人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

目录

[人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)](#人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测))

[1. 前言](#1. 前言)

[2. 人脸检测和人体检测检测模型](#2. 人脸检测和人体检测检测模型)

（1）模型训练

（2）将Pytorch模型转换ONNX和MNN模型

[3. 人脸检测和人体检测C++端上部署](#3. 人脸检测和人体检测C++端上部署)

（1）项目结构

（2）配置开发环境(OpenCV+OpenCL+base-utils+MNN)

（3）CMake配置

（4）main源码

（5）源码编译和运行

[4. 人脸检测和人体检测效果C++版本](#4. 人脸检测和人体检测效果C++版本)

[5. 人脸检测和人体检测效果Android版本](#5. 人脸检测和人体检测效果Android版本)

[6. 项目源码下载](#6. 项目源码下载)

---

1. 前言

这是项目《人脸检测和行人检测 》系列之《C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测 》；本篇主要分享将Python训练后的YOLOv8 YOLO11 YOLO26的模型转写成C/C++代码。我们将开发一个简易的、可实时运行的人脸检测和人体检测（行人检测） C/C++ Demo。C/C ++版本的人脸检测和行人检测模型，采用MNN推理，支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，基本可以满足大多数业务场景的性能需求。

先展示一下人脸检测和行人检测的效果：

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/164629582

---

更多项目《人脸检测和行人检测》系列文章请参考：

1. 人脸检测和人体检测(行人检测)1：人脸检测和人体检测数据集(含下载链接)
2. 人脸检测和行人检测2：YOLOv8 YOLO11 YOLO26 实现人脸检测和行人检测(含数据集和训练代码) https://blog.csdn.net/guyuealian/article/details/164620332
3. 人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26 人脸检测和人体检测(含源码，可实时检测) https://blog.csdn.net/guyuealian/article/details/164629582
4. 人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测) https://blog.csdn.net/guyuealian/article/details/164629596

如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》

|-----------------------------------------------------------------------------------|-----------------------------------------------------------------------------------|----------------------------------------------------------------------------------|
| | | |

---

2. 人脸检测和人体检测检测模型

（1）模型训练

人脸检测和人体检测 训练过程，请参考：《人脸检测和行人检测2：YOLOv8 YOLO11 YOLO26 实现人脸检测和行人检测(含数据集和训练代码)》https://blog.csdn.net/guyuealian/article/details/164620332

下表格给YOLOv8n / YOLO11n / YOLO26n计算量和参数量以及其人脸检测和行人检测精度:

|-------------|----------------|---------------|------------|-------------|------------------|
| 模型 | input-size | params(M) | GFLOPs | mAP_0.5 | mAP_0.5:0.95 |
| YOLOv8n | 416×416 | 3.15M | 3.7 | 0.97046 | 0.79315 |
| YOLO11n | 416×416 | 2.62M | 2.7 | 0.97001 | 0.79531 |
| YOLO26n | 416×416 | 2.41M | 2.3 | 0.97002 | 0.79009 |

（2）将Pytorch模型转换ONNX和MNN模型

训练好模型后，你需要将Pytorch模型转换为ONNX和MNN模型，转换脚本工具export.py：

需要安装依赖库： pip install onnx onnxsim onnxruntime mnn

# -*- coding: utf-8 -*-

import os
import argparse
import numpy as np
from ultralytics import YOLO


def export_model(weights, format="mnn", imgsz=640, dynamic=False, half=False, int8=False):
    """
    https://docs.ultralytics.com/modes/export/
    :param weights: model file
    :param format: onnx,ncnn,mnn,rknn
    :param imgsz: input image size
    :param dynamic: use dynamic model
    :param half: use half model
    :param int8: use int8 model
    :return:
    """
    model = YOLO(weights)
    kwargs = {"dynamic": dynamic, "half": half, "int8": int8, "name": "", "imgsz": imgsz}
    if format in ['mnn', 'rknn']:  kwargs["dynamic"] = False  # argument 'dynamic' is not supported for format='mnn'
    if format in ['rknn']:
        file = model.model_name
        dirn, name = os.path.dirname(file), os.path.basename(file).split('.')[0]
        os.makedirs(os.path.join(f"{name}_rknn_model", dirn), exist_ok=True)  # 创建rknn模型目录
        # TODO RKNN默认float16,所以half=False，可支持int8，但validate_args会报错，需要修改源码不检查
        kwargs.update(half=False, int8=True, name="rk3588", source="./images.txt")
    print("export format   :{}, kwargs:{}".format(format, kwargs))
    file = model.export(format=format, simplify=True, opset=15, **kwargs)
    print("export file     :{}".format(file))
    return file


def parse_opt():
    weights = "output/face-person-detect/yolo11n-416/weights/best.pt"
    # weights = "output/face-person-detect/yolo26n-416/weights/best.pt"
    # weights = "output/face-person-detect/yolov8n-416/weights/best.pt"
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=weights, help='model file')
    parser.add_argument('--imgsz', type=int, default=416, help='input image size')
    parser.add_argument('--format', type=str, default="mnn", help='save result image')
    opt = parser.parse_args()
    return opt


if __name__ == "__main__":
    """
    # TODO 转换为onnx模型
    python libs/export.py --weights "data/model/pretrained/yolo11n.pt" --imgsz 416  --format onnx
    
