【算法介绍】

在Windows系统上，基于C++编程署YOLOv11的OpenVINO实例分割模型，可以通过CMake项目来实现部署。以下是一个简要介绍：

首先，确保开发环境已准备好，包括安装OpenVINO Toolkit、CMake、OpenCV以及C++编译器（如GCC或MSVC）。这些工具对于项目的构建和运行至关重要。

接下来，从相关资源网站下载YOLOv11的OpenVINO C++部署项目代码。由于YOLOv11是YOLO系列中的新版本，因此可能需要特别注意模型格式的兼容性和转换过程。

将YOLOv11模型转换为OpenVINO支持的IR格式是关键步骤之一。这通常需要使用OpenVINO的Model Optimizer工具来完成。转换完成后，使用CMake编译项目，并配置好项目的包含目录和库目录，确保能够正确链接到OpenVINO和OpenCV的库。

编译成功后，运行示例程序进行实例分割。示例程序会加载转换后的IR模型，并对输入的图像进行分割。通过OpenVINO的优化，模型在英特尔硬件上的推理速度会得到显著提升，满足实时处理的需求。

OpenVINO官方提供了丰富的示例代码和教程，涵盖从模型优化到部署的各个环节。开发者可以参考这些示例和教程，快速上手OpenVINO，并基于YOLOv11模型实现高效的实例分割应用。

以上就是在Windows上基于C++编程署YOLOv11的OpenVINO实例分割模型CMake项目部署的简要介绍。

【效果展示】

【python导出openvino环境】

anaconda3+python3.8

torch==2.0.1+cu117

ultralytics==8.3.21

openvino==2024.4.0

【C++测试环境】

vs2019

cmake==3.24.3

opencv==4.8.0

w_openvino_toolkit_windows_2024.3.0.16041.1e3b88e4e3f_x86_64

 【部分实现代码】

#include <iostream>
#include "Yolov11OpenvinoSeg.h"
#include "opencv2/opencv.hpp"
#include <chrono>
using namespace std;
using namespace cv;
 
void video_demo(std::string videopath,Yolov11OpenvinoSeg& seg)
{
    // 创建一个 VideoCapture 对象，参数 1为视频路径
    cv::VideoCapture cap(videopath);
 
    // 检查摄像头是否成功打开
    if (!cap.isOpened())
    {
        std::cerr << "Error: Could not open video." << std::endl;
        return;
    }
 
    cv::Mat frame;
    auto startTime = std::chrono::high_resolution_clock::now();
    int frameCount = 0;
    while (true)
    {
        // 读取一帧图像
        cap >> frame;
        frameCount++;
        // 检查是否成功读取帧
        if (frame.empty())
        {
            break;
        }
 
        auto img = seg.Inference(frame);
        auto currentTime = std::chrono::high_resolution_clock::now();
        auto elapsed = std::chrono::duration_cast<std::chrono::seconds>(currentTime - startTime);
        if (elapsed.count() >= 2)
        {
            double fps = static_cast<double>(frameCount) / elapsed.count();
            std::cout << "FPS: " << fps << std::endl;
            frameCount = 0;
            startTime = currentTime;
        }
            // 显示帧
            cv::imshow("yolov11 openvino demo", img);
 
            // 检查是否按下 'q' 键以退出循环
            if (cv::waitKey(10) == 'q')
            {
                break;
            }
        }
 
        // 释放摄像头
        cap.release();
        // 关闭所有窗口
        cv::destroyAllWindows();
    }
 
    int main(int argc, char *argv[])
    {
        // Yolov11OpenvinoSeg seg;
        // seg.LoadWeights("E:\\official-model\\yolov11\\yolo11n-seg_openvino_model\\yolo11n-seg.xml");
        // cv::Mat image = cv::imread("E:\\person.jpg");
        // auto img = seg.Inference(image);
        // namedWindow("result", WINDOW_AUTOSIZE);
        // imshow("result", img);
        // waitKey(0);
        // destroyAllWindows();
 
 
        Yolov11OpenvinoSeg seg;
        std::cout<<"load weights...\n";
        seg.LoadWeights("E:\\official-model\\yolov11\\yolo11n-seg_openvino_model\\yolo11n-seg.xml");
        std::cout<<"start read video...\n";
        video_demo("E:\\car.mp4",seg);
 
        return 0;
    }

【运行步骤】

第一步：找到源码并下载opencv和openvino的C++开发库，下载地址cmakelists.txt里面给出您也可以使用其他较新版本opencv或者openvino

第二步：将opencv和openvino的bin文件夹加入环境变量

第三步：修改CMakeLists.txt里面opencv和openvino自己对应目录

第四步：训练自己yolov11实例分割模型得到pytorch模型，并转成openvino模型，转换命令为

yolo export model=best.pt format=openvino

第五步：修改main.cpp视频路径和openvino模型路径，同时如果是自定义模型还需要修改代码里面一些推理参数，比如shape,类别数，网络输出层参数等

第六步：重新build和cmake，得到exe文件点击exe即可弹出窗口显示视频实时检测效果

【温馨提示】

运行闪退很可能路径填写错误，主要2个原因

第一个：路径要用\\或者/您可能路径掺杂了\忘了写全

第二个：视频文件或者模型路径不存在