### 使用C++和OpenCV实现YOLO目标检测 #### 1. 环境配置 为了使用C++和OpenCV实现YOLO目标检测，首先需要安装并配置好开发环境。确保已正确安装OpenCV库及其DNN模块，并设置好编译器路径[^1]。 #### 2. YOLO模型加载 通过OpenCV的`readNetFromDarknet`函数可以加载由Darknet框架训练好的YOLO模型。此函数接受两个参数：一个是`.cfg`文件（定义网络结构），另一个是`.weights`文件（保存权重数据）。以下是加载模型的代码示例： ```cpp #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> using namespace cv; using namespace dnn; // 加载YOLO模型 String modelConfiguration = "yolov3.cfg"; String modelWeights = "yolov3.weights"; Net net = readNetFromDarknet(modelConfiguration, modelWeights); if (net.empty()) { std::cerr << "Failed to load network!" << std::endl; } ``` #### 3. 图像预处理 在输入图像到YOLO模型前，需对其进行标准化处理。通常会调整大小至固定尺寸（如416×416像素）并转换为Blob格式以便于神经网络接收。 ```cpp Mat frame; // 输入图像 Mat blob; blobFromImage(frame, blob, 1 / 255.0, Size(416, 416), Scalar(), true, false); net.setInput(blob); ``` #### 4. 获取输出层名称 YOLO模型有多层输出，每层对应不同尺度的目标预测框。获取这些输出层的名字对于后续解析结果至关重要。 ```cpp std::vector<String> outNames = net.getUnconnectedOutLayersNames(); ``` #### 5. 执行推理 调用`forward`方法执行前向传播计算得到最终的结果矩阵集合。 ```cpp std::vector<Mat> outs; net.forward(outs, outNames); ``` #### 6. 结果后处理 从输出中提取边界框位置、类别标签及置信度分数等信息，并筛选出满足条件的最佳候选区域。 ```cpp float confThreshold = 0.5f; // 设置阈值过滤低概率检测项 for (const auto& out : outs) { for (int i = 0; i < out.rows; ++i) { float confidence = out.at<float>(i, 5 + classId); if (confidence > confThreshold) { // 提取坐标和其他属性... } } } ``` #### 7. 绘制检测结果 最后一步是在原始图片中标记识别出来的物体矩形框以及附加文字说明其种类名与可信度百分比数值表示形式呈现给用户查看效果如何。 ```cpp void drawPred(cv::Mat &frame, const std::vector<cv::Rect>& boxes, const std::vector<int>& classIds, const std::vector<float>& confidences, const std::vector<std::string>& classes){ for(size_t i=0;i<classIds.size();i++){ rectangle(frame, boxes[i], Scalar(0,255,0)); string label = format("%.2f", confidences[i]); label = classes[classIds[i]] + ":" + label; int baseLine; Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine); rectangle(frame, Point(boxes[i].x, boxes[i].y - labelSize.height), Point(boxes[i].x + labelSize.width, boxes[i].y + baseLine), CV_RGB(255,255,255), FILLED); putText(frame, label, Point(boxes[i].x, boxes[i].y), FONT_HERSHEY_SIMPLEX, 0.5, CV_RGB(0,0,0)); } } ``` ### 注意事项 - **性能优化**：可以通过减少输入分辨率或者采用更轻量级版本如YOLOv3-tiny来提升速度但可能牺牲一定精度。 - **跨平台兼容性测试**：考虑到实际部署场景差异较大建议充分验证各操作系统下表现一致性[^2].