### C++ 中使用 OpenCV 和 YOLO 实现目标检测 #### 配置环境 为了在 C++ 中使用 OpenCV 结合 YOLO 模型进行目标检测，首先需要安装并配置必要的库和工具。确保已正确安装 OpenCV 及其 CUDA 支持版本（如果计划使用 GPU 加速）。对于 YOLO 的具体版本如 YOLOv3 或者 YOLOv5，则需下载对应的权重文件以及配置文件。 #### 示例代码展示 下面是一个简单的例子来说明如何加载预训练好的 YOLO 权重并对图片执行对象识别： ```cpp #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> using namespace cv; using namespace dnn; // 函数用于绘制边界框和标签到输入图像上 void drawPred(int classId, float conf, int left, int top, int right, int bottom, Mat& frame); int main() { // 读入待处理的图像 String modelConfiguration = "yolov3.cfg"; // 替换成实际路径下的 .cfg 文件名 String modelWeights = "yolov3.weights"; // 替换成实际路径下的 .weights 文件名 Net net = readNetFromDarknet(modelConfiguration, modelWeights); if (net.empty()) { std::cerr << "Can't load network by using the given configuration\n"; return -1; } Mat image = imread("dog.jpg"); // 将此替换为要测试的具体图片位置 if(image.empty()){ printf("Image not found.\n"); exit(-1); } Mat blob; blobFromImage(image, blob, 1/255.0, Size(416, 416), Scalar(), true, false); net.setInput(blob); vector<String> outNames; getOutputsNames(net, outNames); vector<Mat> outs; net.forward(outs, outNames); postprocess(image, outs); namedWindow("Objects Detected", WINDOW_AUTOSIZE); imshow("Objects Detected", image); waitKey(); } ``` 上述程序片段展示了基本流程：初始化网络、准备数据、前向传播计算输出结果，并最终可视化预测出来的物体类别及其位置信息[^1]。 当涉及到更高效的推理过程时，可以考虑采用带有CUDA支持的OpenCV构建方式以充分利用GPU资源加快运算速度[^2]。