使用c++推理yolov8的关键点模型

吴天德少侠

已于 2024-11-05 09:12:03 修改

阅读量549

点赞数 11

文章标签： c++ YOLO 开发语言

于 2024-08-15 10:06:10 首次发布

本文链接：https://blog.youkuaiyun.com/sdhdsf132452/article/details/141212819

版权

发现有人拿我的博客文章去卖钱专栏收录该内容

70 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

依赖库

opencv

导出onnx

yolo export model=./runs/segment/train2/weights/best.pt imgsz=640 format=onnx opset=12

代码

</

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

吴天德少侠

关注关注

11
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

YOLOv8关键点检测推理流程及C++代码

ice

03-02

115

这部分主要是使用c++对Onnx模型进行推理，边先贴代码，过段时间再详细补充下代码说明。代码主要分成三部分，1.main_det.cpp推理函数主入口；2.inference_pose.h 头文件及inference_pose.cpp具体函数实现；

YOLOV8使用Opencv部署实现(C++版)

低调猫熊的博客

03-18

2444

这里的输入其实就是一张640*640大小的RGB三通道图片，输出是一个8400行5列的矩阵。这里的输出维度8400是和训练时选择的模型有关（本文选择的s），5是和自己的检测类有关（一般为类别数加4，4为坐标x,y,w,h）。今天跟大家分享一下yolov8的C++部署，网上有很多Tensort的教程，其实部署原理都一样，只是看到很少有介绍这部分的，所以分享一下。可以看到，模型输出的值与上文说的是对应的。这里进行了归一化操作，包括之后输出的值，也都是归一化之后的，要获取对应的像素值需要进行转换。

参与评论您还未登录，请先登录后发表或查看评论

C++调用python的【yolov8/yolo11】视觉模型推理

lemon.qing@foxmail.com

11-12

2647

心累。

YOLOV8目标识别与语义分割——使用OpenCV C++ 推理模型

知来者逆的博客

01-06

5268

使用OpenCV DNN C++ 对yolov8s模型做推理部署，有模型转换方法问题注意项。

一文搞懂Yolov8从数据标注、模型训练到模型部署全过程-C++

最新发布

奇华资料的博客

04-28

1132

将上面两个压缩包下载后放到一个文件夹里面，直接解压001，就可以将两个压缩包里面的依赖项全部解压出来。注：由于x-anylabeling是可以使用自己训练后的模型，然后自动生成标注数据的，但是第一次的话就需要自己标注数据。yaml文件的配置，注意这个类不要用数字，会被认定为int型，然后导致无法生成框，也就是报错。这个类的名称和个数一定要与训练的时候进行配置的一样。就是这里面的class names，这里填的什么，那么上面配置的yaml文件也要一样。这里的两个工程环境部署都跟上面部署的方式一样。

YOLOv8 Windows c++推理

Dneccc的博客

09-28

979

添加一个**yolov8\_。onx **和/或**yolov5\_。Onnx **模型(s)到ultralytics文件夹。#编辑**main.cpp**来改变**projectBasePath**来匹配你的用户。#请注意，默认情况下，CMake文件将尝试导入CUDA库以与opencv dnn (cuDNN) GPU推理一起使用。#如果你的OpenCV构建不使用CUDA/cuDNN，你可以删除该导入调用并在CPU上运行示例。

yolov5-7.0目标识别使用Tensorrt推理（C++Api）

m0_66380820的博客

07-19

845

程序里主要有logging.h和utils.h两个基础的头文件，还有含推理程序的yolo.hpp，我将主要的推理程序都封装在一个类里面了，后续需要使用时直接new一个就可以直接使用了。我们使用 Netron打开对应onnx模型，可以看到images和output0参数与模型一一对应，一般我们训练自己的模型都会修改CLASSES，根据自己参数对应修改即可。我自己通常使用C#编写上位机程序，所以一般都是将C++封装成DLL使用。测试使用的话直接new一个，然后使用里面的函数即可，下面给出例子。

yolov8 c++进行部署

u011489887的专栏

10-25

3968

指定版本的source代码，并解压到本地。解压后执行make命令/etc/ld.so.conf.d/路径下创建任意一个.conf文件，把lib文件的路径写在里面,一般是 /usr/local/lib，然后执行 sudo ldconfig即可。（否则会报错：error while loading shared libraries: libopencv_core.so.4.8: cannot open shared object file）

部署yolov8的tensorrt模型支持检测分割姿态估计的C++源码+部署步骤.zip

05-21

在本资源中，我们主要关注如何使用C++和TensorRT部署一个综合性的计算机视觉系统，该系统能够执行Yolov8模型的任务，包括目标检测、图像分割以及姿态估计。TensorRT是一个高性能的深度学习推理（Inference）优化器和...

OpenCV部署yolov8检测人脸和关键点以及人脸质量评价包含C++和Python源码+模型+说明.zip

05-02

在给定的压缩包中，"OpenCV部署yolov8检测人脸和关键点以及人脸质量评价包含C++和Python源码+模型+说明.zip"，我们可以推测其主要包含了以下几方面的知识点： 1. **YOLOv8**: YOLO（You Only Look Once）是目标检测...

