如何5分钟用 lite.ai.toolkit 跑通 YOLOv5 目标检测？Linux 环境配置与编译完整指南-优快云博客

如何5分钟用 lite.ai.toolkit 跑通 YOLOv5 目标检测？Linux 环境配置与编译完整指南

【免费下载链接】lite.ai.toolkit A lite C++ AI toolkit: 100+ models with MNN, ORT and TRT, including Det, Seg, Stable-Diffusion, Face-Fusion. 项目地址: https://gitcode.com/gh_mirrors/lit/lite.ai.toolkit

lite.ai.toolkit 是一个轻量的 C++ AI 工具箱，内置 100+ 视觉模型的开箱即用推理实现。本文手把手带你完成 Linux 环境配置与编译，5 分钟跑通 YOLOv5 目标检测：从克隆仓库、一键编译，到运行示例并得到带检测框的结果图，全程无需手动安装 OpenCV 和 ONNXRuntime。

为什么选 lite.ai.toolkit 跑 YOLOv5？🎯

优势	说明
统一 API	一行 `new lite::cv::detection::YoloV5(...)` 即可检测，前处理/NMS 全封装
依赖极少	默认只需 OpenCV + ONNXRuntime，构建时自动下载，无需手动编译
多后端切换	同一模型可跑 ONNXRuntime / MNN / NCNN / TNN / TensorRT
官方示例齐全	自带 YOLOv5 检测示例，编译后直接可执行

运行前的 Linux 环境检查 ✅

项目	要求
系统	Linux（Ubuntu 20.04 LTS 已验证），暂不支持 Windows / macOS
工具链	cmake、gcc/g++（C++17）
其他	无需预装 OpenCV 或 ONNXRuntime，首次构建会自动下载到 `third_party/` 目录

💡 如果你的机器已装好 cmake 和 gcc，就可以直接进入下一步，这也是"5 分钟"的关键。

一键编译：克隆仓库并运行 build.sh

只需 3 条命令完成克隆与编译：

git clone https://gitcode.com/gh_mirrors/lit/lite.ai.toolkit
cd lite.ai.toolkit
sh ./build.sh

build.sh 会自动完成以下工作：

创建 build/ 目录并执行 cmake（MinSizeRel 模式，-DENABLE_TEST=ON 构建全部示例）；
自动下载 OpenCV 4.9.0 与 ONNXRuntime 1.17.1 到 third_party/（见 cmake/opencv.cmake、cmake/onnxruntime.cmake）；
make -j8 编译并 make install 到 build/install/，示例可执行文件输出到 build/install/bin/。

一键运行 YOLOv5 目标检测示例 🚀

编译完成后，示例程序 lite_yolov5 已经就位，直接运行：

cd build/install/bin
./lite_yolov5

它会自动读取仓库自带的模型与测试图：

模型：examples/hub/onnx/cv/yolov5s.onnx
测试图：examples/lite/resources/test_lite_yolov5_1.jpg
结果输出：examples/logs/test_lite_yolov5_1.jpg

输入图像（原始测试图）：

检测结果（YOLOv5 目标检测输出，自动画出检测框与置信度）：

控制台会打印输入输出张量维度（如 1x3x640x640、pred 1x25200x85）与检测到的框数量——看到 Detected Boxes Num 就说明 YOLOv5 目标检测已经跑通了 🎉。

示例源码见 examples/lite/cv/test_lite_yolov5.cpp，核心逻辑只有 6 行：

auto *yolov5 = new lite::cv::detection::YoloV5(onnx_path); // 加载 ONNX 模型
cv::Mat img_bgr = cv::imread(test_img_path);
std::vector<lite::types::Boxf> boxes;
yolov5->detect(img_bgr, boxes);                 // 目标检测
lite::utils::draw_boxes_inplace(img_bgr, boxes); // 画框
cv::imwrite(save_img_path, img_bgr);

想集成到自己的工程，参考 CMakeLists.txt 中的 Quick Setup：find_package(lite.ai.toolkit) 后链接 ${lite.ai.toolkit_LIBS} 即可，详见项目根目录 README 说明。

如何切换 MNN / NCNN / TNN / TensorRT 推理引擎 ⚡

同一个 YOLOv5 模型，换一行类名即可切换后端（各后端源码位于 lite/mnn/cv/、lite/ncnn/cv/、lite/tnn/cv/、lite/trt/cv/）：

后端	检测器类	模型格式
ONNXRuntime（默认）	`lite::cv::detection::YoloV5`	`.onnx`
MNN	`lite::mnn::cv::detection::YoloV5`	`.mnn`
NCNN	`lite::ncnn::cv::detection::YoloV5`	`.param` + `.bin`
TNN	`lite::tnn::cv::detection::YoloV5`	`.tnnproto` + `.tnnmodel`
TensorRT	`lite::trt::cv::detection::YOLOV5`	`.engine`

🚀 想用 NVIDIA GPU 加速？执行 sh ./build.sh tensorrt 重新编译（需 TensorRT 10.x + CUDA 12.x），再用 trtexec 把 ONNX 转为 engine：trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.engine。安装步骤见 docs/tensorrt/tensorrt-linux-x86_64.zh.md。

常见编译与运行问题排查 🛠

运行示例报找不到 .so：build/install/ 下已随包安装好三方库；若自行编译示例，记得把 build/install/lib、build/install/third_party/*/lib 加入 LD_LIBRARY_PATH。
Windows / macOS 无法构建：>=0.2.0 版本目前仅支持 Linux（见根目录 CMakeLists.txt 中的平台检查）。
检测框为空：检查模型文件 yolov5s.onnx 是否存在、输入图像是否为彩色 BGR 格式。
想了解模型是怎么转 ONNX 的：阅读 docs/ort/ort_yolov5.zh.md，里面完整记录了 YOLOv5 → ONNX 转换与 C++ 推理实现原理。

关键文件速查表 📚

路径	作用
`examples/lite/cv/test_lite_yolov5.cpp`	YOLOv5 目标检测多后端示例源码
`lite/ort/cv/yolov5.cpp` / `yolov5.h`	ONNXRuntime 版 YOLOv5 检测器实现
`examples/hub/onnx/cv/yolov5s.onnx`	仓库自带的 YOLOv5s ONNX 模型
`examples/lite/resources/test_lite_yolov5_1.jpg`	检测测试图
`build.sh`	一键构建脚本（默认 / tensorrt 两种模式）

跑通 YOLOv5 只是开始——同一套写法，你可以继续体验 YOLOX、NanoDet、人脸检测、抠图甚至 Stable Diffusion，全部示例都在 examples/lite/cv/ 目录下等你探索 👀

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考