模型实战（22）之 C++ - tensorRT部署yolov8-cls 目标分类

最新推荐文章于 2025-05-13 09:36:17 发布
最新推荐文章于 2025-05-13 09:36:17 发布
阅读量704 收藏 2
点赞数
分类专栏： # 深度学习实战例程 人工智能 文章标签： c++ YOLO 分类 人工智能 计算机视觉 算法
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/yohnyang/article/details/139304815
版权

C++ - tensorRT部署yolov8-cls 目标分类

在这里插入图片描述

  • 在检测应用场景中如果有同等类别不同形态的目标，单纯的目标检测可能达不到实用或者想要的精度，这就需要衔接一步分类
  • python环境下如何直接调用推理
  • 模型转换并导出：pt -> onnx ->.engine
  • C++ tensorrt 部署分类模型
  • 在这里插入图片描述

1.Python环境下推理

  • 直接命令行推理，巨简单
yolo segment predict model=yolov8n-seg.pt source
了解本专栏 订阅专栏 解锁全文
模型实战（21）之 C++ - tensorRT部署yolov8-det 目标检测
yohnyang的博客
05-29 685
模型实战（21）之 C++ - tensorRT部署yolov8-det 目标检测
五、yolov8 tensorRT c++部署及接口封装（保姆级教程&附源码）
机器视觉、深度学习、C++、opencv、halcon、图像算法
04-25 2345
onnx转engine保姆级教程，附带源码
yolov8的TensorRT部署（C++版本）
liujiahao123987的博客
10-17 6287
yolov8的TensorRT部署（C++版本）
[转]YOLOv8-Cls推理详解及部署实现
chinagudujian的专栏
01-04 2014
梳理下 YOLOv8-Cls 的预处理流程，顺便让 tensorRT_Pro 支持 YOLOv8-Cls博主在这里针对 YOLOv8-Cls 的预处理和后处理做了简单分析，同时与大家分享了 C++ 上的实现流程，目的是帮大家理清思路，更好的完成后续的部署工作😄。最后大家如果觉得。
在C++中使用YOLO的几种方式
最新发布
m0_37302966的博客
05-13 601
在C++中使用YOLO的几种方式
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。
yolov5-7.0目标识别使用Tensorrt推理（C++Api）
m0_66380820的博客
07-19 846
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。
【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 7807
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。
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
模型实战（19）之 从头搭建yolov9环境+tensorrt部署+CUDA前处理 -＞ 实现目标检测
yohnyang的博客
04-21 851
从头搭建yolov9环境+tensorrt部署+CUDA前处理 -> 实现目标检测
如何调用yolov8的模型（restful和c++）
weixin_39766667的博客
12-20 946
参考：1.2.我们训练好的模型。比如(xxxx.pt)文件如何提供给其它开发应用。
yolov8使用tensorRT进行c++部署
01-29
yolov8使用tensorRT进行c++部署
C++使用纯opencv部署yolov8-cls图像分类onnx模型源码.7z
10-07
【测试环境】 vs2019 cmake==3.24.3 opencv==4.8.0 【运行步骤】 通过cmake编译出exe后，执行 yolov8-cls.exe 【图片路径】即可 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142734780
yolov8实战100天系列
qq_34717531的博客
08-19 2082
本文介绍了一个基于PyQt5和YOLOv8的打电话、玩手机识别系统，结合手机检测和人体姿态识别，实现对图片、视频和视频流的实时检测。本文详细介绍了如何部署和训练YOLOv8模型，包括显卡驱动检查、代码下载、CUDA和cudnn安装、Anaconda环境配置、PyTorch安装、库的安装、推理检测以及数据集的准备、训练和测试。本文介绍了一个基于PyQt5和YOLOv8的实时图像处理系统，该系统集成了目标检测、目标跟踪、过线检测计数等多项功能，旨在提高视频监控的自动化和智能化水平。
yolov8 c++进行部署
u011489887的专栏
10-25 3980
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）
yolov8实战第六天——yolov8 TensorRT C++ 部署——（踩坑，平坑，保姆教程）
qq_34717531的博客
01-17 1万+