C++使用纯opencv部署yolov11-pose姿态估计onnx模型源码.zip

10-05

本压缩包文件“C++使用纯opencv部署yolov11-pose姿态估计onnx模型源码.zip”涉及的内容主要是如何在C++中使用纯OpenCV库来部署经过改进的YOLOv11版本的模型，用于人体姿态估计。这一任务的实现对于需要实时或接近...

YOLOv8部署到C++上（综合版笔记)

Jochen12345的博客

03-26

1万+

这段时间由于项目的需要，需要将yolov8部署到C++上以及跟相应的算法结合，花了我不少时间。现阶段有考虑过使用onnx转Tensort，，故放弃，有目标检测的小伙伴可以试试，接下来使用onnxruntime来试试。下面我将尝试用opencv CPP推理我们得到onnx文件。

yolov8 opencv模型部署（C++版）

热门推荐

整理ing

09-27

2万+

基于opencv C++推理yolov8模型（onnx），完整代码

C++ TensorRT yolov8

.NET 人工智能实践

10-25

1185

C++ TensorRT yolov8

Yolov8_obb旋转检测网络Opencv部署（C++版）

低调猫熊的博客

03-22

2581

这里的输入是640*640的3通道图，输出可以看作是8400行7列的一个矩阵，每一行对应的值依次为预测框的中心坐标(x, y)和框的宽高w,h。对模型类别的判断使用minMaxLoc函数比较方便，包括各分类网络也都是使用取输出向量的最大值来获取类别的。到这里，其实就很简单了，剩下的就是遍历每一行，并将对应的值放到自己的结构体里面，供后面画框的时候使用了。根据输出的内容，我们可以建一个结构体，便于后面存储和使用。这一篇再分享一下OBB旋转检测的部署，也是仅使用Opencv的dnn库的C++部署。

yolov8 ONNX Runtime C++ 部署

weixin_45824067的博客

05-05

8135

运行效果：输入为640*640，CPU推理耗时100ms左右速度比yolov5快一点但是也可以把手识别成人？？应该可以根据使用情况把detect.h中的分类阈值提高一点，可以解决误识别的问题。

【模型c++部署】yolov8（检测、分类、分割、姿态）使用openvino进行部署

qq_44747572的博客

11-09

7781

该文主要是对yolov8的检测、分类、分割、姿态应用使用c++进行dll封装，并进行调用测试。

【深度学习】C++ Tensorrt Yolov8 目标检测推理

weixin_48846514的博客

06-26

1562

C++ tensorrt对yolov8目标检测模型进行推理。

yolov8数据标注、模型训练到模型部署全过程

qq_44747572的博客

01-29

6931

yolov8进行自己的数据标注、模型训练以及模型部署全过程

yolov8关键点部署c++

03-09

### YOLOv8 关键点检测 C++ 部署教程 #### 1. 环境准备为了成功部署YOLOv8关键点检测模型，需安装OpenVINO工具包并配置开发环境。确保已设置好编译器和其他依赖项以便支持C++编程[^1]。 #### 2. 加载预训练模型通过指定路径加载已经转换成IR格式（Intermediate Representation）的YOLOv8关键点检测模型文件(.xml 和 .bin)，这是由Model Optimizer处理过的版本，适用于高性能推理引擎。 ```cpp #include <openvino/openvino.hpp> // 初始化核心对象用于管理设备和执行网络 ov::Core core; // 定义模型路径 std::string model_path = "path/to/model.xml"; // 使用读取方法获取编译后的网络结构 auto model = core.read_model(model_path); ``` #### 3. 设置输入输出张量规格根据YOLOv8关键点检测的需求调整输入图像尺寸以及定义输出层名称列表来匹配模型预期的数据流形式。 ```cpp // 获取所有输入节点的信息 const auto& params = model->inputs(); for (size_t i = 0; i < params.size(); ++i){ std::cout << "Input layer name: " << params[i].get_any_name() << "\n"; } // 输出层名, 假设为"output" std::vector<std::string> output_names{"output"}; ``` #### 4. 创建可执行实例并与硬件绑定创建一个与特定计算资源关联起来的推断请求实体，并准备好向其中填充实际待预测样本数据前的各项准备工作。 ```cpp // 编译模型以适应目标平台特性 compiled_model = core.compile_model(model, "CPU"); // 构建异步推断请求句柄 infer_request = compiled_model.create_infer_request(); // 将输入图片分配给对应的tensor变量 infer_request.set_input_tensor(input_image_tensor); // 同样地对于期望接收的结果也做相应设定 infer_request.set_output_tensors(output_tensors); ``` #### 5. 执行推理过程调用`start_async()`函数触发一次非阻塞式的推理操作；之后可以通过轮询方式查询状态直至完成，最后取得识别出来的关键点位置信息作为最终输出结果。 ```cpp // 开始异步推理 infer_request.start_async(); // 等待直到当前任务结束 infer_request.wait_for(ov::Duration::INFINITE); // 获取输出张量中的数据指针访问预测得分矩阵 float* keypoints_data_ptr = infer_request.get_output_tensor().data<float>(); ``` 以上就是基于OpenVINO框架下利用C++实现YOLOv8关键点检测的一个基本流程概述。