【算法介绍】
使用纯OpenCV部署YOLOv11-Pose姿态估计ONNX模型是一项具有挑战性的任务，因为YOLOv11通常是用PyTorch等深度学习框架实现的，而OpenCV本身并不直接支持加载和运行PyTorch模型。然而，可以通过一些间接的方法来实现这一目标，即将PyTorch模型转换为ONNX格式，然后使用OpenCV的DNN模块加载ONNX模型。
YOLOv11-Pose结合了YOLO（You Only Look Once）的高效物体检测算法和Pose Estimation（姿态估计）专注于识别人体关键点的能力，能在多种计算平台上实时处理人体姿态数据。其采用的核心原理是特殊神经网络结构YOLOv3-tiny，能快速计算出图像中所有人体关键点的位置，实现姿态估计。同时，该模型还采用了ONNX格式，这是一种开放的模型表示，使得模型能在不同的深度学习框架和工具之间轻松转换。
在使用OpenCV部署YOLOv11-Pose ONNX模型时，需要确保开发环境已经安装了OpenCV 4.x（带有DNN模块）和必要的C++编译器。具体步骤包括加载ONNX模型、预处理输入图像、将预处理后的图像输入到模型中获取检测结果、对检测结果进行后处理等。由于YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。
总的来说，使用纯OpenCV部署YOLOv11-Pose ONNX模型需要深入理解相关领域的知识，包括YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式等。
【效果展示】
【实现代码】
#include <iostream>
#include<opencv2/opencv.hpp>
#include<math.h>
#include "yolov11_pose.h"
#include<time.h>
#define VIDEO_OPENCV //if define, use opencv for video.
using namespace std;
using namespace cv;
using namespace dnn;
template<typename _Tp>
int yolov11(_Tp& task, cv::Mat& img, std::string& model_path)
{
cv::dnn::Net net;
if (task.ReadModel(net, model_path, false)) {
std::cout << "read net ok!" << std::endl;
}
else {
return -1;
}
//生成随机颜色
std::vector<cv::Scalar> color;
srand(time(0));
for (int i = 0; i < 80; i++) {
int b = rand() % 256;
int g = rand() % 256;
int r = rand() % 256;
color.push_back(cv::Scalar(b, g, r));
}
std::vector<OutputParams> result;
bool isPose = false;
if (typeid(task) == typeid(Yolov8Pose)) {
isPose = true;
}
PoseParams poseParams;
if (task.Detect(img, net, result)) {
if (isPose)
DrawPredPose(img, result, poseParams);
else
DrawPred(img, result, task._className, color);
}
else {
std::cout << "Detect Failed!" << std::endl;
}
system("pause");
return 0;
}
template<typename _Tp>
int video_demo(_Tp& task, std::string& model_path)
{
std::vector<cv::Scalar> color;
srand(time(0));
for (int i = 0; i < 80; i++) {
int b = rand() % 256;
int g = rand() % 256;
int r = rand() % 256;
color.push_back(cv::Scalar(b, g, r));
}
std::vector<OutputParams> result;
cv::VideoCapture cap("video.avi");
if (!cap.isOpened())
{
std::cout << "open capture failured!" << std::endl;
return -1;
}
cv::Mat frame;
bool isPose = false;
PoseParams poseParams;
#ifdef VIDEO_OPENCV
cv::dnn::Net net;
if (typeid(task) == typeid(Yolov11Pose)) {
isPose = true;
}
if (task.ReadModel(net, model_path, true)) {
std::cout << "read net ok!" << std::endl;
}
else {
std::cout << "read net failured!" << std::endl;
return -1;
}
#else
if (typeid(task) == typeid(Yolov8PoseOnnx)) {
isPose = true;
}
if (task.ReadModel(model_path, true)) {
std::cout << "read net ok!" << std::endl;
}
else {
std::cout << "read net failured!" << std::endl;
return -1;
}
#endif
while (true)
{
cap.read(frame);
if (frame.empty())
{
std::cout << "read to end" << std::endl;
break;
}
result.clear();
#ifdef VIDEO_OPENCV
if (task.Detect(frame, net, result)) {
if (isPose)
DrawPredPose(frame, result, poseParams,true);
else
DrawPred(frame, result, task._className, color,true);
}
#else
if (task.OnnxDetect(frame, result)) {
if (isPose)
DrawPredPose(frame, result, poseParams, true);
else
DrawPred(frame, result, task._className, color, true);
}
#endif
int k = waitKey(10);
if (k == 27) { //esc
break;
}
}
cap.release();
system("pause");
return 0;
}
int main() {
string detect_model_path = "./yolo11n-pose.onnx";
Yolov11Pose detector;
video_demo(detector, detect_model_path);
}
【视频演示】
https://www.bilibili.com/video/BV1491XY2EWk/【源码下载】
https://download.csdn.net/download/FL1623863129/89847502
【测试环境】
vs2019
cmake==3.24.3
opencv==4.8.0
【运行步骤】
下载模型：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-pose.pt
转换模型：yolo export model=yolo11n-pose.pt format=onnx dynamic=False opset=12
编译项目源码，将模型，视频路径对应到源码即可运行