### C++ 中使用 YOLOv5 和 ONNX 进行推理 为了实现在 C++ 中使用 YOLOv5 与 ONNX 模型进行推理，需先完成模型转换工作。具体而言，在 Python 环境下通过调整 `yolo.py` 文件中的代码片段来支持导出功能[^1]： ```cpp // 假设已经成功将 PyTorch 的 yolov5 转换成了 onnx 格式的文件 ``` 接着，在 C++ 程序里加载这个 ONNX 模型并执行预测操作。下面是一个简单的例子展示如何设置环境以及调用推理函数。 #### 设置开发环境 确保安装了必要的库，比如 OpenCV 来处理图像输入/输出，还有 ONNX Runtime 或者其他兼容的运行时引擎用于解析和执行 ONNX 模型。 对于 ONNX Runtime 的集成，可以参考官方文档获取最新指导说明。通常情况下会涉及到链接静态或动态库，并包含头文件路径配置等步骤。 #### 加载 ONNX 模型 创建一个类封装整个流程，包括初始化、前向传播计算等功能模块。这里给出部分核心代码作为示范： ```cpp #include <onnxruntime_cxx_api.h> #include <opencv2/opencv.hpp> class Yolov5Inference { public: void Initialize(const char* modelPath); std::vector<cv::Rect> Detect(cv::Mat img); private: OrtEnv* env_; OrtSessionOptions* session_options_; OrtSession* session_; }; void Yolov5Inference::Initialize(const char* modelPath){ // 初始化 ORT 环境变量 OrtCreateEnv(ORT_LOGGING_LEVEL_WARNING, "test", &env_); // 创建 Session Options 对象 OrtCreateSessionOptions(&session_options_); // 打开优化选项 (可选) ort_status_(OrtSessionOptionsAppendExecutionProvider_CPU(session_options_, 0)); // 构建新的 InferenceSession 实例 OrtCreateSession(env_, modelPath, session_options_, &session_); } std::vector<cv::Rect> Yolov5Inference::Detect(cv::Mat img){ // 图像预处理逻辑... } ``` 上述代码展示了基本框架结构；实际应用中还需要补充更多细节，例如参数传递方式的选择（如张量形状）、数据类型的匹配等问题都需要仔细考虑。 #### 数据预处理与后处理 考虑到原始图片可能不符合网络预期尺寸或其他格式要求，因此需要编写额外的功能来进行适当变换。这一步骤同样适用于检测结果后的坐标映射回原图空间的操作。 ```cpp cv::Mat preprocessImage(const cv::Mat& inputImg, int targetSize=640){ // 缩放至固定大小 cv::resize(inputImg, inputImg, cv::Size(targetSize,targetSize)); // 归一化像素值范围到 [0., 1.] 并转置通道顺序 BGR -> RGB inputImg.convertTo(inputImg,CV_32F,1./255.); cv::cvtColor(inputImg,inputImg,cv::COLOR_BGR2RGB); return inputImg; } std::vector<cv::Rect> postprocessResults(/*...*/){ // 解析输出特征图得到边界框列表 // 应用 NMS 非极大抑制算法去除冗余候选区域 return detectedBoxes; } ``` 以上就是关于在 C++ 下基于 ONNX 推理 YOLOv5 的主要知识点介绍。需要注意的是，由于不同版本之间可能存在差异，所以在移植过程中务必参照各自平台的具体情况作出相应调整。