### 如何使用 C++ 和 OpenCV 调用 YOLOv4-Tiny 的源代码 YOLO (You Only Look Once) 是一种流行的实时目标检测算法，而 YOLOv4-Tiny 是其轻量级版本。以下是基于 C++ 和 OpenCV 实现调用 YOLOv4-Tiny 模型的一个完整示例。 #### 依赖库与环境搭建 为了实现此功能，需确保已安装以下工具和库： - **OpenCV**: 版本建议为 4.x 或更高。 - **Darknet 预训练权重文件** (`yolov4-tiny.weights`) 及对应的配置文件 (`yolov4-tiny.cfg`)。 可以通过以下命令下载预训练模型及其配置文件[^2]: ```bash wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4-tiny.weights wget https://raw.githubusercontent.com/pjreddie/darknet/master/cfg/yolov4-tiny.cfg ``` #### 示例代码 下面是一个完整的 C++ 程序，展示如何加载 YOLOv4-Tiny 并执行推理： ```cpp #include <opencv2/opencv.hpp> #include <iostream> #include <vector> using namespace cv; using namespace std; // 加载类标签名称 vector<string> loadClassNames(const string& classNameFile) { vector<string> classNames; ifstream ifs(classNameFile.c_str()); string line; while (getline(ifs, line)) { classNames.push_back(line); } return classNames; } int main(int argc, char** argv) { // 参数检查 if (argc != 5) { cout << "Usage: ./detect yolo_config_file weights_file class_names input_image" << endl; return -1; } const string modelConfiguration = argv[1]; // yolov4-tiny.cfg 文件路径 const string modelWeights = argv[2]; // yolov4-tiny.weights 文件路径 const string classesFile = argv[3]; // 类名文件路径 const string imageFilePath = argv[4]; // 输入图像路径 // 加载类别名称 vector<string> classNames = loadClassNames(classesFile); // 初始化网络 Net net = readNet(modelWeights, modelConfiguration); Mat frame = imread(imageFilePath); if (frame.empty()) { cerr << "Could not open or find the image!" << endl; return -1; } // 获取输出层名称 vector<String> outNames = net.getUnconnectedOutLayersNames(); // 创建 blob 对象 Mat blob; dnn::blobFromImage(frame, blob, 1 / 255.0, Size(416, 416), Scalar(), true, false); net.setInput(blob); // 前向传播获取结果 vector<Mat> outs; net.forward(outs, outNames); // 处理边界框、置信度和分类ID float confThreshold = 0.5; // 置信度阈值 float nmsThreshold = 0.4; // NMS 阈值 vector<int> classIds; vector<float> confidences; vector<Rect> boxes; for (size_t i = 0; i < outs.size(); ++i) { float* data = reinterpret_cast<float*>(outs[i].data); for (int j = 0; j < outs[i].rows; ++j, data += outs[i].cols) { Mat scores = outs[i].row(j).colRange(5, outs[i].cols); Point classIdPoint; double confidence; minMaxLoc(scores, nullptr, &confidence, nullptr, &classIdPoint); if (confidence > confThreshold) { int centerX = static_cast<int>(data[0] * frame.cols); int centerY = static_cast<int>(data[1] * frame.rows); int width = static_cast<int>(data[2] * frame.cols); int height = static_cast<int>(data[3] * frame.rows); int left = centerX - width / 2; int top = centerY - height / 2; classIds.push_back(classIdPoint.x); confidences.push_back(static_cast<float>(confidence)); boxes.emplace_back(Rect(left, top, width, height)); } } } // 执行非极大抑制(NMS) vector<int> indices; dnn::NMSBoxes(boxes, confidences, confThreshold, nmsThreshold, indices); // 绘制边界框 for (size_t i = 0; i < indices.size(); ++i) { int idx = indices[i]; Rect box = boxes[idx]; rectangle(frame, box, Scalar(0, 255, 0), 2, LINE_AA); string label = format("%s: %.2f", classNames[classIds[idx]].c_str(), confidences[idx]); putText(frame, label, Point(box.x, box.y - 10), FONT_HERSHEY_SIMPLEX, 0.9, Scalar(0, 255, 0), 2); } imshow("Object Detection Output", frame); waitKey(0); return 0; } ``` #### 关键点说明 1. 使用 `cv::dnn::readNet` 函数加载 Darknet 权重和配置文件[^2]。 2. 将输入图片转换为适合神经网络的 Blob 数据结构，并设置到网络中作为输入。 3. 提取未连接的输出层名称并通过前向传递获得预测结果。 4. 解析边界框坐标、置信度以及类别 ID，并应用非极大值抑制 (Non-Maximum Suppression, NMS)[^2]。 5. 在原图上绘制检测结果并显示。 #### 编译与运行 假设保存上述代码至 `detect.cpp`，可以按照如下方式编译和运行： ```bash g++ detect.cpp -o detect `pkg-config --cflags --libs opencv4` ./detect yolov4-tiny.cfg yolov4-tiny.weights coco.names test.jpg ``` --- ###