TensorRT 通过优化深度学习模型来提高推理速度，减少延迟。这对于实时处理应用（如视频分析、机器人导航等）至关重要。：TensorRT 优化了模型以在GPU上高效运行，这意味着更低的内存占用和更高的吞吐量。对于资源受限的环境或在多任务并行处理的情况下，这是一个显著优势。：C++ 是一种跨平台语言，配合 TensorRT，可以在多种硬件和操作系统上部署深度学习模型，包括嵌入式设备和服务器。：TensorRT 提供了精确的数学和统计方法来减少浮点运算误差，这对于确保深度学习应用的准确性和稳定性至关重要。
【深度学习】C++ Tensorrt Yolov8 目标检测推理
weixin_48846514的博客
06-26 1571
C++ tensorrt对yolov8目标检测模型进行推理。
[C#]使用C#部署yolov8-cls的图像分类的tensorrt模型
FL1623863129的博客
05-29 782
注意源码提供上面对应环境的dll，只需要安装上面一样cuda+cudnn和tensorrt版本即可正常运行。如果您不安装一样版本不能正常运行。此时需要重新编译TensorRtExtern.dll，此外由于tensorrt依赖硬件不一样电脑可能无法共用tensorrt模型，所以必须要重新转换onnx模型到engine才可以运行。tensorrt依赖不同硬件需要自己从onnx转换tensorrt，转换就是调用api实现，比如。【演示源码下载地址】
yolov8c++部署
01-08
### YOLOv8在C++环境中的部署指南与实例 YOLOv8作为最新的目标检测模型，在C++环境中部署能够充分利用硬件资源并实现高效的推理性能。为了成功部署YOLOv8模型，需遵循一系列具体步骤[^1]。 #### 准备工作 确保安装必要的依赖库，如OpenCV用于图像处理以及CUDA（如果使用GPU加速）。对于YOLOv8而言，推荐采用ONNX Runtime或TensorRT进行优化后的推理引擎支持。这些工具可以显著提升模型运行效率和兼容性。 #### 转换模型格式 将训练好的PyTorch版本YOLOv8转换成适用于C++调用的形式。通常情况下会先将其导出为ONNX文件格式，这一步骤可通过官方提供的脚本完成： ```bash python export.py --model yolov8 --output ./yolov8.onnx ``` 此命令假设`export.py`位于项目根目录下，并且已经配置好相应的参数设置来指定输入输出路径等信息。 #### 编写C++代码加载并执行预测 下面给出一段简单的C++程序片段展示如何利用ONNX Runtime加载上述生成的`.onnx`文件来进行前向传播计算得到最终的结果： ```cpp #include "onnxruntime_cxx_api.h" // ...其他头文件... int main() { Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "YoloV8"); Ort::SessionOptions session_options; // 设置线程数和其他选项... std::wstring model_path = L"./yolov8.onnx"; Ort::Session session(env, model_path.c_str(), session_options); // 定义输入张量形状及数据指针 const int64_t input_node_dims[] = {1, 3, 640, 640}; // 假设图片大小固定为640x640 float* input_tensor_values; // 需要填充实际像素值 // 创建内存信息描述符 Ort::MemoryInfo memory_info = Ort::MemoryInfo::CreateCpu( OrtArenaAllocator, OrtMemTypeDefault); // 构建输入tensor对象 Ort::Value input_tensor = Ort::Value::CreateTensor<float>( memory_info, input_tensor_values, /*element_count=*/640 * 640 * 3, input_node_dims, /*dims_size=*/4); // 获取输出节点名称列表 char** output_names_raw; size_t num_outputs; session.GetOutputNames(&output_names_raw, &num_outputs); std::vector<const char*> output_names(output_names_raw, output_names_raw + num_outputs); // 执行推理操作 auto output_tensors = session.Run( Ort::RunOptions{nullptr}, /*input_names=*/&"images", &input_tensor, /*n_inputs=*/1, output_names.data(), static_cast<int>(output_names.size())); // 处理输出结果... } ``` 这段代码展示了基本框架结构，其中省略了一些细节部分比如错误处理机制、预处理函数定义等。完整的应用开发还需要考虑更多方面，例如批量处理能力的支持、不同分辨率下的适应调整等问题。
评论
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

打赏作者

明月醉窗台

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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