当前位置：首页 > news >正文

10 分钟学会：Java 调用 YOLO 模型全流程

news 2026/5/12 3:17:45

很多刚接触计算机视觉的同学都有个误区：“YOLO只能用Python跑”，其实Java调用YOLO模型的流程远比想象中简单——不用复杂的工程化配置，不用懂底层原理，跟着这篇教程走，10分钟就能完成从模型转换到Java调用的全流程，新手也能一次跑通。

本文全程聚焦“最小可行方案”，剔除所有冗余的工业级配置，只保留核心步骤：模型转换（1分钟）→ 环境准备（2分钟）→ 代码编写（4分钟）→ 测试验证（1分钟）→ 避坑指南（2分钟），真正做到“10分钟上手”。

一、前置认知：Java调用YOLO的核心逻辑

先花1分钟搞懂核心原理，避免盲目敲代码：
YOLO官方提供的是Python版本的模型（.pt格式），Java无法直接识别，所以核心流程是：
YOLO .pt模型 → 转换为ONNX格式 → Java通过ONNX Runtime调用ONNX模型 → 解析检测结果
整个过程就3个核心角色：

ONNX模型：通用的模型格式，跨语言兼容；
ONNX Runtime Java：Java端的推理引擎，负责执行ONNX模型；
OpenCV Java：负责图片预处理（缩放、归一化）。

二、第一步：模型转换（1分钟）

这一步用Python完成（Python做模型转换效率最高，没必要用Java硬刚），新手直接复制命令即可：

1. 安装依赖

pipinstallultralytics

2. 转换YOLO模型为ONNX

新建convert_yolo2onnx.py文件，复制以下代码（以YOLOv8为例，新手用轻量化的yolov8n.pt即可）：

# convert_yolo2onnx.pyfromultralyticsimportYOLO# 加载官方预训练的YOLOv8n模型（轻量化，适合新手测试）model=YOLO('yolov8n.pt')# 导出为ONNX格式（动态批次，新手不用改参数）model.export(format='onnx',dynamic=True,imgsz=640)

3. 执行转换

python convert_yolo2onnx.py

执行完成后，会在当前目录生成yolov8n.onnx文件——这就是Java能识别的模型文件，把它保存好（后续要放到Java项目里）。

三、第二步：Java环境准备（2分钟）

1. 新建Maven项目

打开IDEA/Eclipse，新建一个普通Maven项目，无需SpringBoot，纯Java项目即可（新手先跑通核心逻辑，再扩展框架）。

2. 配置pom.xml依赖

复制以下依赖到pom.xml，核心只需要3个：ONNX Runtime、OpenCV、SLF4J（日志，可选）：

<?xml version="1.0" encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.example</groupId><artifactId>java-yolo-demo</artifactId><version>1.0-SNAPSHOT</version><dependencies><!-- ONNX Runtime Java（核心推理引擎） --><dependency><groupId>com.microsoft.onnxruntime</groupId><artifactId>onnxruntime</artifactId><version>1.15.1</version></dependency><!-- OpenCV Java（图片预处理） --><dependency><groupId>org.openpnp</groupId><artifactId>opencv</artifactId><version>4.7.0-0</version></dependency><!-- 日志（可选，方便看输出） --><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-simple</artifactId><version>2.0.7</version></dependency></dependencies><build><plugins><!-- Java版本指定（新手用1.8即可） --><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.8.1</version><configuration><source>8</source><target>8</target></configuration></plugin></plugins></build></project>

