[C++][cmake]基于C++在windows上onnxruntime+opencv部署yolo26的图像分类onnx模型
如果只需要opencv去部署yolov11分类模型可以参考我其他博文，本文和 opencv去部署yolov11分类模型区别是：opencv部署推理核心使用opencv自带api，而本文推理核心用的onnxruntime，opencv只是辅助作用即读取处理图片
【算法介绍】
ONNX Runtime是微软推出的一款高性能的机器学习推理引擎框架，专注于加速机器学习模型的预测阶段。它支持多种运行后端，包括CPU、GPU等，使得开发者可以灵活选择最适合其应用场景的硬件平台。使用C++和ONNX Runtime部署YOLOv11-CLS图像分类ONNX模型，涉及到以下几个关键步骤：
- 环境配置：首先，需要安装ONNX Runtime库，可以通过从ONNX Runtime的GitHub存储库中下载预编译的二进制文件来安装，或者通过源代码进行构建。同时，还需要安装OpenCV等图像处理库，以便对输入图像进行预处理。
- 模型加载：加载YOLOv11-CLS的ONNX模型文件，通常涉及到指定模型的路径，并创建一个InferenceSession对象，该对象将用于后续的推理。
- 数据预处理：使用OpenCV等库对输入图像进行预处理，包括调整图像大小、归一化像素值等，以满足模型输入的要求。
- 模型推理：将预处理后的数据传递给InferenceSession对象，并调用其Run方法来执行推理。这将返回模型的输出，通常是一个包含分类结果的张量。
- 结果处理：解析模型的输出，提取有用的信息（如分类标签和置信度），并根据需要进行进一步的处理或可视化。
通过以上步骤，可以在C++中使用ONNX Runtime成功部署YOLO26CLS图像分类模型，实现高效的图像分类任务。
【效果展示】
【调用代码】
#pragma once #include <iostream> #include <opencv2/core.hpp> #include <fstream> #include "inference.h" #include <chrono> using namespace std; int main(int argc, char *argv[]) { if (argc == 1) { std::cout << "Usage: main.exe <image_path>" << std::endl; return 0; } DL_INIT_PARAM params; params.labelPath = "class_names.txt"; params.modelPath = "yolo26n-cls.onnx"; params.modelType = YOLO_CLS_26; params.imgSize = {224, 224}; params.rectConfidenceThreshold = 0.4; params.iouThreshold = 0.0001; params.cudaEnable = false; auto starttime_1 = std::chrono::high_resolution_clock::now(); std::unique_ptr<YOLO_26> yolo(new YOLO_26); yolo->CreateSession(params); auto starttime_3 = std::chrono::high_resolution_clock::now(); auto duration_ms4 = std::chrono::duration_cast<std::chrono::milliseconds>(starttime_3 - starttime_1).count(); std::cout << "[YOLO_26]: warm up: " << duration_ms4 << "ms" << std::endl; std::string imagepath = argv[1]; cv::Mat image = cv::imread(imagepath); auto starttime_2 = std::chrono::high_resolution_clock::now(); auto results = yolo->Inference(image); auto starttime_4 = std::chrono::high_resolution_clock::now(); auto duration_ms3 = std::chrono::duration_cast<std::chrono::milliseconds>(starttime_4 - starttime_2).count(); std::cout << "[YOLO_26]: inference time: " << duration_ms3 << " ms" << std::endl; for (const auto &result : results) { std::cout << "[YOLO_26]: label is: " << result.className << ", confidence is: " << result.confidence << std::endl; std::string text = result.className + " " + std::to_string(result.confidence).substr(0, 4); cv::putText(image, text, cv::Point(10, 30), cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 255, 0), 2); } return 0; }【测试环境】
vs2019
cmake==3.30.1
opencv==4.8.0
onnxruntime==1.16.3
【运行步骤】
通过cmake编译出exe后，执行
yolo26-cls.exe 【图片路径】即可