使用 OpenCV 和 ONNX Runtime 对图像进行目标检测(YOLOV8N&智能车竞赛&目标识别)

一.项目介绍

本人为新手小白，因为比赛需要参考yolov8官方库写了一份使用 OpenCV 和 ONNX Runtime 对图像进行目标检测代码。其中或有不足之处，仅供参考。

本项目使用yolov8.n模型训练并导出为onnx文件，在opencv中结合ONNX Runtime 开源库实现图像中目标检测。示例内容为在图像中检测字母A,B。

本项目旨在对输入图片进行目标检测，对于检测实时视频流，只需要将照片改为输入图像的每帧图像即可，想偷懒的你让ai帮你实现也是可行的。

二.项目技术和方法

1.OpenCV

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。它提供了数百种计算机视觉算法，包括图像处理、特征检测、目标跟踪、人脸识别等。OpenCV 支持多种编程语言（如 C++、Python、Java 等），并且可以跨平台运行（Windows、Linux、macOS、Android、iOS）。

使用 OpenCV 进行目标检测的优势包括：

广泛使用的库：OpenCV 是计算机视觉领域最常用的库之一，拥有庞大的用户社区和丰富的文档资源。
图像处理能力：OpenCV 提供了强大的图像处理功能，可以用于预处理图像以提高目标检测模型的准确性。
硬件加速：OpenCV 支持多种硬件加速，如使用 GPU 加速图像处理。

2. ONNX Runtime

ONNX Runtime 是一个用于加速机器学习推理的开源库。它通过跨平台、高性能的推理引擎，能够有效地运行 ONNX 格式的模型。ONNX（Open Neural Network Exchange）是一个开放的深度学习模型交换格式，允许不同的深度学习框架（如 PyTorch、TensorFlow 等）之间的模型互操作。

使用 ONNX Runtime 进行目标检测的优势包括：

跨平台支持：ONNX Runtime 支持多种操作系统（Windows、Linux、macOS）和硬件平台（CPU、GPU、TPU、FPGA）。
高性能推理：ONNX Runtime 通过优化计算图和利用硬件加速，提供了高效的推理性能。
模型兼容性：ONNX 格式允许模型在不同的深度学习框架之间进行转换，使得模型的部署更加灵活。

3. 结合 OpenCV 和 ONNX Runtime 进行目标检测

结合 OpenCV 和 ONNX Runtime 进行目标检测的基本步骤如下：

加载图像：使用 OpenCV 读取图像文件，并进行必要的预处理（如缩放、归一化等）。
加载模型：使用 ONNX Runtime 加载预训练好的 ONNX 格式的目标检测模型。
推理：将预处理后的图像输入到模型中，使用 ONNX Runtime 进行推理，得到目标检测的结果。
后处理：使用 OpenCV 对检测结果进行后处理，如绘制边界框和标签。

三.项目准备

1.使用yolo训练出自己的数据集，并导出为后缀名为onnx的文件。

此类教程互联网上有，这里就不赘述了。

2.安装opencv-python包

pip install opencv-python

3.安装ONNX Runtime包

pip install onnxruntime

四.项目源码（含注释）

#######这段代码主要是使用 OpenCV 和 ONNX Runtime 对图像进行目标检测

import cv2
import numpy as np
import onnxruntime as ort

# 定义类别标签
CLASSES = ["A", "B", "right", "left"]  

# 随机生成每个类别的颜色
colors = np.random.uniform(0, 255, size=(len(CLASSES), 3))

# 初始化标志
no_flag = 0

# 绘制边界框的函数
def draw_bounding_box(img, class_id, confidence, x, y, x_plus_w, y_plus_h):
    label = f"{
     CLASSES[class_id]} ({
     confidence:.2f})"  # 创建标签字符串
    color = colors[class_id]