yolov8 opencv模型部署（C++版）

TensorRT系列之 Windows10下yolov8 tensorrt模型加速部署

TensorRT系列之 Linux下 yolov8 tensorrt模型加速部署

TensorRT系列之 Linux下 yolov7 tensorrt模型加速部署

TensorRT系列之 Linux下 yolov6 tensorrt模型加速部署

TensorRT系列之 Linux下 yolov5 tensorrt模型加速部署

TensorRT系列之 Linux下 yolox tensorrt模型加速部署

TensorRT系列之 Linux下 u2net tensorrt模型加速部署

更多（点我进去）…

文章目录

• yolov8 opencv模型部署（C++ 版）
• • 一、安装yolov8
  • 二、导出onnx
  • 三、基于opencv CPP推理onnx

    yolov8 opencv模型部署（C++ 版）

    使用opencv推理yolov8模型，仅依赖opencv，无需其他库，以yolov8s为例子，注意：

    • 使用opencv4.8.1 ！
    • 使用opencv4.8.1 ！
    • 使用opencv4.8.1 ！

      如果你使用别的版本，例如opencv4.5，可能会出现以下错误。

      20231206新增推理效果，代码修改。

      一、安装yolov8

      conda create -n yolov8 python=3.9 -yconda activate yolov8pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

      二、导出onnx

      导出onnx格式模型的时候，注意，如果你是自己训练的模型，只需要把以下代码中yolov8s.pt修改为自己的模型即可，如best.pt。如果是下面代码中默认的模型，并且你没有下载到本地，系统会自动下载，我这里在文章末尾提供了下载链接。
      

      将以下代码创建、拷贝到yolov8根目录下。
      

      具体代码my_export.py：

      from ultralytics import YOLO# Load a modelmodel = YOLO('yolov8n.pt')  # load an official model# Export the modelmodel.export(format='onnx', imgsz=[480, 640], opset=12) # 导出一定不要修改这里参数

      执行导出命令：

      python my_export.py

      输出如下图信息，表明onnx格式的模型被成功导出，保存在my_export.py同一级目录。

      三、基于opencv CPP推理onnx

      使用opencv4.8.0，linux和windows都可以，下面以windows为例子。注：运行代码需要onnx模型 + 一张图，文末给了下载链接，classes.txt不需要。
      

      以下是主函数文件main.cpp：

      #include #include #include #include "inference.h"using namespace std;using namespace cv;int main(int argc, char **argv){    bool runOnGPU = false;    // 1. 设置你的onnx模型    // Note that in this example the classes are hard-coded and 'classes.txt' is a place holder.    Inference inf("D:/CodePython/ultralytics/yolov8s.onnx", cv::Size(640, 480), "classes.txt", runOnGPU); // classes.txt 可以缺失    // 2. 设置你的输入图片    std::vector imageNames;    imageNames.push_back("bus.jpg");    //imageNames.push_back("zidane.jpg");    for (int i = 0; i  modelScoreThreshold)                {                    confidences.push_back(confidence);                    class_ids.push_back(class_id.x);                    float x = data[0];                    float y = data[1];                    float w = data[2];                    float h = data[3];                    int left = int((x - 0.5 * w) * x_factor);                    int top = int((y - 0.5 * h) * y_factor);                    int width = int(w * x_factor);                    int height = int(h * y_factor);                    boxes.push_back(cv::Rect(left, top, width, height));                }            }        }        data += dimensions;    }    std::vector nms_result;    cv::dnn::NMSBoxes(boxes, confidences, modelScoreThreshold, modelNMSThreshold, nms_result);    std::vector detections{};    for (unsigned long i = 0; i