【算法介绍】

在Windows系统上，基于C++编程部署YOLOv11-CLS的OpenVINO图像分类模型，可以通过CMake项目来实现。以下是简要介绍：

首先，需要准备开发环境，包括安装OpenVINO Toolkit、CMake、OpenCV和C++编译器（如GCC或MSVC）。OpenVINO是英特尔开发的一款用于优化和部署深度学习模型的工具套件，能够显著提升模型在英特尔硬件上的推理性能。

其次，从相关资源平台下载YOLOv11-CLS的OpenVINO C++部署项目代码。将YOLOv11-CLS模型转换为OpenVINO支持的IR格式，这通常需要使用OpenVINO的Model Optimizer工具。

然后，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。编译完成后，运行示例程序进行图像分类。示例程序会加载转换后的IR模型，并对输入的图像进行分类。

OpenVINO官方提供了丰富的示例代码和教程，涵盖了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-CLS模型实现高效的目标检测应用。

通过OpenVINO的优化，YOLOv11-CLS模型在英特尔硬件上的推理速度得到了大幅提升，能够满足实时处理的需求，从而在图像分类任务中表现出色。

【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 
#include 
#include 
#include 
#include "Yolov11OpenvinoCls.h"
#include  //openvino header file
#include     //opencv header file
 
using namespace cv;
using namespace dnn;
 
void video_demo(std::string videopath,Yolov11OpenvinoCls& cls)
{
    // 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 result = cls.Inference(frame);
        std::cout<<"inference name result is:"<(currentTime - startTime);
        if (elapsed.count() >= 2)
        {
            double fps = static_cast(frameCount) / elapsed.count();
            std::cout << "FPS: " << fps << std::endl;
            frameCount = 0;
            startTime = currentTime;
        }
            // 显示帧
            cv::imshow("yolov11 openvino demo", frame);
 
            // 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[])
    {
        Yolov11OpenvinoCls cls;
        cls.LoadWeights("E:\\official-model\\yolov11\\yolo11n-cls_openvino_model\\yolo11n-cls.xml","C:\\Users\\Administrator\\Desktop\\1\\yolov11-cls-openvino-cplus\\labels.txt");
        cv::Mat image = cv::imread("C:\\Users\\Administrator\\Desktop\\1\\yolov11-cls-openvino-cplus\\1.jpg");
        auto result = cls.Inference(image);
        std::cout<<"inference name result is:"<cv::Point(50,50), cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 255, 255), 1, 8, 0);
        namedWindow("result", WINDOW_AUTOSIZE);
        imshow("result", image);
        waitKey(0);
        destroyAllWindows();
 
 
        // Yolov11OpenvinoCls cls;
        // std::cout<<"load weights...\n";
        // cls.LoadWeights("E:\\official-model\\yolov11\\yolo11n-cls_openvino_model\\yolo11n-cls.xml","C:\\Users\\Administrator\\Desktop\\1\\yolov11-cls-openvino-cplus\\labels.txt");
        // std::cout<<"start read video...\n";
        // video_demo("C:\\Users\\Administrator\\Desktop\\1\\yolov8-pose-openvino-cplus\\video.avi",cls);
 
        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图像分类模型得到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