Yolov8_obb旋转检测网络Opencv部署（C++版）

上一篇分享了一下Yolov8的检测部署，

YOLOV8使用Opencv部署实现(C++版)-CSDN博客

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。

首先，在官网上下载好自己想要的obb预训练模型，转为onnx。也可以训练自己的模型，export为onnx。拿到onnx模型之后我们可以看看模型的输入输出。

以我自己的模型为例，输入为1*3*640*640,输出为1*7*8400。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。 最后一个值是预测框对应的旋转弧度，范围为 -pi/4 到 3pi/4。剩下的两个值就是模型的类别了。在明确这些只的信息之后，我们就可以编写部署代码了。

首先，将onnx模型和图片加载，将图片归一化处理之后进行预测，得到secoutput的输出矩阵。

    cv::Mat modelInput = input;

    cv::Mat blob;
    cv::dnn::blobFromImage(modelInput, blob, 1.0 / 255.0, modelShape, cv::Scalar(), true, false);
    obbDetectNet.setInput(blob);

    std::vector<cv::Mat> outputs;
    obbDetectNet.forward(outputs, obbDetectNet.getUnconnectedOutLayersNames());

    float* data = (float*)outputs[0].data;
    cv::Mat secOutput = outputs[0];
    

 可以看一下这个矩阵长什么样子：

可以对照上文的描述看看每一列对应的内容。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。

struct ObbDetection
{
    int class_id;
    std::string className;
    float confidence;
    cv::Scalar color;
    cv::Rect box;
    float theta;
};

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。

minMaxLoc(scores, 0, &maxClassScore, 0, &class_id);

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。 

for (unsigned long i = 0; i < result.size(); ++i)
    {
        result.class_id = class_ids[i];
        result.confidence = confidences[i];
        result.theta = theta[i];
        std::random_device rd;
        std::mt19937 gen(rd());
        std::uniform_int_distribution<int> dis(100, 255);
        result.color = cv::Scalar(dis(gen),
            dis(gen),
            dis(gen));
        result.className = obb_classes[result.class_id];
        result.box = boxes[i];
        obbDetection.push_back(result);
    }

最后直接拿obbDetection里的值取用就行了。具体的预测结果跟训练数据处理和参数设置等也会有关系。