用opencv c++推理yolo v5模型，输出带矩形检测框的图片

以下是用OpenCV和Yolo V5模型进行推理，并输出带矩形检测框的图片的示例代码：

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/dnn.hpp>

using namespace cv;
using namespace cv::dnn;
using namespace std;

int main()
{
    // 加载模型和权重文件
    String model_file = "/path/to/yolov5s.onnx";
    Net net = readNetFromONNX(model_file);

    // 加载图片
    Mat img = imread("/path/to/image.jpg");

    // 调整图片尺寸，使其符合模型输入要求
    Mat input_blob;
    int input_width = net.getLayer(0).getInputShape()[3];
    int input_height = net.getLayer(0).getInputShape()[2];
    resize(img, input_blob, Size(input_width,input_height));

    // 将图片输入模型
    blobFromImage(input_blob, input_blob, 1/255.0, Size(input_width,input_height), Scalar(0,0,0), true, false);
    net.setInput(input_blob);

    // 进行推理
    Mat detection = net.forward();

    // 解析检测结果
    vector<float> confidence;
    vector<int> class_id;
    vector<Rect> bbox;
    float* data = (float*)detection.data;
    for(int i=0; i<detection.rows; ++i, data+=detection.cols)
    {
        Point class_id_point;
        double max_val=0;
        for(int j=0; j<num_classes; ++j)
        {
            if(data[j]>max_val)
            {
                max_val = data[j];
                class_id_point.x = j;
            }
        }
        if(max_val>confidence_threshold)
        {
            int center_x = (int)(data[num_classes]*img.cols);
            int center_y = (int)(data[num_classes+1]*img.rows);
            int width = (int)(data[num_classes+2]*img.cols);
            int height = (int)(data[num_classes+3]*img.rows);
            int left = center_x - width/2;
            int top = center_y - height/2;
            confidence.push_back(data[class_id_point.x]*100);
            class_id.push_back(class_id_point.x);
            bbox.push_back(Rect(left, top, width, height));
        }
    }

    // 绘制检测框和标签
    for(int i=0; i<bbox.size(); ++i)
    {
        rectangle(img, bbox[i], Scalar(0,0,255), 2);
        String label = format("%.2f %%", confidence[i]);
        putText(img, label, Point(bbox[i].x, bbox[i].y-5), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0,0,255), 2);
    }

    // 显示图片
    namedWindow("detections", WINDOW_NORMAL);
    resizeWindow("detections", 800, 600);
    imshow("detections", img);

    waitKey(0);

    return 0;
}

此代码中，我们首先加载了Yolo V5模型和权重文件，在内存中构建了神经网络。然后，我们加载要进行检测的图像，并缩放到适合模型输入的尺寸。接下来，我们调用`net.setInput()`方法将缩放后的图像输入给模型进行推理，并获取检测结果。最后，我们解析检测结果，绘制矩形和标签，在原图上显示检测结果。