[深度学习]基于C++和onnxruntime部署yolov10的onnx模型

基于C++和ONNX Runtime部署YOLOv10的ONNX模型，可以遵循以下步骤：

1. 准备环境：首先，确保已经下载后指定版本opencv和onnruntime的C++库。

2. 模型转换：按照官方源码：https://github.com/THU-MIG/yolov10 安装好yolov10环境并将YOLOv10模型转换为ONNX格式。这通常涉及使用深度学习框架（如PyTorch或TensorFlow）加载原始模型，并导出为ONNX格式。转换指令

   # End-to-End ONNX
   yolo export model=jameslahm/yolov10{n/s/m/b/l/x} format=onnx opset=13 simplify
   # Predict with ONNX
   yolo predict model=yolov10n/s/m/b/l/x.onnx
   

3. C++环境配置：在CMakeLists.txt项目中正确引用了opencv和ONNX Runtime的头文件，并链接到相应的库。这允许在C++代码中使用ONNX Runtime的功能。

4. 加载模型：使用ONNX Runtime的API加载转换后的YOLOv10 ONNX模型。

5. 执行推理：通过ONNX Runtime的推理引擎，将图像数据输入到模型中，并执行目标检测任务。

6. 处理结果：解析模型输出的结果，这通常涉及将输出的张量数据转换为可理解的检测结果，如边界框坐标和类别标签。

通过这些步骤，可以在C++环境中利用ONNX Runtime高效地部署YOLOv10模型，实现实时的目标检测功能。

【测试环境】

windows10 x64
vs2019
cmake==2.24.3
onnxruntime==1.12.0
opencv==4.7.0
【使用步骤】
首先cmake生成exe文件，然后将onnxruntime.dll和onnxruntime_providers_shared.dll放到exe一起，不然会提示报错0xc000007b，这是因为系统目录也有个onnxruntime.dll引发冲突，并把car.mp4也放到exe一起。运行直接输入
yolov10.exe C:\Users\Administrator\Desktop\yolov10-onnx-cplus\models\yolov10n.onnx
注意onnx路径要是你真实路径我的onnx路径是我桌面上地址

【代码调用】

注意onnxruntime使用的cpu版本库，如需使用GPU还需要修改代码才行

#include "YOlov10Manager.h"
#include <iostream>
#include <opencv2/opencv.hpp>
 
int main(int argc, char const *argv[])
{
    std::string model_path = argv[1];
    cv::namedWindow("yolov10", cv::WINDOW_AUTOSIZE);
    Yolov10Manager detector(model_path);
    
    cv::VideoCapture cap("car.mp4");//这个地方也可以修改成视频路径或者摄像头索引
    if (!cap.isOpened())
    {
        std::cerr << "ERROR! Unable to open camera\n";
        return -1;
    }
    cv::Mat frame;
    std::cout << "Start detect" << std::endl << "Press any key to terminate" << std::endl;
 
    for (;;)
    {
        cap.read(frame);
        if (frame.empty())
        {
            std::cerr << "ERROR! blank frame grabbed\n";
            break;
        }
 
        auto timer = cv::getTickCount();
        std::vector<Detection> detections = detector.Inference(frame);
        double fps = cv::getTickFrequency() / ((double)cv::getTickCount() - timer);
        cv::putText(frame, "FPS: " + std::to_string(fps), cv::Point(10, 30), cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 255, 0), 2, 8);
        cv::Mat resultImg = detector.DrawImage(frame, detections);
        cv::imshow("yolov10", resultImg);
        if (cv::waitKey(5) >= 0)
            break;
    }
 
    return 0;
}

【视频演示】

基于C++和onnxruntime部署yolov10的onnx模型_哔哩哔哩_bilibili测试环境：windows10 x64vs2019cmake==2.24.3onnxruntime==1.12.0opencv==4.7.0使用步骤：首先cmake生成exe文件，然后将onnxruntime.dll和onnxruntime_providers_shared.dll放到exe一起，不然会提示报错0xc000007b，这是因为系统目录也有个onnxruntime.dll引发冲突，并把c, 视频播放量 4、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 1、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：易语言部署yolox的onnx模型，yolov5最新版onnx部署Android安卓ncnn，C#使用纯opencvsharp部署yolov8-onnx图像分类模型，老师可真会玩！，使用C#部署yolov8的目标检测tensorrt模型，C# winform部署yolov10的onnx模型，YOLOv8检测界面-PyQt5实现，2024年新版【YOLOV5从入门到实战教程】B站最良心的YOLOV5全套教程（适合小白）含源码！—YOLOV5、YOLOV5实战、目标检测、计算机视觉，C#使用onnxruntime部署Detic检测2万1千种类别的物体，使用纯opencv部署yolov8目标检测模型onnxhttps://www.bilibili.com/video/BV1Zw4m1v7iz/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee

【源码下载】