### C++ 实现 YOLO.onnx 模型的目标检测 以下是基于 ONNX Runtime 和 OpenCV 的完整代码示例，用于加载并运行 `YOLO.onnx` 模型进行目标检测： #### 依赖项 - **ONNX Runtime**: 提供高性能的推理能力。 - **OpenCV**: 处理图像输入和结果显示。 #### 完整代码示例 ```cpp #include <onnxruntime_cxx_api.h> #include <opencv2/opencv.hpp> #include <iostream> #include <vector> // 图像预处理函数 cv::Mat preprocessImage(const cv::Mat& image, int inputWidth, int inputHeight) { cv::Mat resized; cv::resize(image, resized, cv::Size(inputWidth, inputHeight)); cv::Mat floatImage; resized.convertTo(floatImage, CV_32F, 1.0 / 255.0); // 归一化到 [0, 1] // HWC -> CHW std::vector<cv::Mat> channels; split(floatImage, channels); cv::Mat merged; merge(channels.data(), 3, merged); return merged.reshape(1, {1, 3, inputHeight, inputWidth}); } int main() { try { Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "test"); Ort::SessionOptions session_options; const char* model_path = "./yolo.onnx"; Ort::Session session(env, model_path, session_options); // 获取输入节点名称和形状 size_t num_input_nodes = session.GetInputCount(); auto input_name_alloc_info = session.GetInputNameAllocInfo(0); std::string input_node_name = input_name_alloc_info.get(); Ort::AllocatorWithDefaultOptions allocator; std::vector<int64_t> input_node_dims = session.GetInputTypeInfo(0).GetTensorTypeAndShapeInfo().GetShape(); // 假设输入尺寸为 (batch_size=1, channel=3, height=640, width=640) int batch_size = static_cast<int>(input_node_dims[0]); int channels = static_cast<int>(input_node_dims[1]); int input_height = static_cast<int>(input_node_dims[2]); int input_width = static_cast<int>(input_node_dims[3]); // 加载测试图片 cv::Mat img = cv::imread("test.jpg", cv::IMREAD_COLOR); if (img.empty()) { std::cerr << "Error loading image!" << std::endl; return -1; } // 预处理图片 cv::Mat processed_image = preprocessImage(img, input_width, input_height); std::vector<float> input_tensor_values(processed_image.total()); memcpy(input_tensor_values.data(), processed_image.ptr<float>(), sizeof(float) * processed_image.total()); // 创建输入张量 std::array<int64_t, 4> input_shape{batch_size, channels, input_height, input_width}; Ort::Value input_tensor = Ort::Value::CreateTensor<float>( allocator, input_tensor_values.data(), input_tensor_values.size(), input_shape.data(), input_shape.size() ); // 输出节点名 std::vector<const char*> output_names = {"output0"}; std::vector<Ort::Value> outputs = session.Run( Ort::RunOptions(nullptr), &input_node_name, &input_tensor, 1, output_names.data(), output_names.size() ); // 解析输出 float* out_data = outputs[0].GetTensorMutableData<float>(); size_t out_len = outputs[0].GetTensorTypeAndShapeInfo().GetElementCount(); for (size_t i = 0; i < out_len; ++i) { if (out_data[i] > 0.5) { // 过滤置信度低于阈值的结果 std::cout << "Detection at index: " << i << ", Confidence: " << out_data[i] << std::endl; } } } catch (const Ort::Exception& e) { std::cerr << "ONNXRuntime Error: " << e.what() << std::endl; return -1; } return 0; } ``` --- #### 关键点说明 1. **模型加载** 使用 ONNX Runtime 的 `Ort::Session` 类加载 `.onnx` 文件[^1]。通过指定路径初始化会话对象。 2. **输入数据准备** 输入数据需经过预处理，包括调整大小、归一化以及维度转换（HWC → CHW），最终形成适合模型输入的张量结构[^4]。 3. **推理过程** 调用 `session.Run()` 方法执行推理操作，传入输入张量及其对应的节点名称[^3]。 4. **输出解析** 推理完成后，提取输出张量中的数据，并根据实际需求筛选高置信度的预测结果[^2]。 --- #### 注意事项 - 确保安装了支持版本的 ONNX Runtime 和 OpenCV 库。 - 如果模型有特定的输入分辨率或其他参数要求，请参照具体模型文档设置相应值。 --- ###