4种YOLO目标检测的C++和Python两种版本实现

2020年，新出了几个新版本的YOLO目标检测，在微信朋友圈里转发的最多的有YOLOv4，Yolo-Fastest，YOLObile以及百度提出的PP-YOLO。在此之前，我已经在github发布过YOLOv4，Yolo-Fastest，YOLObile这三种YOLO基于OpenCV做目标检测的程序，但是这些程序是用Python编写的。接下来，我就使用C++编写一套基于OpenCV的YOLO目标检测，这个程序里包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。

1. 实现思路

用面向对象的思想定义一个类，类的构造函数会调用opencv的dnn模块读取输入的.cfg和.weights文件来初始化YOLO网络，类有一个成员函数detect对输入的图像做目标检测，主要包括前向推理forward和后处理postprocess。这样就把YOLO目标检测模型封装成了一个类。最后在主函数main里设置一个参数可以选择任意一种YOLO做目标检测，读取一幅图片，调用YOLO类里的detect函数执行目标检测，画出图片中的物体的类别和矩形框。

2. 实现步骤

定义类的构造函数和成员函数和成员变量，如下所示。其中confThreshold是类别置信度阈值，nmsThreshold是重叠率阈值，inpHeight和inpWidth使输入图片的高和宽，netname是yolo模型名称，classes是存储类别的数组，本套程序是在COCO数据集上训练出来的模型，因此它存储有80个类别。net是使用opencv的dnn模块读取配置文件和权重文件后返回的深度学习模型，postprocess是后处理函数，drawPred是在检测到图片里的目标后，画矩形框和类别名。

class YOLO
{
 public:
  YOLO(Net_config config);
  void detect(Mat& frame);
 private:
  float confThreshold;
  float nmsThreshold;
  int inpWidth;
  int inpHeight;
  char netname[20];
  vector classes;
  Net net;
  void postprocess(Mat& frame, const vector& outs);
  void drawPred(int classId, float conf, int left, int top, int right, int bottom, Mat& frame);
};

接下来，定义一个结构体和结构体数组，如下所示。结构体里包含了类别置信度阈值，重叠率阈值，模型名称，配置文件和权重文件的路径，存储所有类别信息的文档的路径，输入图片的高和宽。然后在结构体数组里，包含了四种YOLO模型的参数集合。

struct Net_config
{
 float confThreshold; // Confidence threshold
 float nmsThreshold;  // Non-maximum suppression threshold
 int inpWidth;  // Width of network's input image
 int inpHeight; // Height of network's input image
 string classesFile;
 string modelConfiguration;
 string modelWeights;
 string netname;
};

Net_config yolo_nets[4] = {
 {0.5, 0.4, 416, 416,"coco.names", "yolov3/yolov3.cfg", "yolov3/yolov3.weights", "yolov3"},
 {0.5, 0.4, 608, 608,"coco.names", "yolov4/yolov4.cfg", "yolov4/yolov4.weights", "yolov4"},
 {0.5, 0.4, 320, 320,"coco.names", "yolo-fastest/yolo-fastest-xl.cfg", "yolo-fastest/yolo-fastest-xl.weights", "yolo-fastest"},
 {0.5, 0.4, 320, 320,"coco.names", "yolobile/csdarknet53s-panet-spp.cfg", "yolobile/yolobile.weights", "yolobile"}
};

接下来是YOLO类的构造函数，如下所示，它会根据输入的结构体Net_config，来初始化成员变量，这其中就包括opencv读取配置文件和权重文件后返回的深度学习模型。

YOLO::YOLO(Net_config config)
{
 cout << "Net use " << config.netname << endl;
 this->confThreshold = config.confThreshold;
 this->nmsThreshold = config.nmsThreshold;
 this->inpWidth = config.inpWidth;
 this->inpHeight = config.inpHeight;
 strcpy_s(this->netname, config.netname.c_str());

 ifstream ifs(config.classesFile.c_str());
 string line;
 while (getline(ifs, line)) this->classes.push_back(line);

 this->net = readNetFromDarknet(config.modelConfiguration, config.modelWeights);
 this->net.setPreferableBackend(DNN_BACKEND_OPENCV);
 this->net.setPreferableTarget(DNN_TARGET_CPU);
}

接下来的关键的detect函数，在这个函数里，首先使用blobFromImage对输入图像做预处理，然后是做forward前向推理和postprocess后处理。

void YOLO::detect(Mat& frame)
{
 Mat blob;
 blobFromImage(frame, blob, 1 / 255.0, Size(this->inpWidth, this->inpHeight), Scalar(0, 0, 0), true, false);
 this->net.setInput(blob);
 vector outs;
 this->net.forward(outs, this->net.getUnconnectedOutLayersNames());
 this->postprocess(frame, outs);

 vector layersTimes;
 double freq = getTickFrequency() / 1000;
 double t = net.getPerfProfile(layersTimes) / freq;
 string label = format("%s Inference time : %.2f ms", this->netname, t);
 putText(frame, label, Point(0, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);
 //imwrite(format("%s_out.jpg", this->netname), frame);
}

postprocess后处理函数的代码实现如下，在这个函数里，for循环遍历所有的候选框outs，计算出每个候选框的最大类别分数值，也就是真实类别分数值，如果真实类别分数值大于confThreshold，那么就对这个候选框做decode计算出矩形框左上角顶点的x, y，高和宽的值，然后把真实类别分数值，真实类别索引id和矩形框左上角顶点的x, y，高和宽的值分别添加到confidences，classIds和boxes这三个vector里。在for循环结束后，执行NMS，去掉重叠率大于nmsThreshold的候选框，剩下的检测框就调用drawPred在输入图片里画矩形框和类别名称以及分数值。

