c++调用yolov4模型进行目标检测-使用yolov4官方接口

最新推荐文章于 2024-06-06 20:40:19 发布
最新推荐文章于 2024-06-06 20:40:19 发布
阅读量1.1w 收藏 150
点赞数 15
分类专栏： 目标检测 文章标签： c++ opencv 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_50117360/article/details/108131860
版权

前言

yolo系列用c写的，在工程中的部署特别方便。4月份yolov4横空出世，之前试了试效果，精度确实有了很大的提升，AB大神nb。最近需要在C++项目中使用yolov4，尝试了opencv的调用(见我的上一篇博客这里)，yolov4官方也提供了C++接口，并不需要opencv4.4的版本，调用起来也特别简单。

darknet

使用官方接口调用，我们首先得编译darknet动态库，下载yolov4源码

git clone https://github.com/AlexeyAB/darknet.git

进入darknet目录下，修改makefile文件

cd darknet
vim Makefile

其中需要修改的几个地方，OPENCV=1，LIBSO=1，如果需要使用GPU，则设置GPU=1，CUDNN=1。

GPU=1
CUDNN=1
CUDNN_HALF=0
OPENCV=1
AVX=0
OPENMP=0
LIBSO=1
ZED_CAMERA=0
ZED_CAMERA_v2_8=0

计算能力根据自己GPU设定，由于我使用的titan v，所以计算能力为7.0，不使用GPU则忽略。

# Tesla A100 (GA100), DGX-A100, RTX 3080
# ARCH= -gencode arch=compute_80,code=[sm_80,compute_80]

# Tesla V100
ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]

# GeForce RTX 2080 Ti, RTX 2080, RTX 2070, Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Tesla T4, XNOR Tensor Cores
# ARCH= -gencode arch=compute_75,code=[sm_75,compute_75]

# Jetson XAVIER
# ARCH= -gencode arch=compute_72,code=[sm_72,compute_72]

# GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4
# ARCH= -gencode arch=compute_61,code=sm_61 -gencode arch=compute_61,code=compute_61

# GP100/Tesla P100 - DGX-1
# ARCH= -gencode arch=compute_60,code=sm_60

# For Jetson TX1, Tegra X1, DRIVE CX, DRIVE PX - uncomment:
# ARCH= -gencode arch=compute_53,code=[sm_53,compute_53]

# For Jetson Tx2 or Drive-PX2 uncomment:
# ARCH= -gencode arch=compute_62,code=[sm_62,compute_62]

修改自己的cuda和cudnn的路径，然后make，之后会生成一个libdarknet.so动态库。

ifeq ($(GPU), 1)
COMMON+= -DGPU -I/usr/local/cuda-10.1/include/
CFLAGS+= -DGPU
ifeq ($(OS),Darwin) #MAC
LDFLAGS+= -L/usr/local/cuda-10.1/lib -lcuda -lcudart -lcublas -lcurand
else
LDFLAGS+= -L/usr/local/cuda-10.1/lib64 -lcuda -lcudart -lcublas -lcurand
endif
endif

ifeq ($(CUDNN), 1)
COMMON+= -DCUDNN
ifeq ($(OS),Darwin) #MAC
CFLAGS+= -DCUDNN -I/usr/local/cuda-10.1.0/include
LDFLAGS+= -L/usr/local/cuda-10.1.0/lib -lcudnn
else
CFLAGS+= -DCUDNN -I/usr/local/cuda-10.1.0/include
LDFLAGS+= -L/usr/local/cuda-10.1.0/lib64 -lcudnn
endif
endif

检测步骤

检测部分很简单，需要用到刚刚编译的动态库，以及yolov4源码下的yolo_v2_class.hpp。
其实就那么几步，首先加载网络

	string classesFile = "./yolo/coco.names";
	string modelConfig = "./yolo/yolov4.cfg";
	string modelWeights = "./yolo/yolov4.weights";

	//加载类别名
	vector<string> classes;
	ifstream ifs(classesFile.c_str());
	string line;
	while (getline(ifs, line)) classes.push_back(line);
	//加载网络模型，0是指定第一块GPU
	Detector detector(modelConfig, modelWeights, 0);

然后将读取的Mat图像转为yolo输入格式

shared_ptr<image_t> detImg = detector.mat_to_image_resize(frame);

然后检测

vector<bbox_t> outs = detector.detect_resized(*detImg, frame.cols, frame.rows, 0.25);

over了，是不是很简单。
实际上上面转为yolo输入格式和检测两步只需调用一个函数

vector<bbox_t> outs = detector.detect(frame, 0.25);

