【算法介绍】

在C++中使用纯OpenCV部署YOLOv11-cls图像分类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。

部署过程包括以下几个关键步骤：

1. 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。
2. 将YOLOv11-cls模型从PyTorch转换为ONNX格式，这通常涉及使用PyTorch的torch.onnx.export函数。
3. 使用OpenCV的DNN模块加载ONNX模型，并确保有模型的配置文件（描述模型架构）和类别名称文件。
4. 预处理输入图像（如调整大小、归一化等），以符合模型的输入要求。
5. 将预处理后的图像输入到模型中，并获取分类结果。
6. 对分类结果进行后处理，包括解析输出等。

需要注意的是，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。此外，OpenCV的DNN模块对ONNX的支持可能有限，某些YOLOv11的特性可能无法在OpenCV中直接实现，此时可能需要寻找替代方案。

总之，使用纯OpenCV在C++中部署YOLOv11-cls图像分类模型需要深入理解YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式。

【效果展示】

【实现部分代码】

#include <iostream>
#include<opencv2/opencv.hpp>
#include<math.h>
#include<time.h>
#include "yolov11_cls.h"
using namespace std;
using namespace cv;
using namespace dnn;

int main(int argc,char* argv[]) {
	
	
    if(argc==1)
	{
		cout<<"please input the image path"<<endl;
		return 0;
	}
	
	string img_path = argv[1];
	string cls_model_path = "yolo11n-cls.onnx";
	Mat img = imread(img_path);
	Yolov11ClsOnnx cls_net;
	cls_net.LoadWeights(cls_model_path);
	auto result = cls_net.Inference(img);
	cout << result.class_name<<"===>"<<std::to_string(result.confidence) << endl;
	getchar();
	return 0;
}

【测试环境】

vs2019

cmake==3.24.3

opencv==4.8.0

【运行步骤】

通过cmake编译出exe后，执行

yolov11-cls.exe 【图片路径】即可

【完整源码下载】

https://download.csdn.net/download/FL1623863129/89853574