深耕CV

本文介绍了如何使用训练好的YOLO模型进行预测。首先在PyCharm中打开项目并配置环境，然后编写预测代码，加载预训练模型文件（best.pt）。代码示例展示了如何对多张测试图片进行批量推理，并处理返回的检测结果，包括边界框、分割掩码、关键点等输出。最后可将预测结果可视化显示或保存到磁盘。整个过程实现了从模型加载到结果输出的完整预测流程。

本文介绍了如何将COCO格式的JSON标注文件转换为YOLO格式。首先下载并配置JSON2YOLO项目环境，修改训练配置文件coco8-seg.yaml中的路径和类别名称。然后通过Python脚本处理COCO标注文件，将多边形分割坐标归一化后写入YOLO格式的txt文件。脚本会遍历COCO标注中的每个对象，提取类别索引和归一化坐标，最终生成与图像同名的标注文件。该方法简化了COCO复杂JSON结构，实现了高效格式转换，为YOLO模型训练提供了标准化的标注数据。

本文介绍了如何使用Ultralytics YOLOv8进行目标检测和实例分割任务。首先详细说明了环境配置步骤，包括从GitHub下载项目、创建conda环境并安装依赖库。然后演示了目标检测模型的训练过程，使用YOLOv8n模型在coco8数据集上进行3个epoch的训练，并展示了训练日志和指标。接着文章介绍了如何修改代码实现实例分割功能，包括加载yolov8n-seg模型并使用coco8-seg数据集进行20个epoch的训练。最后，文章简要提及了如何训练自定义数据，包括数据标注、格式转换和修改训练配置文件

本文介绍了在Windows平台使用VS2019和PaddleOCR进行环境构建的完整流程。主要内容包括：1）安装基础环境（VS2019、CMake）；2）配置PaddlePaddle C++预测库和OpenCV；3）下载PaddleOCR源码并构建VS项目；4）解决编译过程中的常见问题（如头文件缺失）；5）准备OCR模型文件并执行表格识别任务。项目最终生成了ppocr.exe可执行文件，通过命令行参数调用检测、识别和表格结构分析模型，实现对图像中表格内容的自动识别。

本文介绍了如何使用纯Python代码实现YOLO模型的预测功能。通过加载预训练模型，对输入图像进行目标检测，并可视化检测结果。代码展示了如何获取检测框的坐标、类别名称和置信度等关键信息，最终通过OpenCV显示带有检测框的图像。该流程完整呈现了从模型加载到结果可视化的预测全过程。

本文介绍了使用C++部署YOLO模型的具体步骤：1. 克隆YOLOs-CPP项目并配置环境（ONNXRuntime和OpenCV）；2. 修改build.sh脚本指定OpenCV路径和VS工具链；3. 构建项目并编译生成可执行文件；4. 删除冗余文件并修改CMakeLists.txt以简化项目；5. 最后将所需的dll文件（opencv_world4100.dll和onnxruntime.dll）拷贝至运行目录。整个过程详细说明了从环境配置到最终部署的完整流程，适用于Windows平台下的YOLO模型C++

前面两篇文章，我们分别学习了yolo原理和环境搭建，本篇文章，我们来学习如何将自己用labelme标注的json文件转换为yolo所需格式。

摘要：YOLOv11是Ultralytics推出的先进目标检测模型系列，包含从轻量级（YOLO11n）到高性能（YOLO11x）的多个版本。该文介绍了目标检测的基本概念，详细讲解了YOLOv11的安装、预训练模型使用、自定义训练、模型验证与导出等核心功能，并列举了智能零售、工业质检等典型应用场景。文章还提供了提高小物体检测、加速推理等实用技巧，最后指出YOLOv11因其高性能和易用性成为研究和工业应用的理想选择。（149字）

我们了解了目标检测的一些原理。本节课程，我们就开始在ubuntu上进行环境安装。

本文介绍了YOLOv11目标检测模型的训练流程。主要内容包括：1）数据准备，需将数据集拆分为训练集和验证集；2）配置yaml文件，修改数据集路径和类别名称；3）调整训练参数，如模型类型、图像尺寸等；4）启动训练并查看结果。文章详细说明了从数据组织到模型训练的全过程，特别强调了配置文件修改要点和参数调整建议，最后展示了训练完成后的性能指标。

