### 在 Windows 上使用 C++ 部署 ONNX 格式的 YOLOv11 模型 要在 Windows 系统上通过 C++ 部署 ONNX 格式的 YOLOv11 模型，主要涉及以下几个方面： #### 1. 安装 ONNX Runtime ONNX Runtime 是用于运行 ONNX 模型的核心库。可以通过以下方式获取适用于 Windows 的 ONNX Runtime 版本： - 访问官方发布页面：[https://github.com/microsoft/onnxruntime/releases](https://github.com/microsoft/onnxruntime/releases)，下载适合 Windows 平台的预编译二进制文件。 - 下载完成后解压，会获得 `include` 和 `lib` 文件夹，其中包含了必要的头文件和动态链接库。 对于 GPU 支持，可以选择带有 CUDA 或 TensorRT 后端支持的版本[^3]。 #### 2. 设置开发环境 在 Visual Studio 中设置项目以集成 ONNX Runtime 库： - 将 `include` 文件夹路径添加到项目的 **Include Directories** 中。 - 将 `lib` 文件夹中的 `.dll` 文件复制到可执行程序的工作目录下，或者将其路径添加到系统的 PATH 环境变量中。 - 如果需要静态链接，则需将对应的 `.lib` 文件添加到项目的依赖项中。 以下是典型的配置示例（假设已下载并解压至 `C:\onnxruntime\`）： ```cmake set(ONNXRUNTIME_INCLUDE_DIRS "C:/onnxruntime/include/") set(ONNXRUNTIME_LIBS "C:/onnxruntime/lib/onnxruntime.dll") target_include_directories(your_project PRIVATE ${ONNXRUNTIME_INCLUDE_DIRS}) target_link_libraries(your_project PRIVATE ${ONNXRUNTIME_LIBS}) ``` #### 3. 编写 C++ 调用代码 下面是一个简单的 C++ 示例，展示如何加载 ONNX 模型并对输入数据进行推理： ```cpp #include <onnxruntime_cxx_api.h> #include <iostream> #include <vector> int main() { Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "test"); // 创建 ORT 运行时环境 Ort::SessionOptions session_options; session_options.SetIntraOpNumThreads(4); // 设置线程数优化性能 Ort::Session session(env, L"yolov11.onnx", session_options); // 获取模型输入输出名称 std::vector<const char*> input_names; std::vector<const char*> output_names; for (size_t i = 0; i < session.GetInputCount(); ++i) { input_names.push_back(session.GetInputName(i)); } for (size_t i = 0; i < session.GetOutputCount(); ++i) { output_names.push_back(session.GetOutputName(i)); } // 准备输入张量 const int64_t dimensions[] = {1, 3, 640, 640}; // 假设输入尺寸为 [1, 3, 640, 640] Ort::Value input_tensor = Ort::Value::CreateTensor<float>( OrtMemoryInfo("Cpu", OrtAllocatorType::OrtArenaAllocator), new float[dimensions[0] * dimensions[1] * dimensions[2] * dimensions[3]], dimensions[0] * dimensions[1] * dimensions[2] * dimensions[3], dimensions, _countof(dimensions)); // 执行推理 auto output_tensors = session.Run( Ort::RunOptions{nullptr}, input_names.data(), &input_tensor, 1, output_names.data(), static_cast<size_t>(output_names.size())); // 输出结果处理逻辑... return 0; } ``` 此代码片段展示了如何初始化 ONNX Runtime 环境、加载模型以及准备输入张量[^2]。 #### 4. 数据前处理与后处理 由于 YOLOv11 对输入有特定的要求（如图像大小、通道顺序等），需要实现相应的数据预处理函数。同样，在接收模型输出后也需要解析预测框的位置、类别及置信度得分。 常见的预处理操作包括但不限于： - 图像缩放至固定分辨率（例如 640×640） - 归一化像素值范围 - 转换颜色空间（BGR → RGB） 而后处理则可能涉及到 NMS（非极大抑制）、阈值过滤等内容。 --- ###