【算法介绍】
在Windows系统上，基于C++编程署YOLOv8的OpenVINO模型，可以通过CMake项目来实现。YOLOv8是YOLO系列模型的比较新的版本，具有更高的检测精度和更快的推理速度。OpenVINO（Open Visual Inference and Neural Network Optimization）是英特尔开发的一款用于优化和部署深度学习模型的工具套件，能够显著提升模型在英特尔硬件上的推理性能。
首先，需要准备开发环境，包括安装OpenVINO Toolkit、CMake、OpenCV和C++编译器（如GCC或MSVC）。然后，从GitHub下载YOLOv8的OpenVINO C++部署项目代码。
接下来，将YOLOv8模型转换为OpenVINO支持的IR格式。这通常需要使用OpenVINO的Model Optimizer工具。转换完成后，使用CMake编译项目，并配置好项目的包含目录和库目录，确保能够正确链接到OpenVINO和OpenCV的库。
编译完成后，运行示例程序进行目标检测。示例程序会加载转换后的IR模型，并对输入的图像进行目标检测。通过OpenVINO的优化，模型在英特尔硬件上的推理速度得到了大幅提升，能够满足实时处理的需求。
此外，OpenVINO官方提供了丰富的示例代码和教程，涵盖了从模型优化到部署的各个环节。开发者可以参考这些示例和教程，快速上手OpenVINO，并基于YOLOv8模型实现高效的目标检测应用。
【测试环境】
vs2019
cmake==3.24.3
opencv==4.8.0
w_openvino_toolkit_windows_2024.3.0.16041.1e3b88e4e3f_x86_64
【效果展示】
【部分实现代码】
#include <iostream>
#include "Yolov8OpenvinoDet.h"
#include "opencv2/opencv.hpp"
#include <chrono>
using namespace std;
using namespace cv;
void video_demo(std::string videopath,Yolov8OpenvinoDet& det)
{
// 创建一个 VideoCapture 对象，参数 1为视频路径
cv::VideoCapture cap(videopath);
// 检查摄像头是否成功打开
if (!cap.isOpened())
{
std::cerr << "Error: Could not open video." << std::endl;
return;
}
cv::Mat frame;
auto startTime = std::chrono::high_resolution_clock::now();
int frameCount = 0;
while (true)
{
// 读取一帧图像
cap >> frame;
frameCount++;
// 检查是否成功读取帧
if (frame.empty())
{
break;
}
auto results = det.Inference(frame);
cv::Mat img = det.DrawImage(results, frame);
auto currentTime = std::chrono::high_resolution_clock::now();
auto elapsed = std::chrono::duration_cast<std::chrono::seconds>(currentTime - startTime);
if (elapsed.count() >= 2)
{
double fps = static_cast<double>(frameCount) / elapsed.count();
std::cout << "FPS: " << fps << std::endl;
frameCount = 0;
startTime = currentTime;
}
// 显示帧
cv::imshow("yolov8 openvino demo", img);
// 检查是否按下 'q' 键以退出循环
if (cv::waitKey(10) == 'q')
{
break;
}
}
// 释放摄像头
cap.release();
// 关闭所有窗口
cv::destroyAllWindows();
}
int main(int argc, char *argv[])
{
// Yolov8OpenvinoDet det;
// det.LoadWeights("E:\\official-model\\yolov8\\yolov8n_openvino_model\\yolov8n.xml");
// cv::Mat image = cv::imread("E:\\person.jpg");
// auto results = det.Inference(image);
// cv::Mat img = det.DrawImage(results, image);
// namedWindow("result", WINDOW_AUTOSIZE);
// imshow("result", img);
// waitKey(0);
// destroyAllWindows();
Yolov8OpenvinoDet det;
det.LoadWeights("E:\\official-model\\yolov8\\yolov8n_openvino_model\\yolov8n.xml");
video_demo("E:\\car.mp4",det);
return 0;
}【运行步骤】
第一步：下载opencv和openvino的C++开发库，下载地址cmakelists.txt里面给出您也可以使用其他较新版本opencv或者openvino
第二步：将opencv和openvino的bin文件夹加入环境变量
第三步：修改CMakeLists.txt里面opencv和openvino自己对应目录
第四步：训练自己yolov8目标检测模型得到pytorch模型，并转成openvino模型，转换命令为
yolo export model=best.pt format=openvino
第五步：修改main.cpp视频路径和openvino模型路径
第六步：重新build和cmake，得到exe文件点击exe即可弹出窗口显示视频实时检测效果
【视频演示】
https://www.bilibili.com/video/BV1RuynYYEFU/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee【源码下载地址】