libtorch yolov5 c++

首先，要使用 YOLOv5 在 C++ 中，你需要下载它的 PyTorch 模型并将其转换为 C++ LibTorch 模型。这可以通过使用 PyTorch 官方提供的 TorchScript 转换工具来完成。

一旦你有了 C++ LibTorch 模型，你需要加载它并将图像传递给模型以获得识别结果。这可以通过以下步骤实现：

1. 导入 LibTorch 头文件：

#include <torch/script.h>
#include <opencv2/opencv.hpp>

2. 加载模型：

torch::jit::script::Module module = torch::jit::load("path/to/your/model.pt");

3. 读取图像并将其转换为模型所需的输入格式：

cv::Mat img = cv::imread("path/to/your/image.jpg");
cv::cvtColor(img, img, cv::COLOR_BGR2RGB);
cv::resize(img, img, cv::Size(640, 640));
cv::Mat img_float;
img.convertTo(img_float, CV_32F, 1.0 / 255);
auto img_tensor = torch::from_blob(img_float.data, {1, img_float.rows, img_float.cols, 3}).permute({0, 3, 1, 2});

4. 将输入传递给模型：

auto output = module.forward({img_tensor});

5. 解析输出并将结果绘制在图像上：

auto result = output.toTuple()->elements()[0].toTensor();
result = result.squeeze().detach().cpu();
auto boxes = result.slice(1, 0, 4).unbind(0);
auto scores = result.slice(1, 4, 5).squeeze(1);
float score_threshold = 0.5;
for (int i = 0; i < boxes.size(); ++i) {
    if (scores[i].item<float>() > score_threshold) {
        auto box = boxes[i];
        auto x1 = box[0].item<float>() * img.cols;
        auto y1 = box[1].item<float>() * img.rows;
        auto x2 = box[2].item<float>() * img.cols;
        auto y2 = box[3].item<float>() * img.rows;
        cv::rectangle(img, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(0, 255, 0), 2);
    }
}
cv::imshow("Result", img);
cv::waitKey(0);

这些步骤演示了如何在 C++ 中使用 LibTorch 加载 YOLOv5 模型并进行对象检测。当然，你需要根据自己的需要进行适当的修改和调整。