### 如何在 C++ 中使用 OpenCV 加载 ONNX 模型 在 C++ 中，可以通过 OpenCV 提供的 `cv::dnn` 模块加载并运行 ONNX 模型。以下是详细的说明以及示例代码。 #### 1. 使用 `cv::dnn::readNetFromONNX` 加载模型 OpenCV 提供了一个专门用于加载 ONNX 模型的函数——`cv::dnn::readNetFromONNX`。该函数接受一个字符串参数，表示 ONNX 模型文件的路径[^1]。如果模型加载失败，则返回的对象将是空的，因此需要检查返回值是否为空。 ```cpp #include <opencv2/opencv.hpp> #include <opencv2/dnn.hpp> int main() { // 定义模型文件路径 std::string modelFile = "resnet18.onnx"; // 调用 readNetFromONNX 函数加载模型 cv::dnn::Net net = cv::dnn::readNetFromONNX(modelFile); // 检查模型是否成功加载 if (net.empty()) { std::cerr << "Failed to load network!" << std::endl; return -1; } return 0; } ``` #### 2. 输入图像预处理 大多数深度学习模型对输入数据有严格的格式要求，例如尺寸、通道顺序和数值范围等。对于 YOLO 系列模型而言，通常需要将输入图像调整到固定大小，并进行归一化处理[^2]。 以下是一个简单的图像预处理示例： ```cpp // 图像读取 std::string imagePath = "input.jpg"; cv::Mat image = cv::imread(imagePath); if (image.empty()) { std::cerr << "Image not found or unable to open it." << std::endl; return -1; } // 将图像缩放到模型期望的尺寸（假设为 640x640） cv::Mat blob; cv::resize(image, image, cv::Size(640, 640)); // 创建 Blob 数据作为模型输入 blob = cv::dnn::blobFromImage(image, 1 / 255.0, cv::Size(640, 640), cv::Scalar(), true, false); ``` #### 3. 执行推理 一旦模型被加载并且输入数据准备好，就可以调用 `setInput` 方法设置输入数据，并通过 `forward` 方法执行前向传播计算[^2]。 ```cpp // 设置模型输入 net.setInput(blob); // 获取输出层名称列表 std::vector<cv::String> outNames; outNames.push_back("output_layer_name"); // 替换为你实际使用的输出层名 // 运行推理并获取结果 std::vector<cv::Mat> outs; net.forward(outs, outNames); ``` #### 4. 后处理输出 根据具体任务的不同，模型的输出可能需要进一步解析。例如，在目标检测任务中，输出可能是边界框坐标、类别标签及其对应的置信度分数。 ```cpp for (size_t i = 0; i < outs.size(); ++i) { float* data = reinterpret_cast<float*>(outs[i].data); for (int j = 0; j < outs[i].total(); ++j, ++data) { // 解析每个预测的结果... } } ``` --- ### 示例完整代码 下面提供了一段完整的代码片段，展示如何从头至尾实现基于 OpenCV 的 ONNX 模型加载与推理过程。 ```cpp #include <opencv2/opencv.hpp> #include <opencv2/dnn.hpp> #include <iostream> int main() { try { // Step 1: Load the ONNX model std::string modelFile = "yolov9.onnx"; cv::dnn::Net net = cv::dnn::readNetFromONNX(modelFile); if (net.empty()) { throw std::runtime_error("Model loading failed!"); } // Step 2: Read and preprocess input image std::string imagePath = "test_image.jpg"; cv::Mat image = cv::imread(imagePath); if (image.empty()) { throw std::runtime_error("Image reading failed!"); } cv::Mat resizedImage; cv::resize(image, resizedImage, cv::Size(640, 640)); cv::Mat blob = cv::dnn::blobFromImage(resizedImage, 1 / 255.0, cv::Size(640, 640), cv::Scalar(), true, false); // Step 3: Set input and perform inference net.setInput(blob); std::vector<cv::String> outputLayers = net.getUnconnectedOutLayersNames(); std::vector<cv::Mat> outputs; net.forward(outputs, outputLayers); // Step 4: Post-process results for (const auto& output : outputs) { float* data = reinterpret_cast<float*>(output.data); for (int i = 0; i < output.total(); ++i, ++data) { // Process each detection result here... } } std::cout << "Inference completed successfully!" << std::endl; } catch (const std::exception& e) { std::cerr << "Error occurred: " << e.what() << std::endl; return -1; } return 0; } ``` ---