输出结果结构体bbox_t可以在yolo_v2_class.hpp看到，包括检测框左上角坐标，高和宽，置信度，类别等，有了它们画图也很简单了。

struct bbox_t {
    unsigned int x, y, w, h;       // (x,y) - top-left corner, (w, h) - width & height of bounded box
    float prob;                    // confidence - probability that the object was found correctly
    unsigned int obj_id;           // class of object - from range [0, classes-1]
    unsigned int track_id;         // tracking id for video (0 - untracked, 1 - inf - tracked object)
    unsigned int frames_counter;   // counter of frames on which the object was detected
    float x_3d, y_3d, z_3d;        // center of object (in Meters) if ZED 3D Camera is used
};

下面附上完整代码

#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <vector>
#include <fstream>
#include "yolo_v2_class.hpp"

using namespace std;
using namespace cv;
#define GPU

//画出检测框和相关信息
void DrawBoxes(Mat &frame, vector<string> classes, int classId, float conf, int left, int top, int right, int bottom)
{
	//画检测框
	rectangle(frame, Point(left, top), Point(right, bottom), Scalar(255, 178, 50), 3);
	//该检测框对应的类别和置信度
	string label = format("%.2f", conf);
	if (!classes.empty())
	{
		CV_Assert(classId < (int)classes.size());
		label = classes[classId] + ":" + label;
	}
	//将标签显示在检测框顶部
	int baseLine;
	Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
	top = max(top, labelSize.height);
	rectangle(frame, Point(left, top - round(1.5*labelSize.height)), Point(left + round(1.5*labelSize.width), top + baseLine), Scalar(255, 255, 255), FILLED);
	putText(frame, label, Point(left, top), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 0), 1);
}


//画出检测结果
void Drawer(Mat &frame, vector<bbox_t> outs, vector<string> classes)
{
	//获取所有最佳检测框信息
	for (int i = 0; i < outs.size(); i++)
	{
		DrawBoxes(frame, classes, outs[i].obj_id, outs[i].prob, outs[i].x, outs[i].y,
			outs[i].x + outs[i].w, outs[i].y + outs[i].h);
	}
}


int main(void)
{
	string classesFile = "./yolo/coco.names";
	string modelConfig = "./yolo/yolov4.cfg";
	string modelWeights = "./yolo/yolov4.weights";

	//加载类别名
	vector<string> classes;
	ifstream ifs(classesFile.c_str());
	string line;
	while (getline(ifs, line)) classes.push_back(line);
	//加载网络模型，0是指定第一块GPU
	Detector detector(modelConfig, modelWeights, 0);

	string mode = "video";
	//图像
	if (mode == "image")
	{
		Mat frame = imread("./data/test.jpg");
		//Mat图像转为yolo输入格式
		shared_ptr<image_t> detImg = detector.mat_to_image_resize(frame);
		//前向预测
		vector<bbox_t> outs = detector.detect_resized(*detImg, frame.cols, frame.rows, 0.25);
		//画图
		Drawer(frame, outs, classes);
		imwrite("./data/result.jpg", frame);
	}
	//视频
	else if (mode == "video")
	{
		VideoCapture cap("./data/test.avi");
		Size size(1920, 1080);
		VideoWriter writer("./data/result.avi", cv::VideoWriter::fourcc('M', 'J', 'P', 'G'), 25, size);
		while (1) 
		{
			Mat frame;
			cap >> frame;
			if (frame.empty()) 
				break;

			//Mat图像转为yolo输入格式
			shared_ptr<image_t> detImg = detector.mat_to_image_resize(frame);
			//前向预测
			vector<bbox_t> outs = detector.detect_resized(*detImg, frame.cols, frame.rows, 0.25);
			//画图
			Drawer(frame, outs, classes);
			writer << frame;
		}
		cap.release();
	}
    return 0;
}

代码我放到了github上。

运行

1、需要用到刚刚编译的libdarknet.so，将它放到项目lib目录下或者/usr/lib目录下，另外需要用到yolov4源码下的yolo_v2_class.hpp文件。
2、将coco.names、yolov4.cfg、yolov4.weights三个文件放到项目yolo目录下，我放到了百度网盘中，提取码：2zfk。
3、在detection.cpp中修改自己检测图像或视频的路径，然后编译

