### YOLOv4-Tiny 转换为 ONNX 并使用 C++ 和 OpenCV 实现 #### 1. 模型转换 为了将 YOLOv4-Tiny 转换为 ONNX 格式，通常需要借助 PyTorch 或 TensorFlow 工具链完成模型导出。以下是具体步骤： - **安装依赖项** 需要安装 `torch` 和 `onnx` 库以便执行模型转换操作。 ```bash pip install torch torchvision onnx ``` - **加载预训练模型并导出为 ONNX 文件** 下面是一个 Python 脚本示例，展示如何将 YOLOv4-Tiny 导出为 ONNX 格式的文件： ```python import torch from models.experimental import attempt_load # 加载模型 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = attempt_load('yolov4-tiny.pt', map_location=device) # 替换为你自己的路径 model.eval() # 创建虚拟输入张量 dummy_input = torch.randn(1, 3, 416, 416).to(device) # 导出为 ONNX 格式 input_names = ["input"] output_names = ["output"] dynamic_axes = {'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}} torch.onnx.export( model, dummy_input, "yolov4-tiny.onnx", verbose=True, opset_version=11, input_names=input_names, output_names=output_names, dynamic_axes=dynamic_axes ) print("Model has been converted to ONNX.") ``` 此脚本会生成名为 `yolov4-tiny.onnx` 的文件。 --- #### 2. 使用 C++ 和 OpenCV 推理 ONNX 模型 一旦成功创建了 ONNX 文件，就可以利用 OpenCV 提供的 DNN 模块加载和推理该模型。以下是完整的实现流程： - **设置开发环境** 如引用所提到的内容[^1]，需配置 Visual Studio 开发环境，并引入必要的外部库（如 OpenCV 和 ONNX Runtime）。建议选用较新的 OpenCV 版本（>3.4.x），因为这些版本提供了更完善的 DNN 支持功能。 - **编写 C++ 程序** 下面是一段简单的代码片段，展示了如何加载图像并通过 ONNX 模型进行预测： ```cpp #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> #include <iostream> using namespace cv; using namespace std; int main(int argc, char** argv) { // 设置模型参数 string modelPath = "yolov4-tiny.onnx"; // 替换为实际路径 string imagePath = "test_image.jpg"; // 测试图片路径 dnn::Net net = dnn::readNetFromONNX(modelPath); Mat img = imread(imagePath); // 加载测试图片 if (img.empty()) { cout << "Image not found or unable to load." << endl; return -1; } // 图像预处理 Mat blob; Size inputSize(416, 416); // 输入尺寸应匹配网络需求 double scalefactor = 1 / 255.0; // 归一化因子 bool swapRB = true; // 是否交换 BGR 到 RGB vector<float> meanValues({}); // 均值减法向量为空表示不应用均值减法 bool crop = false; // 不裁剪图像 dnn::blobFromImage(img, blob, scalefactor, inputSize, Scalar(), swapRB, crop); // 执行前向传播 net.setInput(blob); vector<String> outNames = net.getUnconnectedOutLayersNames(); vector<Mat> outs; net.forward(outs, outNames); // 后处理逻辑（解析边界框、置信度等） float confidenceThreshold = 0.5f; // 自定义阈值 for (size_t i = 0; i < outs.size(); ++i) { const Mat& detection = outs[i]; for (int j = 0; j < detection.rows; ++j) { Mat row = detection.row(j); float confidence = static_cast<float>(row.at<float>(4)); if (confidence > confidenceThreshold) { int classId = static_cast<int>(row.at<float>(5)) % 80; // 类别索引 // 获取边界框坐标 float x_center = row.at<float>(0) * img.cols; float y_center = row.at<float>(1) * img.rows; float width = row.at<float>(2) * img.cols; float height = row.at<float>(3) * img.rows; Rect box(static_cast<int>(x_center - width / 2), static_cast<int>(y_center - height / 2), static_cast<int>(width), static_cast<int>(height)); rectangle(img, box, Scalar(0, 255, 0), 2); // 绘制矩形框 } } } imshow("Output", img); waitKey(0); destroyAllWindows(); return 0; } ``` 在此代码中，我们完成了以下几个核心任务： 1. 初始化神经网络对象； 2. 对原始图像数据进行了标准化处理； 3. 将经过预处理的数据送入模型计算得到输出结果； 4. 解析输出层中的信息绘制最终检测效果。 --- ####