### 使用 Visual Studio 和 OpenCV 在 C++ 中部署 YOLOv5 模型 以下是使用 Visual Studio 和 OpenCV 在 C++ 环境下部署 YOLOv5 的具体实现方法，包括配置环境、加载模型以及执行推理的过程。 #### 1. 安装和配置必要的软件和库 为了成功运行此项目，需安装以下组件： - **Visual Studio**: 推荐版本为 Visual Studio 2019 或更高版本。 - **OpenCV**: 下载最新稳定版的 OpenCV 并完成编译或直接使用预构建二进制文件[^2]。 - **ONNX Runtime (可选)**: 如果计划通过 ONNX 格式的模型进行推理，则需要安装 ONNX Runtime 库。 在 Windows 上配置 OpenCV 可以按照官方文档操作，或者利用 vcpkg 工具简化依赖管理流程。如果采用手动方式，请确保将 `include` 路径添加到项目的附加包含目录中，并链接相应的 `.lib` 文件至附加依赖项列表里。 #### 2. 准备 YOLOv5 模型 YOLOv5 支持导出多种框架兼容格式，如 PyTorch 原生权重 (.pt)，TensorRT 计划书 (.engine) 或者通用交换标准 ONNX(.onnx)[^1]。对于本教程而言，推荐先从官方仓库克隆源码并依据指南生成 .onnx 版本的目标检测器： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt python export.py --weights yolov5s.pt --img 640 --batch 1 --include onnx ``` 这一步会创建名为 `yolov5s.onnx` 的新文件作为后续处理的基础素材之一。 #### 3. 编写 C++ 主程序逻辑 下面展示了一个简单的例子用来演示如何读取图片数据输入给定网络结构进而获取预测结果集。 ```cpp #include <iostream> #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> using namespace std; using namespace cv; int main(int argc, char** argv){ // Load the network. String modelWeights = "yolov5s.onnx"; dnn::Net net = dnn::readNetFromONNX(modelWeights); Mat frame = imread("test.jpg"); if(frame.empty()){ cout << "Could not open or find image!"<< endl ; return -1; } double width = static_cast<double>(frame.cols); double height = static_cast<double>(frame.rows); float confThreshold = 0.5f; float nmsThreshold = 0.4f; vector<String> class_names{"person", ...}; // Add all classes here. Size inpSize((int)(width), (int)(height)); Mat blob = dnn::blobFromImage(frame, 1 / 255.F, inpSize, Scalar(), true, false); net.setInput(blob); vector<Mat> outs; net.forward(outs,"output"); postprocess(frame,outs,class_names,confThreshold,nmsThreshold); namedWindow("windowName", WINDOW_NORMAL ); imshow("windowName", frame ); waitKey(); } void drawPred(Mat& frame,float confidence,int left,int top,int right , int bottom,const string &class_name ){ rectangle(frame,Point(left,top), Point(right,bottom),Scalar(0,255,0)); } // Function to perform NMS and filter out low-confidence detections. vector<int> nonMaxSuppression(const vector<vector<float>>& boxes, const vector<float>& scores, float threshold){...} // Implement this function as per your requirement. void postprocess(cv::Mat& frame,vector<cv::Mat>& outs,...){ ... } ``` 以上代码片段展示了基本的工作流：初始化 DNN 对象；准备测试样本图像；调用 forward 方法触发计算图前向传播动作得到输出张量集合；最后解析这些数值绘制边界框标注原始画面上感兴趣区域的位置信息等内容[^2]。 请注意，在实际应用过程中还需要补充完整的类名数组定义以及其他辅助函数比如非极大值抑制(non-maximum suppression,NMS)算法实现细节等部分未完全呈现出来的地方。 ####