### 加载并使用YOLOv5 ONNX模型进行目标检测 为了在OpenCV中加载并使用YOLOv5的ONNX模型进行推理和目标检测，需遵循一系列操作流程。首先，在CMakeLists.txt文件中定义项目所需的最低版本以及标准设置： ```cmake cmake_minimum_required(VERSION 3.10) project(yolov5_opencv_predict) set(CMAKE_CXX_STANDARD 17) find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS}) add_executable(yolov5_opencv_predict detector.cpp main.cpp) target_link_libraries(yolov5_opencv_predict ${OpenCV_LIBS}) ``` 上述配置确保了编译环境中正确设置了OpenCV及其依赖项[^1]。 接着，在源代码部分引入必要的头文件，并初始化网络读取器来加载预训练好的YOLOv5 ONNX模型： ```cpp #include <iostream> #include <opencv2/opencv.hpp> #include <opencv2/dnn/dnn.hpp> using namespace std; using namespace cv; using namespace dnn; Net net = readNetFromONNX("yolov5.onnx"); net.setPreferableBackend(DNN_BACKEND_OPENCV); net.setPreferableTarget(DNN_TARGET_CPU); // 或者DNN_TARGET_CUDA如果硬件支持CUDA加速 ``` 这段代码片段展示了如何通过`readNetFromONNX()`函数加载YOLOv5的ONNX格式权重文件，并指定使用的后端与计算设备类型[^2]。 对于输入图片处理方面，则需要按照特定的方式调整尺寸、归一化像素值范围等预处理步骤，以便于匹配YOLOv5期望接收的数据形式；之后再将其送入神经网络获取预测结果： ```cpp Mat frame = imread("image.jpg"); // 替换成实际路径下的待测图像 if (frame.empty()) { cerr << "无法打开或找到图像!" << endl; exit(-1); } // 对输入帧做预处理 Mat blob; blobFromImage(frame, blob, 1 / 255.F, Size(640, 640), Scalar(), true, false); vector<String> outNames; outNames.push_back(string("output")); // 这里假设输出层名称为"output" vector<Mat> detections; net.setInput(blob); detections = net.forward(outNames); for (size_t i = 0; i < detections.size(); ++i) { Mat detection = detections[i]; float* dataPtr = reinterpret_cast<float*>(detection.data); int rows = static_cast<int>(detection.total()); for (int j = 0; j < rows; ++j) { const float *row_ptr = dataPtr + j * 85; float confidence = row_ptr[4]; // 获取置信度 if (confidence >= 0.5f) { // 只保留高可信度的目标框 vector<float> class_scores(row_ptr + 5, row_ptr + 85); Point classIdPoint; double max_class_score; minMaxLoc(class_scores, nullptr, &max_class_score, nullptr, &classIdPoint); if (max_class_score > 0.5 && confidence * max_class_score > 0.5) { Rect box; box.x = static_cast<int>((row_ptr[0] - 0.5 * row_ptr[2]) * frame.cols); box.y = static_cast<int>((row_ptr[1] - 0.5 * row_ptr[3]) * frame.rows); box.width = static_cast<int>(row_ptr[2] * frame.cols); box.height = static_cast<int>(row_ptr[3] * frame.rows); rectangle(frame, box, Scalar(0, 255, 0)); putText(frame, format("%.2f", confidence), Point(box.x, box.y - 5), FONT_HERSHEY_SIMPLEX, 0.5, Scalar::all(0)); } } } } imshow("Detection Result", frame); waitKey(); destroyAllWindows(); ``` 此段程序实现了对单张静态图象的应用实例，其中包含了从准备测试样本到最终显示识别成果的一系列过程。值得注意的是，这里假定YOLOv5输出节点名为“output”，具体名称可能因不同版本而有所差异，请参照官方文档确认确切的名字。