本文介绍了如何通过重构代码将功能模块化到头文件中，以简化代码并提高可维护性。具体步骤包括创建头文件 yolo_utils.h 和实现文件 yolo_utils.cpp。头文件中定义了多个类，如 Logger（日志功能）、LabelLoader（标签加载器）、ImagePathLoader（图像路径获取器）、YoloOnnxInference（ONNX 推理器）和 ImageProcessor（图像处理器），每个类都有明确的职责。实现文件中则提供了这些类的具体实现。

本文介绍了如何在仅使用CPU的电脑上，使用C++部署图像分类模型。首先，通过Visual Studio新建一个控制台应用程序，并配置OpenCV和ONNX Runtime环境。接着，详细说明了如何在项目中设置包含目录、库目录以及附加依赖项。然后，编写了C++代码，包括加载标签、初始化ONNX Runtime、创建会话、验证模型文件等步骤，并提供了日志记录功能以便调试。最终，实现了在CPU上预测单张图像的分类结果。

我们实现了模型的训练和导出为onnx，那么如何在有显卡的电脑上用C++代码实现预测呢？本文来带你实现！

ultralytics模型训练和导出onnx格式

本文详细介绍了如何通过OpenVINO工具包加速YOLOv11模型的推理过程。主要内容包括：1) OpenVINO的安装与环境配置；2) ONNX模型转换为OpenVINO IR格式；3) 代码实现中的模型加载、图像预处理和推理分类流程；4) 项目编译与运行所需依赖配置。通过将模型转换为OpenVINO专用格式并进行硬件优化，显著提升了在Intel CPU上的推理速度，同时保持了原有的ONNX模型兼容性。实验结果表明，该方法能够有效提高YOLOv11的分类效率。

本文详细介绍了将YOLO图像分类C++部署项目从CMake迁移到Visual Studio控制台应用的全过程。针对低配CPU性能瓶颈问题，作者通过替换多线程HPP代码为官方实现，并采用448x448固定输入尺寸优化推理速度。项目配置包含OpenCV和ONNX Runtime环境设置，实现了图像批量处理、分类结果显示及结果日志输出功能。关键步骤包括依赖库配置、DLL部署和代码调试，最终在Windows平台成功实现高效CPU推理。该方案显著提升了低配硬件的兼容性，为图像分类任务提供了稳定的部署解决方案。

在上一篇博客中，我们遇到了一个项目报错的问题，并在GitHub上向作者提问，但两天后仍未得到回复。因此，我们决定自行调试代码。通过修改YOLO11CLASS.hpp和image_inference.cpp源码，成功解决了报错问题。修改后的代码展示了如何在头文件中定义调试宏、引入必要的库、定义分类结果结构体以及实现图像预处理等功能。这些修改确保了代码的稳定性和可调试性，为后续开发奠定了基础。

本文介绍了使用YOLOv11进行图像分类预测的完整流程。首先需要删除无关的视频和摄像头相关代码文件，并修改CMakeLists.txt文件以适配图像分类任务。然后准备必要的依赖文件（opencv和onnxruntime的dll文件），并将YOLOv11训练好的分类模型和标签文件放入指定目录。接着修改image_inference.cpp代码，使其适用于图像分类任务。最后重新编译项目并运行生成的exe文件，成功实现了图像分类预测功能，虽然存在一些小bug，但整体流程已经跑通，为后续优化奠定了基础。

本文介绍了如何在YOLOs-CPP项目中实现图像分类模型的部署。此前，YOLOs-CPP项目不支持图像分类，因此我们通过另一个项目实现了CPU版本的图像分类。如今，YOLOs-CPP已支持图像分类模型的部署，因此需要编写新的文章来指导实现。文章首先介绍了如何克隆代码仓库，并详细说明了如何修改image_inference.cpp文件以适配YOLO 11版本。通过注释掉不需要的YOLO 12版本代码，并取消注释YOLO 11版本代码，用户可以轻松切换模型版本。文章还提供了模型路径、标签路径和测试图像路径的配置

本文详细解析了一个使用ONNX Runtime进行图像分类的C++程序，涵盖了从模型加载到结果可视化的完整流程。程序首先定义了模型路径、图像目录、标签文件等配置参数，并创建输出目录。接着，程序加载类别标签并获取图像路径，初始化ONNX Runtime环境并配置会话选项。在验证模型文件存在后，程序创建ONNX会话并设置输入输出名称。随后，程序进入批量处理阶段，遍历每张图像进行加载和处理。整个程序展示了现代C++在计算机视觉领域的应用，包括异常处理、性能分析等工程实践。