    # TODO 转换为mnn模型
    python libs/export.py --weights "data/model/pretrained/yolo11n.pt" --imgsz 416  --format mnn
    """
    opt = parse_opt()
    export_model(opt.weights, format=opt.format, imgsz=opt.imgsz)

在终端运行执行命令，转换ONNX和MNN模型

# TODO 转换为onnx模型
python libs/export.py --weights "data/model/pretrained/yolo11n.pt" --imgsz 416  --format onnx
    
# TODO 转换为mnn模型
python libs/export.py --weights "data/model/pretrained/yolo11n.pt" --imgsz 416  --format mnn

---

3. 人脸检测和人体检测C++端上部署

本项目采用 CLion 作为集成开发环境（IDE）。在依赖库方面，OpenCV 为必须安装的核心依赖，用于图像处理基础功能；base-utils 与 MNN 推理框架已集成于项目内部，开发者无需额外配置；OpenCL 作为可选组件，主要用于在支持该标准的设备上对模型推理进行硬件加速，用户可根据实际硬件情况选择性启用。

（1）项目结构

（2）配置开发环境(OpenCV+OpenCL+base-utils+MNN)

项目模型推理采用MNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL/Vulkan，在普通电脑设备即可达到实时处理。

1. 项目仅在Ubuntu20.04进行测试，Windows系统下请自行配置和编译
2. 如果你想在这个 C++ Demo部署你自己训练的人脸检测和人体检测 模型，你可以将训练好的Pytorch模型转换ONNX ，再转换成MNN 模型，然后把原始的模型替换成你自己的MNN模型即可。

• 安装OpenCV：图像处理

图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理

安装教程：Ubuntu20.04安装opencv和opencv_contrib

OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装

• 安装OpenCL：模型加速

安装教程：Ubuntu20.04安装OpenCL

OpenCL和Vulkan用于模型GPU推理加速，若不使用GPU，纯C++推理模型，速度会比较慢。OpenCL支持性更好，推进使用OpenCL。

• 安装Vulkan ：模型加速

安装教程：Ubuntu20.04安装Vulkan

OpenCL和Vulkan用于模型GPU推理加速，若不使用GPU，纯C++推理模型，速度会比较慢。OpenCL支持性更好，推进使用OpenCL。

• base-utils：C++库

GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）

base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法

• MNN：模型推理

GitHub：https://github.com/alibaba/MNN （无需安装，项目已经配置了）

MNN (Mobile Neural Network) 是由阿里巴巴集团开源的一个轻量级、高性能的深度学习推理引擎。它专为移动端、嵌入式设备以及边缘计算场景设计，支持OpenCL/Vulkan，同时也支持服务器端的高并发推理。自2019年开源以来，MNN 已经成为业界主流的端侧推理框架之一，广泛应用于淘宝、天猫、优酷、钉钉等阿里系App中，覆盖了搜索推荐、图像识别、OCR、AR特效、语音处理等数百个业务场景。

（3）CMake配置

具体查看项目配套的CMakeLists.txt文件，主要配置了OpenCV+base-utils+MNN这四个库，Windows系统下请自行配置和编译。

（4）main源码

主程序src/main.cpp,提供了人脸检测和人体检测的Demo，其中test_image_file()用于测试图片，test_video_file()用于测试视频文件，test_usb_camera()用于测试USB摄像头，test_performance用于测试性能。

//
// Created by Pan on 2024/6/24.
//
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <vector>
#include <string>
#include "yolo.h"
#include "Types.h"
#include "file_utils.h"
#include "image_utils.h"

using namespace dl;
using namespace vision;
using namespace std;

DeviceType device = CPU; // 使用CPU运行
// DeviceType device = OPENCL; // 使用OPENCL运行
// DeviceType device = VULKAN; // 使用VULKAN运行

const int max_nums = -1; // 最大检测数量，-1表示不限制
const int numThread = 4; // 线程数
const float scoreThresh = 0.25f; // 检测阈值
const float iouThresh = 0.45f; // IOU阈值
// TODO YOLO26 模型
string model_file = "../data/model/yolo26n-416-face-person.mnn";
YOLOParam param = YOLO26_FACE_PERSON416;

