### 如何在 OpenCV 中加载并运行 ONNX 格式的 YOLOv11 模型 为了在 OpenCV 中使用 ONNX 格式的 YOLOv11 模型进行目标检测，需要完成以下任务：确保开发环境正确配置、将模型转换为 ONNX 格式、加载模型并处理输入输出数据。 #### 1. 环境准备 确保安装了支持 DNN 模块的 OpenCV 版本（建议使用 OpenCV 4.x），并且开发环境中包含必要的 C++ 编译器。此外，还需要确保系统中安装了 Python 和 PyTorch，以便将原始模型转换为 ONNX 格式[^3]。 #### 2. 将 PyTorch 模型转换为 ONNX 格式 YOLOv11 模型通常以 PyTorch 格式提供，因此需要将其转换为 ONNX 格式。以下是实现转换的代码示例： ```python import torch import torchvision # 加载预训练模型 model = torch.load("yolov11.pth") # 替换为实际模型路径 model.eval() # 创建一个虚拟输入张量 dummy_input = torch.randn(1, 3, 640, 640) # 输入尺寸根据模型要求调整 # 导出为 ONNX 格式 torch.onnx.export( model, dummy_input, "yolov11.onnx", # 输出文件名 input_names=["input"], # 输入节点名称 output_names=["output"], # 输出节点名称 opset_version=11 # ONNX 版本 ) ``` #### 3. 使用 OpenCV 的 DNN 模块加载 ONNX 模型 在 C++ 中，可以使用 OpenCV 的 `cv::dnn::readNetFromONNX` 函数加载 ONNX 模型。以下是加载和运行模型的代码示例： ```cpp #include <opencv2/opencv.hpp> #include <opencv2/dnn.hpp> #include <iostream> int main() { // 加载 ONNX 模型 cv::dnn::Net net = cv::dnn::readNetFromONNX("yolov11.onnx"); // 读取输入图像 cv::Mat image = cv::imread("test.jpg"); if (image.empty()) { std::cerr << "无法读取图像" << std::endl; return -1; } // 预处理输入图像 cv::Mat blob; cv::dnn::blobFromImage(image, blob, 1 / 255.0, cv::Size(640, 640), cv::Scalar(), true, false); net.setInput(blob); // 运行推理 cv::Mat detections = net.forward(); // 处理输出结果 for (int i = 0; i < detections.rows; ++i) { float confidence = detections.at<float>(i, 2); if (confidence > 0.5) { // 置信度阈值 int classId = static_cast<int>(detections.at<float>(i, 1)); float x = detections.at<float>(i, 3) * image.cols; float y = detections.at<float>(i, 4) * image.rows; float w = detections.at<float>(i, 5) * image.cols; float h = detections.at<float>(i, 6) * image.rows; // 绘制边界框 cv::rectangle(image, cv::Point(x - w / 2, y - h / 2), cv::Point(x + w / 2, y + h / 2), cv::Scalar(0, 255, 0), 2); } } // 显示结果 cv::imshow("Detection Result", image); cv::waitKey(0); return 0; } ``` #### 4. 注意事项 - 确保 OpenCV 的版本不低于 4.5.1，因为较旧版本可能不完全支持某些 ONNX 操作[^4]。 - 如果模型输出格式复杂，可能需要解析多个输出层，并根据具体模型设计调整后处理逻辑。 - 在预处理阶段，确保输入图像的尺寸与模型训练时一致，同时应用正确的归一化参数。 ---