### 使用 C++ 和 OpenCV DNN 模块加载 ONNX 模型进行图像识别 #### 准备工作 为了成功使用OpenCV的DNN模块加载ONNX模型并执行图像识别任务，需先确认已安装必要的库和工具。这包括但不限于OpenCV以及ONNX Runtime的支持[^4]。 #### 加载深度学习模型 通过`cv::dnn::readNetFromONNX()`函数可以方便地读取ONNX格式的目标检测或分类模型。此过程涉及指定路径到本地存储的`.onnx`文件位置。 ```cpp #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> // 定义变量用于保存网络结构 cv::dnn::Net model; void loadModel(const std::string& onnxPath){ // 调用 readNetFromONNX 方法加载 ONNX 文件 model = cv::dnn::readNetFromONNX(onnxPath); } ``` #### 输入数据准备 对于输入图片，在将其送入神经网络之前通常需要做一些预处理操作，比如调整大小、归一化像素值等。这些步骤确保输入符合特定模型的要求。 ```cpp cv::Mat preprocessImage(cv::Mat img, const int inputSize=608){ // 将原始图像缩放到固定尺寸 (inputSize x inputSize)，保持纵横比不变 double scale = static_cast<double>(inputSize)/std::max(img.cols, img.rows); cv::resize(img, img, cv::Size(), scale, scale); // 创建 blob 对象作为网络输入 cv::Mat blob; cv::dnn::blobFromImage(img, blob, 1/255.0, cv::Size(inputSize, inputSize), cv::Scalar(), true, false); return blob; } ``` #### 执行推理预测 一旦完成了上述准备工作，则可以通过调用`setInput()`方法传递预处理后的图像给网络，并利用`forward()`完成实际推断计算。 ```cpp std::vector<cv::Mat> predict(cv::Mat preprocessedImg){ // 设置网络输入 model.setInput(preprocessedImg); // 获取输出层名称列表 std::vector<String> outNames = model.getUnconnectedOutLayersNames(); // 前向传播获得结果 std::vector<cv::Mat> outputs; model.forward(outputs, outNames); return outputs; } ``` #### 输出解析与可视化 最后一步是对返回的结果做进一步分析，提取有用的信息如类别标签、置信度分数或是边界框坐标等，并可能将它们绘制回原图上以便直观展示。 ```cpp void visualizeResults(cv::Mat &img, std::vector<cv::Mat>& detections){ for(size_t i = 0; i < detections.size(); ++i){ float* dataPtr = reinterpret_cast<float*>(detections[i].data); // 解析每条记录的具体含义取决于具体的应用场景和所使用的模型架构 // 示例：假设我们正在处理YOLO风格的对象检测输出... while(*dataPtr != -1){ // YOLO 结果结束标志 // 提取出类ID、概率以及其他相关信息 // 绘制矩形框及其他图形元素至源图像中... dataPtr += stride; // 移动指针指向下一个对象描述符 } } // 显示最终带有标注信息的画面窗口 cv::imshow("Detection Results", img); } ```