在C++中使用YOLO的四種實現方式
更新時間：2025年06月26日 09:56:54 作者：LeonDL168
隨著計算機視覺技術的不斷發(fā)展,目標檢測在許多應用領域都起到了重要作用,Yolo是一種流行的實時目標檢測算法,其以高效的速度和較高的準確率而聞名,本文將介紹在C++中使用YOLO的幾種方式,需要的朋友可以參考下
在C++中使用YOLO進行目標檢測主要有以下幾種方式，每種方式都有其特點和適用場景：
方式一：使用OpenCV DNN模塊（最簡單）
特點：無需依賴Darknet，僅需OpenCV庫，支持ONNX模型，跨平臺兼容。
適用場景：快速原型開發(fā)、CPU/GPU通用部署。
步驟：
轉換模型：將YOLOv5/YOLOv8導出為ONNX格式。
# YOLOv5 python export.py --weights yolov5s.pt --include onnx # YOLOv8 yolo export model=yolov8n.pt format=onnx
C++代碼實現：
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>
#include <vector>
using namespace cv;
using namespace dnn;
using namespace std;
struct Detection {
int classId;
float confidence;
Rect box;
};
int main() {
// 加載模型
Net net = readNet("yolov5s.onnx");
net.setPreferableBackend(DNN_BACKEND_OPENCV);
net.setPreferableTarget(DNN_TARGET_CPU); // 或 DNN_TARGET_CUDA
// 讀取圖像
Mat image = imread("test.jpg");
Mat blob;
blobFromImage(image, blob, 1/255.0, Size(640, 640), Scalar(), true, false);
net.setInput(blob);
// 前向傳播
vector<Mat> outputs;
net.forward(outputs, net.getUnconnectedOutLayersNames());
// 解析輸出
vector<int> classIds;
vector<float> confidences;
vector<Rect> boxes;
float* data = (float*)outputs[0].data;
for (int i = 0; i < outputs[0].rows; ++i) {
Mat scores = outputs[0].row(i).colRange(5, outputs[0].cols);
Point classIdPoint;
double confidence;
minMaxLoc(scores, 0, &confidence, 0, &classIdPoint);
if (confidence > 0.4) {
int centerX = (int)(data[i * 85 + 0] * image.cols);
int centerY = (int)(data[i * 85 + 1] * image.rows);
int width = (int)(data[i * 85 + 2] * image.cols);
int height = (int)(data[i * 85 + 3] * image.rows);
int left = centerX - width / 2;
int top = centerY - height / 2;
classIds.push_back(classIdPoint.x);
confidences.push_back((float)confidence);
boxes.push_back(Rect(left, top, width, height));
}
}
// 非極大值抑制
vector<int> indices;
NMSBoxes(boxes, confidences, 0.4, 0.5, indices);
// 繪制結果
for (int idx : indices) {
rectangle(image, boxes[idx], Scalar(0, 255, 0), 2);
string label = format("class: %d, conf: %.2f", classIds[idx], confidences[idx]);
putText(image, label, Point(boxes[idx].x, boxes[idx].y - 10),
FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 2);
}
imshow("Detection", image);
waitKey(0);
return 0;
}
編譯命令：
g++ yolo_opencv.cpp -o yolo `pkg-config --cflags --libs opencv4`
方式二：使用Darknet框架（原生支持）
特點：YOLO官方框架，支持C/C++接口，性能優(yōu)化好，但依賴復雜。
適用場景：需要完整復現YOLO訓練和推理流程。
步驟：
編譯Darknet：
git clone https://github.com/AlexeyAB/darknet cd darknet make # 修改Makefile以啟用CUDA/CUDNN
C++代碼實現：
#include "darknet.h"
#include <iostream>
using namespace std;
int main() {
// 加載網絡
network* net = load_network("cfg/yolov4.cfg", "yolov4.weights", 0);
set_batch_network(net, 1);
// 加載圖像
image im = load_image_color("test.jpg", 0, 0);
image sized = letterbox_image(im, net->w, net->h);
// 前向傳播
layer l = net->layers[net->n - 1];
float* X = sized.data;
network_predict(net, X);
// 解析結果
int nboxes = 0;
detection* dets = get_network_boxes(net, im.w, im.h, 0.5, 0.5, 0, 1, &nboxes);
do_nms_sort(dets, nboxes, l.classes, 0.45);
// 繪制結果
// ...