这篇文章详细解析了使用C++和ONNX Runtime部署YOLOv11图像分类模型的完整流程，包括模型加载、图像预处理、推理执行和结果可视化。重点讲解了如何获取并展示所有类别的预测概率，而不仅仅是最高概率类别。通过代码解析和性能优化建议，帮助开发者理解C++实现与Python的区别，并提供了完整的错误处理和日志记录方案。

ok，经过前3个博客，我们实现了项目的跑通。但是，通常情况下，我们的项目都是需要在其他电脑上也跑通，才对。

项目跑通之后，我们常常还需要对我们没有用到的任何内容进行删除，以简化项目体积，也便于我们阅读和后续部署。如何实现呢？本篇博客教会大家实现！

本节博客，我们继续讲解，如何在cpu+windows上，跑通自己的实例分割模型。

构建项目后，我们就可以使用提供的 shell 脚本对图像、视频或实时摄像头画面进行目标检测/或者实例分割。

​前面刚刚实现的系列文章：【Windows/C++/yolo开发部署01】【Windows/C++/yolo开发部署02】【Windows/C++/yolo开发部署03】【Windows/C++/yolo开发部署04】【Windows/C++/yolo开发部署05】必须用nividia显卡的电脑，才能运行最终生成的exe。但是，我想只用cpu实现实例分割，怎么办呢？我们今天来尝试这个项目。

trtexec 是 NVIDIA TensorRT 提供的一个命令行工具，用于测试和优化深度学习模型的推理性能。它支持多种模型格式（如 ONNX、Caffe 等），并允许用户在不同的 GPU 上进行推理测试。

现在，我们来使用c++预测实例分割模型best.engine。

经过前面的几个步骤，我们终于得到了模型文件best.engine。那么，这个模型是否能用呢？我们需要使用CLI 和 python对其进行推理。如果CLI 和 python通过了，我们还需要对其进行c++推理。两个都没有问题的情况下，我们的这个系列文章，才结束。那么，我们首先使用CLI 和 python推理。

在深度学习模型部署中，将模型从 PyTorch 格式（.pt）转换为 TensorRT 引擎格式是一种常见的需求。TensorRT 引擎具有高性能和低延迟的特点，适用于实时推理场景。前序文章，我们已经实现了将自定义实例分割模型导出为 ONNX 格式。本文将详细记录如何将 best.onnx 导出为 TensorRT 引擎格式，包括踩坑过程和解决方案。

在深度学习模型部署中，将模型从 PyTorch 格式（.pt）转换为 ONNX 格式是一种常见的需求。ONNX 格式具有良好的跨平台性和兼容性，可以在多种推理框架中使用。

在深度学习中，模型的转换是常见的需求，尤其是从 PyTorch 的 .pt 格式转换为 ONNX 格式，以便在不同的平台或框架中部署。本文将详细介绍如何将 Ultralytics 训练好的 YOLO 模型从 .pt 格式转换为 ONNX 格式。

我已经用yolo训练好了yolo-seg模型，但是c++运行总出问题，部署失败，找到一个相关项目。如何跑通呢？记录如下。如果对你有帮助，请点赞关注收藏，谢谢！

【Windows 开发NVIDIA相关组件】如何安装呢？

Zlib 是 cuDNN 所需的数据压缩软件库。如何安装呢？本文我们来一步步教会大家！

本节课，我们学习目标是：Paddledetection实例分割模型C++Windows推理。注意，Paddledetection自带的deoloy目录以前是可以用来部署的，但是现在官方已经不更新了，因此，我们使用fastdeoloy【官方前一段时间主推的】工具。

​前面两篇文章，我们分别介绍了Paddledetection训练模型的环境配置和模型训练过程：使用Paddledetection进行模型训练【Part1：环境配置】使用Paddledetection进行模型训练【Part2：数据准备+模型训练】本节，我们继续来讲解如何导出模型并进行python预测。

在目标检测算法产业落地过程中，常常会出现需要额外训练以满足实际使用的要求，项目迭代过程中也会出先需要修改类别的情况。本文档详细介绍如何使用PaddleDetection进行目标检测算法二次开发，流程包括：数据准备、模型优化思路和修改类别开发流程。

方便大家进行模型训练前的环境配置。

为啥要写这篇文章？因为找不到一篇写的特别好的【翻译并仔细解释】文章。网上大多千篇一律，写的不够详细。因此，博主打算自己从头到尾，仔细的过一遍。希望帮助大家！