YOLOv8 C++部署：OpenCV DNN 实现 V5/V7/V8

YOLOv8 C++部署：OpenCV DNN 实现 V5/V7/V8

在实时目标检测的工业落地场景中，Python 虽然开发便捷，但面对高并发、低延迟的需求时往往力不从心。尤其是部署到边缘设备或嵌入式系统时，资源占用和推理速度成为关键瓶颈。这时候，C++ 凭借其高效的内存管理和极致的性能表现，成了生产环境中的首选。

OpenCV 的 DNN 模块作为轻量级推理引擎的代表，无需依赖庞大的深度学习框架，仅通过 .onnx 文件就能完成模型加载与推断，特别适合对部署简洁性有要求的项目。它原生支持 CUDA 加速，在 NVIDIA GPU 上能轻松突破百帧大关。

架构设计：面向对象 + 统一接口

为了应对不同版本 YOLO 在输出结构上的差异，我们采用了基类封装共性，子类实现特性的设计思路。

• Yolo 基类负责通用流程：模型加载、图像预处理、结果绘制、参数配置。
• Yolov5、Yolov7、Yolov8 子类各自重写 Detect() 方法，处理特有的解码逻辑。
• 所有模型输入均为 640×640，使用 formatToSquare 将原始图像填充为正方形以保持比例不变形。

检测结果结构体

struct Detection { 
    int class_id{0}; // 类别 ID 
    float confidence{0.0f}; // 置信度 
    cv::Rect box{}; // 检测框 
}; 

这个简单的结构体贯穿整个流程，最终用于可视化和业务逻辑判断。

头文件定义：yoloV8.h

#pragma once 
#include <iostream> 
#include <opencv2/opencv.hpp> 
using namespace std; 
using namespace cv; 
using namespace cv::dnn; 

struct Detection { 
    int class_id{0}; 
    float confidence{0.0f}; 
    cv::Rect box{}; 
}; 

class Yolo { 
: 
    = ; 
    ; 
    ; 
    {   / ( + (-x)); } 
    { 
         col = src.cols; 
         row = src.rows; 
         maxEdge = std::(col, row); 
        cv::Mat square = cv::Mat::(maxEdge, maxEdge, CV_8UC3); 
        src.((cv::(, , col, row))); 
         square; 
    } 
      inputWidth = ; 
      inputHeight = ; 
     modelConfidenceThreshold = ; 
     modelScoreThreshold = ; 
     modelNMSThreshold = ; 
    std::vector<std::string> classNames = { , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,  }; 
}; 

  :  Yolo { 
: 
    ; 
: 
     confThreshold = ; 
     nmsThreshold = ; 
}; 

  :  Yolo { 
: 
    ; 
: 
     confThreshold = ; 
     nmsThreshold = ; 
      strideSize = ; 
      strides[] = {, , }; 
      anchors[][] = { 
        {, , , , , }, 
        {, , , , , }, 
        {, , , , , } 
    }; 
}; 

  :  Yolo { 
: 
    ; 
: 
     confThreshold = ; 
     nmsThreshold = ; 
};