刷新Maven依赖，等待下载完成（如果下载慢，可换阿里云镜像）。

3. 放置模型文件

在Java项目的src/main/resources目录下新建model文件夹，把第一步生成的yolov8n.onnx放进去。

四、第三步：核心代码编写（4分钟）

新建YoloJavaDemo.java文件，复制以下完整代码（注释写满，新手能看懂每一步）：

importai.onnxruntime.*;importorg.opencv.core.*;importorg.opencv.imgcodecs.Imgcodecs;importorg.opencv.imgproc.Imgproc;importjava.nio.FloatBuffer;importjava.util.*;/** * Java调用YOLOv8核心代码 * 新手直接复制，只需修改图片路径即可运行 */publicclassYoloJavaDemo{// YOLO核心参数（新手不用改）privatestaticfinalintINPUT_SIZE=640;// 输入图片尺寸privatestaticfinalfloatCONF_THRESHOLD=0.5f;// 置信度阈值（只保留>50%的检测结果）privatestaticfinalfloatNMS_THRESHOLD=0.45f;// 非极大值抑制阈值// COCO类别（YOLOv8默认检测80类，新手不用改）privatestaticfinalList<String>CLASS_NAMES=Arrays.asList("person","bicycle","car","motorcycle","airplane","bus","train","truck","boat","traffic light","fire hydrant","stop sign","parking meter","bench","bird","cat","dog","horse","sheep","cow","elephant","bear","zebra","giraffe","backpack","handbag","umbrella","tie","suitcase","frisbee","skis","snowboard","sports ball","kite","baseball bat","baseball glove","skateboard","surfboard","tennis racket","bottle","wine glass","cup","fork","knife","spoon","bowl","banana","apple","sandwich","orange","broccoli","carrot","hot dog","pizza","donut","cake","chair","couch","potted plant","bed","dining table","toilet","tv","laptop","mouse","remote","keyboard","cell phone","microwave","oven","toaster","sink","refrigerator","book","clock","vase","scissors","teddy bear","hair drier","toothbrush");publicstaticvoidmain(String[]args){// 1. 初始化（加载OpenCV和ONNX模型）try{// 加载OpenCV原生库System.loadLibrary(Core.NATIVE_LIBRARY_NAME);// 初始化ONNX环境OrtEnvironmentenv=OrtEnvironment.getEnvironment();OrtSession.SessionOptionsoptions=newOrtSession.SessionOptions();// 加载模型（路径对应resources/model/yolov8n.onnx）StringmodelPath=YoloJavaDemo.class.getClassLoader().getResource("model/yolov8n.onnx").getPath();OrtSessionsession=env.createSession(modelPath,options);System.out.println("模型加载成功！");// 2. 加载测试图片（新手修改这里的图片路径！）StringimgPath="test.jpg";// 替换为你的测试图片路径（如D:/test.jpg）MatsrcMat=Imgcodecs.imread(imgPath);if(srcMat.empty()){System.out.println("图片加载失败，请检查路径！");return;}// 3. 图片预处理（YOLO要求的格式）MatresizedMat=newMat();// 缩放图片到640x640Imgproc.resize(srcMat,resizedMat,newSize(INPUT_SIZE,INPUT_SIZE));// 归一化：0-255 → 0-1resizedMat.convertTo(resizedMat,CvType.CV_32FC3,1.0/255.0);// 转置：HWC（高宽通道）→ CHW（通道高宽），YOLO要求的输入格式float[]inputData=transposeMat(resizedMat);// 4. 构造ONNX输入long[]inputShape={1,3,INPUT_SIZE,INPUT_SIZE};// batch=1, 3通道, 640x640OrtTensorinputTensor=OrtTensor.createTensor(env,FloatBuffer.wrap(inputData),inputShape);Map<String,OrtTensor>inputs=newHashMap<>();inputs.put("images",inputTensor);// 输入名称要和ONNX模型一致（YOLOv8默认是images）// 5. 执行推理longstartTime=System.currentTimeMillis();OrtSession.Resultresult=session.run(inputs);float[][]outputData=((float[][])result.get(0).getValue());longcostTime=System.currentTimeMillis()-startTime;System.out.println("推理完成，耗时："+costTime+"ms");// 6. 解析检测结果List<DetectionResult>results=postProcess(outputData,srcMat.width(),srcMat.height());// 7. 打印结果（新手重点看这里！）System.out.println("检测结果：");for(DetectionResultdr:results){System.out.println("类别："+dr.className+"，置信度："+String.format("%.2f",dr.confidence)+"，位置：x="+dr.x+", y="+dr.y+", 宽="+dr.width+", 高="+dr.height);}// 8. 释放资源（避免内存泄漏）inputTensor.close();result.close();session.close();env.close();srcMat.release();resizedMat.release();}catch(Exceptione){e.printStackTrace();}}/** * 图片转置：HWC → CHW */privatestaticfloat[]transposeMat(Matmat){float[]chwData=newfloat[3*INPUT_SIZE*INPUT_SIZE];intidx=0;for(intc=0;c<3;c++){for(inth=0;h<INPUT_SIZE;h++){for(intw=0;w<INPUT_SIZE;w++){chwData[idx++]=(float)mat.get(h,w)[c];}}}returnchwData;}/** * 后处理：解析推理结果，过滤低置信度，NMS去重 */privatestaticList<DetectionResult>postProcess(float[][]output,intsrcWidth,intsrcHeight){List<DetectionResult>results=newArrayList<>();// YOLOv8输出格式：[8400, 84] → 8400个检测框，84=4个坐标+80个类别float[][]boxes=newfloat[output.length][4];float[][]scores=newfloat[output.length][CLASS_NAMES.size()];// 提取坐标和类别得分for(inti=0;i<output.length;i++){boxes[i][0]=output[i][0];// x1boxes[i][1]=output[i][1];// y1boxes[i][2]=output[i][2];// x2boxes[i][3]=output[i][3];// y2System.arraycopy(output[i],4,scores[i],0,CLASS_NAMES.size());}// NMS非极大值抑制（去掉重复的检测框）MatOfFloatconfidences=newMatOfFloat();MatOfIntindices=newMatOfInt();MatOfRect2dbboxes=newMatOfRect2d();for(intcls=0;cls<CLASS_NAMES.size();cls++){List<Float>confList=newArrayList<>();List<Rect2d>boxList=newArrayList<>();// 过滤低置信度的框for(inti=0;i<output.length;i++){floatscore=scores[i][cls];if(score>CONF_THRESHOLD){// 还原坐标到原始图片尺寸floatx1=boxes[i][0]/INPUT_SIZE*srcWidth;floaty1=boxes[i][1]/INPUT_SIZE*srcHeight;floatx2=boxes[i][2]/INPUT_SIZE*srcWidth;floaty2=boxes[i][3]/INPUT_SIZE*srcHeight;boxList.add(newRect2d(x1,y1,x2-x1,y2-y1));confList.add(score);}}// 执行NMSif(!boxList.isEmpty()){bboxes.fromList(boxList);confidences.fromList(confList);Imgproc.dnn.NMSBoxes(bboxes,confidences,CONF_THRESHOLD,NMS_THRESHOLD,indices);// 解析NMS结果int[]indicesArr=indices.toArray();for(intidx:indicesArr){Rect2dbox=boxList.get(idx);results.add(newDetectionResult(CLASS_NAMES.get(cls),confList.get(idx),box.x,box.y,box.width,box.height));}}}// 释放Mat资源confidences.release();indices.release();bboxes.release();returnresults;}/** * 检测结果实体类（新手不用改） */staticclassDetectionResult{StringclassName;// 类别名称floatconfidence;// 置信度doublex;// 左上角x坐标doubley;// 左上角y坐标doublewidth;// 宽度doubleheight;// 高度publicDetectionResult(StringclassName,floatconfidence,doublex,doubley,doublewidth,doubleheight){this.className=className;this.confidence=confidence;this.x=x;this.y=y;this.width=width;this.height=height;}}}

