[C++]yolov8的onnx模型加密方法保护自己模型和版权

【官方框架地址】

https://github.com/ultralytics/ultralytics
【算法介绍】

Yolov8 是一种先进的对象检测模型，基于深度学习技术，广泛应用于计算机视觉任务。它使用 ONNX（Open Neural Network Exchange）格式，使得模型在不同的深度学习框架之间具有更好的互操作性。然而，直接使用 ONNX 格式的模型存在一定的安全隐患，因此对模型进行加密就显得尤为重要。

对 Yolov8 的 ONNX 模型进行加密，主要是为了保护模型的机密性和完整性，防止未经授权的访问和使用。常见的加密方法包括使用密码加密、哈希函数、数字签名等技术。这些方法可以在模型传输、存储和使用过程中提供一定的安全保障。

具体来说，当模型需要从一个环境传输到另一个环境时，可以使用密码加密的方式对模型进行加密，确保模型在传输过程中的安全。在模型存储时，可以使用哈希函数和数字签名等技术，验证模型的完整性和来源，防止模型被篡改或替换。在使用模型时，可以通过身份验证和访问控制等机制，确保只有经过授权的人员才能访问和使用模型。

需要注意的是，对 Yolov8 的 ONNX 模型进行加密可能会对模型的性能产生一定的影响。因此，在选择加密方法时，需要根据实际需求和场景进行权衡，尽可能地平衡安全性和性能的需求。

总之，对 Yolov8 的 ONNX 模型进行加密是一个重要的安全措施，可以有效地保护模型的机密性和完整性，防止未经授权的访问和使用。在选择加密方法时，需要根据实际需求和场景进行权衡，尽可能地平衡安全性和性能的需求。

对于onnx加密我们采用对称加密方式，采用二进制加密除非有密钥否则很难被破解，这样可以使我们的花费大量人力和物力以及成本得到安全保障。
【效果展示】

加密后缀为yolov8.firc您可以改成任何后缀不影响模型

【实现部分代码】

#include <iostream>
#include <opencv2/opencv.hpp>

#include <math.h>
#include "yolov8_onnx.h"
#include "OnnxEncry.h"
#include <time.h>

using namespace std;
using namespace cv;
using namespace dnn;



int main()
{

    string img_path = "C:\\Users\\Administrator\\Desktop\\yolov8-onnxruntime-encry\\x64\\Debug\\zidane.jpg";
    string model_path = "C:\\Users\\Administrator\\Desktop\\yolov8-onnxruntime-encry\\x64\\Debug\\\\yolov8s.onnx";
    string encode_path = "C:\\Users\\Administrator\\Desktop\\yolov8-onnxruntime-encry\\x64\\Debug\\yolov8s.firc";
 /*   OnnxEncry oe;
    oe.EncryOnnx(model_path,encode_path);
    return 0;*/
    Mat img = imread(img_path);
    Yolov8Onnx det;
    det.ReadModelEncode(encode_path, false);
    vector<Scalar> color;
    srand(time(0));
    for (int i = 0; i < 80; i++)
    {
        int b = rand() % 256;
        int g = rand() % 256;
        int r = rand() % 256;
        color.push_back(Scalar(b, g, r));
    }
    vector<OutputSeg> result;
    if (det.OnnxDetect(img, result))
    {
        DrawPred(img, result, det._className, color);
    }
    else
    {
        cout << "Detect nothing!" << endl;
    }

    return 0;
}

【视频演示】

https://www.bilibili.com/video/BV1jw41177mQ/
【源码下载】

https://download.csdn.net/download/FL1623863129/88784066
【测试环境】

 vs2019，onnxruntime==1.12.0，opencv==4.7.0