// TODO YOLO11 模型
// string model_file = "../data/model/yolo11n-416-face-person.mnn";
// YOLOParam param = YOLO11_FACE_PERSON416;

// TODO YOLOv8 模型
// string model_file = "../data/model/yolov8n-416-face-person.mnn";
// YOLOParam param = YOLOv8_FACE_PERSON416;

YOLO *detector = new YOLO(model_file, param, numThread, device, max_nums);

/***
 * 测试图片文件
 * @return
 */
int test_image_file() {
    // 测试图片
    string image_dir = "../data/test_image/coco";
    vector<string> image_list = get_files_list(image_dir);
    for (string image_path: image_list) {
        cv::Mat frame = cv::imread(image_path);
        if (frame.empty()) continue;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, resultInfo, scoreThresh, iouThresh);
        // 可视化代码
        detector->drawResult(frame, resultInfo, true, 0, true);
    }
    printf("FINISHED.\n");
    return 0;
}


/***
 * 测试视频文件
 * @return
 */
int test_video_file() {
    string video_file = "../data/video/video1.mp4"; //视频文件
    cv::VideoCapture cap;
    bool ret = get_video_capture(video_file, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, resultInfo, scoreThresh, iouThresh);
        // 可视化代码
        detector->drawResult(frame, resultInfo, true, 10, true);
    }
    cap.release();
    printf("FINISHED.\n");
    return 0;
}


/***
 * 测试USB摄像头
 * @return
 */
int test_usb_camera() {
    int camera = 0; //摄像头USB ID号(请修改成自己摄像头USB ID号)
    cv::VideoCapture cap;
    bool ret = get_video_capture(camera, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, resultInfo, scoreThresh, iouThresh);
        // 可视化代码
        detector->drawResult(frame, resultInfo, true, 10, true);
    }
    cap.release();
    printf("FINISHED.\n");
    return 0;
}


/***
 * 测试性能
 * @return
 */
int test_performance() {
    // 测试图片
    string image_dir = "../data/test_image/coco";
    string image_path = "../data/test_image/coco/bus.jpg";
    vector<string> image_list = get_files_list(image_dir);
    cv::Mat frame = cv::imread(image_path);
    FrameInfo resultInfo;
    detector->performance(frame, resultInfo, scoreThresh, iouThresh, 50);
    detector->drawResult(frame, resultInfo, true, 0, true);
    printf("FINISHED.\n");
    return 0;
}


int main() {
    test_image_file();
    test_video_file();
    test_usb_camera();
    test_performance();
    return 0;
}

（5）源码编译和运行

编译脚本，或者直接：bash build.sh

#!/usr/bin/env bash
mkdir -p build && cd build
cmake .. -DMNN_VULKAN=ON
make -j4

sleep 1
#./video_for_pose
./Detector

• 如果你要测试CPU运行的性能，请修改src/main.cpp

DeviceType device = CPU;

• 如果你要测试GPU运行的性能，请修改src/main.cpp （需配置好OpenCL）

DeviceType device = OPENCL;

下面截图是YOLO26n的MNN CPU/OpenCL/Vulkan性能对比，纯C++推理(4线程)需要耗时62ms的时间，而开启OpenCL加速后，GPU模式耗时仅需9ms左右，性能极大的提高。不过，MNN对Vulkan貌似没有特殊优化，加速不明，建议使用OpenCL进行模型加速。

|--------|----------------------------------------------------------------------------|
| 模式 | |
| CPU | |
| OPENCL | |
| VULKAN | |

---

4. 人脸检测和人体检测效果C++版本

下图给出C++版本行人检测(人体检测)效果：

|----------------------------------------------------------------------------------|----------------------------------------------------------------------------------|
| | |
| | |

下图GIF这是Python版本的人脸检测和人体检测效果，C++版本与Python版本的结果几乎是一致

---

5. 人脸检测和人体检测效果Android版本

已经完成Android版本人脸检测和行人检测算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约40ms左右，GPU约20ms左右 ，基本满足业务的性能需求。详细说明请查看：人脸检测和行人检测4：**Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)**https://blog.csdn.net/guyuealian/article/details/164629596

Android人脸检测和行人检测APP Demo体验：https://download.csdn.net/download/guyuealian/93441570

---

6. 项目源码下载

如需下载项目源码，请WX关注【AI吃大瓜】，回复【人脸检测和人体检测】即可下载

项目资源内容包含：

1. 项目提供YOLOv8n / YOLO11n / YOLO26n版本的人脸检测和人体检测模型(MNN)
2. 项目C/C++源码支持CPU和GPU运行，GPU模型加速需要配置好OpenCL，可以达到实时检测效果。
3. 项目C/C++源码Demo支持图片，视频，摄像头测试

Android人脸检测和行人检测APP Demo体验：https://download.csdn.net/download/guyuealian/93441570