### 使用 OpenCV 调用 YOLOv5 ONNX 模型进行推理 #### 加载模型 为了使用 OpenCV 进行 YOLOv5 的 ONNX 模型推理，首先需要通过 `cv2.dnn.readNetFromONNX` 方法加载 ONNX 格式的模型[^2]。 ```python import cv2 model_path = "path/to/yolov5.onnx" net = cv2.dnn.readNetFromONNX(model_path) ``` #### 配置参数 在调用之前，还需要设置一些必要的参数来确保模型能够正常工作。这些参数包括但不限于输入图像尺寸、使用的硬件设备等[^4]： - 输入图片大小应为32的倍数，比如640×640。 - 推理设备可以选择CPU或GPU（如RTX 3090），具体取决于实际环境配置。 对于 RTX 3090 设备，在适当优化下可实现约90 FPS的速度[^1]。 #### 数据预处理 接着是对输入图像的数据预处理阶段。这一步骤非常重要，因为未经处理的原始图像是无法直接送入网络中的。一般情况下，会涉及到调整分辨率、归一化以及改变通道顺序等操作。 ```python image = cv2.imread('input_image.jpg') blob = cv2.dnn.blobFromImage(image, scalefactor=1/255.0, size=(640, 640), swapRB=True, crop=False) net.setInput(blob) ``` #### 执行推理并获取结果 完成上述准备工作之后就可以执行前向传播过程了。此时可以通过调用 `forward()` 函数获得检测框和其他相关信息[^3]。 ```python output_layers_names = net.getUnconnectedOutLayersNames() layer_outputs = net.forward(output_layers_names) for output in layer_outputs: for detection in output: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: # 设置阈值过滤低概率预测 center_x = int(detection[0] * width) center_y = int(detection[1] * height) w = int(detection[2] * width) h = int(detection[3] * height) x = int(center_x - w / 2) y = int(center_y - h / 2) boxes.append([x, y, w, h]) confidences.append(float(confidence)) class_ids.append(class_id) ``` 以上就是利用 OpenCV 和 Python 实现 YOLOv5 ONNX 模型推理的主要流程。当然如果是在 C++ 中，则需引入相应的头文件，并按照类似的逻辑编写代码。