// 釋放資源
free_detections(dets, nboxes);
free_image(im);
free_image(sized);
free_network(net);
return 0;
}
編譯命令：
g++ yolo_darknet.cpp -o yolo -I/path/to/darknet/include -L/path/to/darknet/lib -ldarknet -lpthread -lcuda -lcudnn -lopencv_core -lopencv_imgproc -lopencv_imgcodecs
方式三：使用TensorRT加速（高性能）
特點：NVIDIA官方推理優(yōu)化工具，專為GPU設計，速度最快。
適用場景：嵌入式設備（Jetson）或GPU服務器上的高性能部署。
步驟：
轉換模型：將ONNX轉換為TensorRT引擎：
import tensorrt as trt
def build_engine(onnx_path, engine_path):
logger = trt.Logger(trt.Logger.WARNING)
builder = trt.Builder(logger)
network = builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))
parser = trt.OnnxParser(network, logger)
with open(onnx_path, 'rb') as model:
parser.parse(model.read())
config = builder.create_builder_config()
config.max_workspace_size = 1 << 30 # 1GB
config.set_flag(trt.BuilderFlag.FP16) # 啟用FP16
engine = builder.build_engine(network, config)
with open(engine_path, 'wb') as f:
f.write(engine.serialize())
return engine
build_engine("yolov5s.onnx", "yolov5s.engine")
C++代碼實現：
#include <NvInfer.h>
#include <NvOnnxParser.h>
#include <opencv2/opencv.hpp>
#include <cuda_runtime_api.h>
// TensorRT Logger
class Logger : public nvinfer1::ILogger {
void log(Severity severity, const char* msg) noexcept override {
if (severity != Severity::kINFO) std::cerr << "TensorRT: " << msg << std::endl;
}
};
int main() {
// 加載引擎
Logger logger;
std::ifstream file("yolov5s.engine", std::ios::binary);
std::vector<char> engineData((std::istreambuf_iterator<char>(file)), std::istreambuf_iterator<char>());
nvinfer1::IRuntime* runtime = nvinfer1::createInferRuntime(logger);
nvinfer1::ICudaEngine* engine = runtime->deserializeCudaEngine(engineData.data(), engineData.size());
nvinfer1::IExecutionContext* context = engine->createExecutionContext();
// 準備輸入數據
cv::Mat image = cv::imread("test.jpg");
cv::Mat input = preprocess(image, 640, 640); // 自定義預處理函數
// 分配GPU內存
void* buffers[2];
cudaMalloc(&buffers[0], 3 * 640 * 640 * sizeof(float));
cudaMalloc(&buffers[1], 25200 * 85 * sizeof(float));
// 拷貝數據到GPU
cudaMemcpy(buffers[0], input.data, 3 * 640 * 640 * sizeof(float), cudaMemcpyHostToDevice);
// 執(zhí)行推理
context->executeV2(buffers);
// 拷貝結果回CPU
std::vector<float> output(25200 * 85);
cudaMemcpy(output.data(), buffers[1], 25200 * 85 * sizeof(float), cudaMemcpyDeviceToHost);
// 解析結果
// ...
// 釋放資源
cudaFree(buffers[0]);
cudaFree(buffers[1]);
context->destroy();
engine->destroy();
runtime->destroy();
return 0;
}
方式四：使用libtorch（PyTorch C++前端）
特點：直接加載PyTorch模型，無需轉換，支持動態(tài)圖。
適用場景：需要與PyTorch訓練代碼無縫銜接的場景。
步驟：
導出TorchScript模型：
import torch
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
model.eval()
traced_script_module = torch.jit.trace(model, torch.rand(1, 3, 640, 640))
traced_script_module.save("yolov5s_scripted.pt")
C++代碼實現：
#include <torch/script.h>
#include <opencv2/opencv.hpp>
int main() {
// 加載模型
torch::jit::script::Module module = torch::jit::load("yolov5s_scripted.pt");
module.to(at::kCUDA); // 若有GPU
// 準備輸入
cv::Mat image = cv::imread("test.jpg");
cv::Mat input = preprocess(image, 640, 640); // 轉換為[0,1]的浮點數
// 轉換為Tensor
torch::Tensor tensor = torch::from_blob(input.data, {1, 3, 640, 640}, torch::kFloat32);
tensor = tensor.to(at::kCUDA); // 若有GPU
// 前向傳播
std::vector<torch::jit::IValue> inputs;
inputs.push_back(tensor);
torch::Tensor output = module.forward(inputs).toTensor();
// 解析結果
// ...
return 0;
}
性能對比
| 方式 | 速度（FPS） | 依賴復雜度 | 部署難度 | 靈活性 |
|---|---|---|---|---|
| OpenCV DNN | 中 | 低 | 簡單 | 中 |
| Darknet | 高 | 高 | 中等 | 高 |
| TensorRT | 極高 | 高 | 復雜 | 低 |
| libtorch | 中高 | 中 | 中等 | 高 |
選擇建議
- 快速開發(fā)：選OpenCV DNN。
- 極致性能：選TensorRT。
- 完整功能：選Darknet。
- PyTorch生態(tài)：選libtorch。
到此這篇關于在C++中使用YOLO的四種實現方式的文章就介紹到這了,更多相關C++使用YOLO模型內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
SQLite是一個輕量級、跨平臺的關系型數據庫,在小型項目中,方便,易用,同時支持多種開發(fā)語言,這篇文章主要給大家介紹了關于C#調用SQLite的相關資料,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2024-07-07
這篇文章主要介紹了C# networkcomms 3.0實現模擬登陸總結,需要的朋友可以參考下2017-06-06
C#中的Task.WaitAll和Task.WaitAny方法介紹
這篇文章介紹了C#中的Task.WaitAll和Task.WaitAny方法，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-04-04
這篇文章主要介紹了winform實現拖動文件到窗體上的方法,以實例分析了C#中WinForm操作窗體及文件的相關技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-09-09
這篇文章主要介紹了c# 剔除sql語句'尾巴'的五種方法，2020-11-11
我們在使用C#做項目的時候，基本上都需要制作登錄界面，那么今天我們就來一步步看看，如果簡單的實現登錄界面呢，本文給出2個例子，由簡入難，希望大家能夠喜歡。2015-11-11
本文以一個簡單的小例子—如何做一頓早餐及如何優(yōu)化做早餐的時間來讓大家具體了解一下同步和異步方法的區(qū)別，需要的朋友可以參考一下2021-12-12
這篇文章主要介紹了C#使用StreamWriter寫入文件的方法,涉及C#中StreamWriter類操作文件的相關技巧,需要的朋友可以參考下2015-05-05
本文詳細講解了C#使用符號表實現查找算法，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-04-04
這篇文章介紹了Entity Framework主從表數據加載方式，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-06-06