五、第四步：测试验证（1分钟）

1. 准备测试图片

找一张包含常见物体的图片（如有人、车、杯子的图片），重命名为test.jpg，放到项目根目录（或修改代码里的imgPath为绝对路径，如D:/test.jpg）。

2. 运行代码

直接运行YoloJavaDemo的main方法，控制台会输出：

模型加载成功！ 推理完成，耗时：35ms 检测结果： 类别：person，置信度：0.98，位置：x=120.5, y=80.2, 宽=60.3, 高=180.1 类别：cup，置信度：0.92，位置：x=300.1, y=200.8, 宽=15.2, 高=20.5

看到这个输出，说明Java调用YOLO模型成功了！

六、新手避坑指南（2分钟）

图片加载失败：检查图片路径是否正确，绝对路径要用/（如D:/test.jpg），不要用\；
模型加载失败：确认yolov8n.onnx放在resources/model目录下，Maven项目要刷新资源；
OpenCV库加载失败：如果报UnsatisfiedLinkError，手动下载对应系统的OpenCV库，放到项目根目录，或指定库路径：
```
System.setProperty("java.library.path","你的OpenCV库路径");
```
推理结果为空：降低CONF_THRESHOLD（如改为0.3），可能是置信度阈值太高过滤了结果；
输入名称错误：如果报No such input: images，检查ONNX模型的输入名称（YOLOv8默认是images，YOLOv5是images或input）。