make

检测结果

在这里插入图片描述
输入网络中的图像分辨率设为416*416，用titan v跑一帧在20ms左右。
如果有不对的地方望大佬指点。

气泡水、
关注
  • 15
    点赞
  • 踩
  • 150
    收藏
    觉得还不错? 一键收藏
  • 71
    评论
专栏目录
yolov4用1050ti_c++调用yolov4模型进行目标检测-使用yolov4官方接口
weixin_35397235的博客
12-29 1278
前言yolo系列用c写的，在工程中的部署特别方便。4月份yolov4横空出世，之前试了试效果，精度确实有了很大的提升，AB大神nb。最近需要在C++项目中使用yolov4，尝试了opencv的调用(见我的上一篇博客这里)，yolov4官方也提供了C++接口，并不需要opencv4.4的版本，调用起来也特别简单。darknet使用官方接口调用，我们首先得编译darknet动态库，下载yolov4源码...
利用C++调用PyTorch的模型
MLer
01-19 1万+
背景 PyTorch的主要接口是Python语言。虽然Python是许多需要动态和易于迭代的场景的首选语言，但同样有很多情况下，Python的这些属性恰好是不利的。在生产环境中，需要保证低延迟和其它严格的要求，而对于生产场景，C ++通常是首选语言，通常C++会被绑定到Java或Go当中； 第一种方法是在PyTorch中直接使用C++编写PyTorch的前端，而不是通常情况下使用Python来编...
C++调用yolov4.zip
03-07
docx文件（c++调用libtorch的配置与测试，使用yolov4加载汇总），c++资源文件
使用C++实现YOLO图像分类：从环境搭建到性能评估的完整指南
最新发布
忆_恒心的博客
06-06 835
随着YOLO技术的迅速发展，使用**Python进行yolo部署变得相对简单**。然而，在实际的业务场景中，我们往往需要利用C++进行高效调用。因此，本文将重点介绍如何使用**C++实现YOLO进行图像分类**，并提供相关的示例代码和资源，帮助您在自己的项目中灵活应用YOLO。
使用C++调用Yolo模型的方法与步骤
m0_61789994的博客
05-23 4677
Yolo算法是一种基于深度学习的目标检测算法，其主要思想是将目标检测任务转化为一个回归问题。相比于传统的两阶段目标检测方法，Yolo算法采用单阶段的检测流程，使得其在速度上有较大优势。Yolo算法将输入图像划分为一个固定大小的网格，并在每个网格上预测目标的边界框和类别。每个边界框由5个值来表示：边界框中心的坐标(x, y)、边界框的宽度和高度(w, h)，以及边界框中包含目标的置信度。通过在多个尺度上进行预测，结合非极大值抑制等后处理步骤，可以得到最终的目标检测结果。
C++Yolov4目标检测实战
qianfengling0707的博客
06-01 8945
Introduction   今年2月份，Yolo之父Joseph Redmon由于Yolo被用于军事和隐私窥探退出CV界表示抗议，就当我们以为Yolo系列就此终结的时候，4月24日，Yolov4横空出世，新的接棒者出现，而一作正是赫赫有名的AB大神。   paper github   在本篇文章里，我们先不急去探究Yolov4的原理，而是从工程的角度来使用Yolov4。首先我们来看一下，Yolov4的性能有多么强劲，下面是使用不同显卡的时候，主流目标检测器的性能，从下图我们发现，Yolov4真的
【opencv-目标检测】C++加载Yolov4 、 Yolov3 模型进行推理
cxyhjl的博客
05-22 1298
主程序 #include <opencv2/highgui.hpp> #include "Yolo.h" using namespace cv; void runningYoloV3(); void runningYoloV4(); int main(int argc, char** argv) { runningYoloV3(); //runningYoloV4(); return 0; } void runningYoloV4() { String modelPat
用C++实现4种YOLO目标检测（内附完整代码）
limingmin2020的博客
10-18 1万+
本文作者使用C++编写一套基于OpenCV的YOLO目标检测，包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。附代码详解。
c++调用YOLOV4实现目标检测
06-19
本项目将教你如何使用C++调用YOLOv4来实现目标检测。 首先，你需要配置必要的开发环境。OpenCV（Open Source Computer Vision Library）是一个跨平台的计算机视觉库，它包含了众多图像处理和计算机视觉的功能。安装...
YOLOv8-使用NCNN在安卓平台上部署YOLOv8实现实时目标检测-优质项目-项目实战.zip
02-12
4. 集成到应用：将转换后的模型文件集成到安卓应用中，并编写代码以调用NCNN库进行推理。 在实际开发中，需要关注以下几个关键点： - 图像预处理：由于移动端硬件限制，可能需要对输入图像进行缩放、归一化等预处理...
使用C++ 与ONNXRuntime部署yolov8旋转目标检测源码+模型(c++).zip
09-01
在本项目中，我们主要关注的是如何利用C++编程语言结合ONNXRuntime库来部署一个名为yolov8的旋转目标检测模型。首先，我们需要理解yolov8模型的原理和ONNXRuntime的作用。 Yolov8是YOLO（You Only Look Once）目标...
c++调用yolov3训练模型.zip
11-15
综上所述，利用C++调用Yolov3模型涉及多个环节，包括模型权重的加载、C++接口的构建、图像处理、预测结果的解码以及最终的结果展示。对于这个压缩包中的“miehuoqi”文件，很可能是项目的源代码或者示例图像，具体...
[深度学习]C++调用Python-YOLO模型进行目标检测
