本节博客，我们继续讲解，如何在cpu+windows上，跑通自己的实例分割模型。
目录
模型
类别名称
量化
导出模型
拉取最新代码
进入官网ultralytics
模型
该项目包括存储在 models 和 quantized_models 目录中的各种预训练标准 YOLO 模型：
| 模型类型 | 模型名称 |
|---|---|
| 标准模型 | yolo5-n6.onnx |
| yolo7-tiny.onnx | |
| yolo8n.onnx | |
| yolo8n-seg.onnx | |
| yolo10n.onnx | |
| yolo11n.onnx | |
| yolo11n-seg.onnx | |
| 量化模型 | yolo5-n6_uint8.onnx |
| yolo7-tiny-uint8.onnx | |
| yolo8n_uint8.onnx | |
| yolo8n-seg_uint8.onnx | |
| yolo10n_uint8.onnx | |
| yolo11n_uint8.onnx | |
| yolo11n-seg_uint8.onnx |
你也可以使用带有自定义类别的自定义 YOLO 版本！
比如，我们用ultralytics训练好的实例分割模型best.pt，我们再用原生的ultralytics转onnx方式，转为best.onnx。如下：
类别名称
-
coco.names：包含模型所使用的类别标签列表。
这里，我们也要修改coco.names，改为自己的标签！
量化
quantized_models 目录中包含针对低精度推理优化的 YOLO 模型的量化版本。此外，quantized_models/yolos_quantization.py 脚本可用于对自定义 YOLO 模型进行自定义量化。
注意：量化模型具有模型体积更小的优势，并且在准确性略有下降的情况下，可能实现更快的推理速度。
我们先不量化试一下：
修改源码：
然后，点击重新生成！
并且，运行exe，但是，你会发现，没有出结果。
怎么办呢？我们查看项目源码，发现，后来支持了seg：
但是，源码还是det【目标检测】。
因此，我们将源码从原始代码：
/**
* @file image_inference.cpp
* @brief Object detection in a static image using YOLO models (v5, v7, v8, v10).
*
* This file implements an object detection application that utilizes YOLO
* (You Only Look Once) models, specifically versions 5, 7, 8, and 10.
* The application loads a specified image, processes it to detect objects,
* and displays the results with bounding boxes around detected objects.
*
* The application supports the following functionality:
* - Loading a specified image from disk.
* - Initializing the YOLO detector with the desired model and labels.
* - Detecting objects within the image.
* - Drawing bounding boxes around detected objects and displaying the result.
*
* Configuration parameters can be adjusted to suit specific requirements:
* - `isGPU`: Set to true to enable GPU processing for improved performance;
* set to false for CPU processing.
* - `labelsPath`: Path to the class labels file (e.g., COCO dataset