void YOLO::postprocess(Mat& frame, const vector& outs)   // Remove the bounding boxes with low confidence using non-maxima suppression
{
 vector classIds;
 vector confidences;
 vector boxes;

 for (size_t i = 0; i < outs.size(); ++i)
 {
  // Scan through all the bounding boxes output from the network and keep only the
  // ones with high confidence scores. Assign the box's class label as the class
  // with the highest score for the box.
  float* data = (float*)outs[i].data;
  for (int j = 0; j < outs[i].rows; ++j, data += outs[i].cols)
  {
   Mat scores = outs[i].row(j).colRange(5, outs[i].cols);
   Point classIdPoint;
   double confidence;
   // Get the value and location of the maximum score
   minMaxLoc(scores, 0, &confidence, 0, &classIdPoint);
   if (confidence > this->confThreshold)
   {
    int centerX = (int)(data[0] * frame.cols);
    int centerY = (int)(data[1] * frame.rows);
    int width = (int)(data[2] * frame.cols);
    int height = (int)(data[3] * frame.rows);
    int left = centerX - width / 2;
    int top = centerY - height / 2;

    classIds.push_back(classIdPoint.x);
    confidences.push_back((float)confidence);
    boxes.push_back(Rect(left, top, width, height));
   }
  }
 }

 // Perform non maximum suppression to eliminate redundant overlapping boxes with
 // lower confidences
 vector indices;
 NMSBoxes(boxes, confidences, this->confThreshold, this->nmsThreshold, indices);
 for (size_t i = 0; i < indices.size(); ++i)
 {
  int idx = indices[i];
  Rect box = boxes[idx];
  this->drawPred(classIds[idx], confidences[idx], box.x, box.y,
   box.x + box.width, box.y + box.height, frame);
 }
}

void YOLO::drawPred(int classId, float conf, int left, int top, int right, int bottom, Mat& frame)   // Draw the predicted bounding box
{
 //Draw a rectangle displaying the bounding box
 rectangle(frame, Point(left, top), Point(right, bottom), Scalar(0, 0, 255), 3);

 //Get the label for the class name and its confidence
 string label = format("%.2f", conf);
 if (!this->classes.empty())
 {
  CV_Assert(classId < (int)this->classes.size());
  label = this->classes[classId] + ":" + label;
 }

 //Display the label at the top of the bounding box
 int baseLine;
 Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
 top = max(top, labelSize.height);
 //rectangle(frame, Point(left, top - int(1.5 * labelSize.height)), Point(left + int(1.5 * labelSize.width), top + baseLine), Scalar(0, 255, 0), FILLED);
 putText(frame, label, Point(left, top), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 255, 0), 1);
}

最后是主函数main，代码实现如下。在主函数里的第一行代码，输入参数yolo_nets[2]表示选择了四种YOLO模型里的第三个yolo-fastest，使用者可以自由设置这个参数，从而能自由选择YOLO模型。接下来是定义输入图片的路径，opencv读取图片，传入到yolo_model的detect函数里做目标检测，最后在窗口显示检测结果。

int main()
{
 YOLO yolo_model(yolo_nets[2]);
 string imgpath = "person.jpg";
 Mat srcimg = imread(imgpath);
 yolo_model.detect(srcimg);

 static const string kWinName = "Deep learning object detection in OpenCV";
 namedWindow(kWinName, WINDOW_NORMAL);
 imshow(kWinName, srcimg);
 waitKey(0);
 destroyAllWindows();
}

在编写并调试完程序后，我多次运行程序来比较这4种YOLO目标检测网络在一幅图片上的运行耗时。运行程序的环境是win10-cpu，VS2019+opencv4.4.0，这4种YOLO目标检测网络在同一幅图片上的运行耗时的结果如下：

可以看到Yolo-Fastest运行速度最快，YOLObile号称是实时的，但是从结果看并不如此。并且查看它们的模型文件，可以看到Yolo-Fastest的是最小的。如果在ubuntu-gpu环境里运行，它还会更快。

整个程序的运行不依赖任何深度学习框架，只需要依赖OpenCV4这个库就可以运行整个程序，做到了YOLO目标检测的极简主义，这个在硬件平台部署时是很有意义的。建议在ubuntu系统里运行这套程序，上面展示的是在win10-cpu机器上的运行结果，而在ubuntu系统里运行，一张图片的前向推理耗时只有win10-cpu机器上的十分之一。

我把这套程序发布在github上，这套程序包含了C++和Python两种版本的实现，地址是 https://github.com/hpc203/yolov34-cpp-opencv-dnn

此外，我也编写了使用opencv实现yolov5目标检测，程序依然是包含了C++和Python两种版本的实现，地址是

https://github.com/hpc203/yolov5-dnn-cpp-python 和 https://github.com/hpc203/yolov5-dnn-cpp-python-v2

考虑到yolov5的模型文件是在pytorch框架里从.pt文件转换生成的.onnx文件，而之前的yolov3,v4都是在darknet框架里生成的.cfg和.weights文件，还有yolov5的后处理计算与之前的yolov3,v4有所不同，因此我没有把yolov5添加到上面的4种YOLO目标检测程序里。往期精选