方式引入 OpenCV 库。 #### 导入必要的包 ```java import org.opencv.core.*; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Imgproc; import org.opencv.dnn.Dnn; import org.opencv.dnn.Net; ``` #### 实现步骤说明 1. **加载 ONNX 模型**: 使用 `Dnn.readNetFromONNX(String modelPath)` 方法加载训练好的 YOLOv8 ONNX 模型。 2. **图像预处理**: 将输入图像调整为模型所需的尺寸并标准化像素值。 3. **设置推理参数**: 配置网络输入层的数据格式。 4. **执行前向传播**: 调用 `forward()` 函数获取预测结果。 5. **解析输出**: 提取边界框、类别标签以及置信度分数。 #### 完整代码示例 以下是一个完整的 Java 示例程序： ```java public class YoloV8ObjectDetection { static { System.loadLibrary(Core.NATIVE_LIBRARY_NAME); } public static void main(String[] args) { String imagePath = "path/to/input/image.jpg"; // 输入图片路径 String modelPath = "path/to/yolov8m.onnx"; // ONNX 模型文件路径 double confidenceThreshold = 0.5; // 置信度阈值 double nmsThreshold = 0.4; // NMS 抑制阈值 // 初始化 Net 对象 Net net = Dnn.readNetFromONNX(modelPath); // 加载测试图像 Mat image = Imgcodecs.imread(imagePath); int width = image.cols(); int height = image.rows(); // 创建 Blob 数据作为模型输入 Mat blob = Dnn.blobFromImage(image, 1 / 255.0, new Size(640, 640), new Scalar(0, 0, 0), true, false); // 设置网络输入 net.setPreferableBackend(Dnn.DNN_BACKEND_OPENCV); net.setPreferableTarget(Dnn.DNN_TARGET_CPU); net.setInput(blob); // 执行前向传递 List<Mat> outs = new ArrayList<>(); net.forward(outs, getOutputNames(net)); // 解析输出 processOutputs(outs, image, width, height, confidenceThreshold, nmsThreshold); // 显示结果 String outputPath = "path/to/output/image.jpg"; Imgcodecs.imwrite(outputPath, image); System.out.println("Result saved to: " + outputPath); } private static List<String> getOutputNames(Net net) { List<String> names = new ArrayList<>(); List<String> layersNames = net.getLayerNames(); for (int i = 0; i < net.getUnconnectedOutLayers().size(); ++i) { int id = net.getUnconnectedOutLayers().getInt(i) - 1; names.add(layersNames.get(id)); } return names; } private static void processOutputs(List<Mat> outputs, Mat frame, int originalWidth, int originalHeight, double confThreshold, double nmsThreshold) { List<Double> confidences = new ArrayList<>(); List<Rect2d> boxes = new ArrayList<>(); List<Integer> classIds = new ArrayList<>(); for (Mat out : outputs) { for (int i = 0; i < out.rows(); ++i) { float[] data = new float[out.cols()]; out.row(i).convertTo(new Mat(), CvType.CV_32F, data); double score = Math.max(data[5], Math.max(data[6], data[7])); // 假设只有三个类别的简单情况 if (score > confThreshold) { int centerX = (int) (data[0] * originalWidth); int centerY = (int) (data[1] * originalHeight); int w = (int) (data[2] * originalWidth); int h = (int) (data[3] * originalHeight); int left = centerX - w / 2; int top = centerY - h / 2; confidences.add(score); boxes.add(new Rect2d(left, top, w, h)); classIds.add((int) data[4]); } } } // Non-Maximum Suppression MatOfInt indices = new MatOfInt(); Dnn.NMSBoxes(boxes, confidences, confThreshold, nmsThreshold, indices); // 绘制边框 for (int idx : indices.toArray()) { Rect2d box = boxes.get(idx); Point p1 = new Point(Math.max(box.x, 0), Math.max(box.y, 0)); Point p2 = new Point(Math.min((box.x + box.width), originalWidth), Math.min((box.y + box.height), originalHeight)); Core.rectangle(frame, p1, p2, new Scalar(255, 178, 50), 3); } } } ``` --- ### 关键点解释 1. **Blob 处理** 使用 `blobFromImage` 方法创建适合模型输入的四维张量数据结构[^1]。该函数会自动完成缩放、均值减法等操作。 2. **NMS 抑制** 利用 `Dnn.NMSBoxes` 方法去除冗余重叠区域，保留最佳候选框[^3]。 3. **错误排查** 如果遇到运行时异常（如 `[ONNXRuntimeError]`），可能是由于模型版本不兼容或输入形状不符引起的[^4]。建议验证 ONNX 文件的有效性和输入分辨率的一致性。 ---