Chris_Liu_的博客
08-17 5812
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 目前深度学习算法大多数是基于Python实现，但一些项目的框架是用C++搭建，所以就出现了在C++中调用模型的问题。本文主要记录C++调用Python-YOLOv5模型的步骤，实现C++中读取图片然后传入YOLO模型中进行检测，最后将类名、坐标、置信度返回到C++中。开发环境为QT5、Python3.8...
c代码调用YOLO模型
weixin_44152895的博客
07-06 936
#include <fstream> #include <sstream> #include <iostream> #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> #include<vector> using namespace std; using namespa..
c++调用yolov4模型进行目标检测-使用opencv4.4.0
m0_50117360的博客
08-19 1万+
c++调用yolov4模型进行目标检测-使用opencv4.4.0 前言 最近刚出的opencv4.4.0也支持了yolov4，便尝试用opencv调用yolov4进行检测，做个记录。当然，yolov3、yolov4-tiny等也能调用，只需修改加载的cfg和weight文件就行。 步骤 1、加载网络 ...
C++应用中调用YOLOv3（darknet）进行目标检测
热门推荐
muyun0211的博客
12-08 2万+
YOLOv3论文：https://pjreddie.com/media/files/papers/YOLOv3.pdf 官网和代码：https://pjreddie.com/darknet/ yolo属于one-stage（检测一步到位），兼顾准确率和速度，特别是最近的v3版本提高了小目标的检测率，是移动端目标检测的热门算法。关于YOLO原理的介绍网上有很多资料请自行百度，本文主要介绍如何在自...
tensorflow线下训练SSD深度学习物体检测模型，C++线上调用模型进行识别定位（干货满满）
qq_29462849的博客
12-27 5076
一、介绍 近两年来出现了许多优秀的分类、物体检测和分割模型，包括SSD，yolo，Mask RCNN，这些模型速度快，准确率高，被广泛应用于无人驾驶、人脸定位识别、工业缺陷检测中。工业领域，系统一般基于C/C++，而这些模型基本都都是基于python的，那么如何把python训练的模型集成到C++中呢？Opencv搭了一个很好的桥梁。opencv4.0可以支持调用Mask RCNN、Faster ...
C++实现YOLOv5
weixin_42590539的博客
02-13 952
YOLOv5 是一种目标检测算法，它可以在图像中快速检测出物体的位置和类别。如果你想在 C 语言中实现 YOLOv5，你可以尝试以下方法： 下载 YOLOv5 的源代码，这可以从 GitHub 上获得。 编译源代码。这可能需要使用 C 编译器，如 GCC。 使用 YOLOv5 对图像进行目标检测。这可能需要使用一些图像处理库，如 OpenCV。 注意：YOLOv5 可能有很多参数和配置选...
tensorflow c++接口，python训练模型，c++调用
luoyexuge的专栏
05-21 1万+
参考：参考：https://blog.csdn.net/lovekkss/article/details/77102251https://blog.csdn.net/rockingdingo/article/details/75452711GitHub地址：https://github.com/laMia482/tensorflow_cc-API/blob/master/includehttps:...
C++调用Python-YOLOV5模型进行目标检测
05-12
要在C++中调用Python-YOLOV5模型进行目标检测，你可以使用Python提供的C++ API——Boost.Python或Pybind11。 首先，你需要使用Python编写YOLOV5模型，并将其保存为可以在C++中调用的格式，例如ONNX或TensorFlow格式。 然后，你可以使用Boost.Python或Pybind11将Python模型加载到C++中。以下是使用Pybind11的示例代码： ```c++ #include <pybind11/embed.h> #include <pybind11/numpy.h> namespace py = pybind11; int main() { py::scoped_interpreter guard{}; // 初始化Python解释器 // 加载YOLOV5模型 auto model = py::module::import("yolov5").attr("Model")("yolov5s.pt", 0.5); // 加载图像 auto img = cv::imread("test.jpg"); // 转换图像为NumPy数组 py::array_t<uint8_t> np_img({ img.rows, img.cols, img.channels() }, img.data); // 将NumPy数组传递给模型进行预测 auto result = model.attr("predict")(np_img); // 处理模型预测结果 // ... return 0; } ``` 在这个示例中，我们使用Pybind11加载了YOLOV5模型，并将图像转换为NumPy数组进行预测。然后，我们可以处理模型预测结果以进行目标检测。 请注意，这只是一个简单的示例。在实际使用中，你需要根据自己的需求进行调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 71
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值