使用YoloV3检测C++；项目VS 我遵循一个主题来安装YOLO，用于C++项目（），但我还有一个问题：我尝试在我的C++项目中启动YOLVO3。我构建了yolo_cpp_dll_no_gpu.sln（我没有gpu），所以我有darknet_no_gpu.exe

我想从我的网络摄像头中检测到帧上的一些对象。我获得了框架，但我不知道如何在C++项目中启动YOLO检测。也许它类似于Python命令，但是我找不到C++语法……/P> 你能帮我吗

编辑：（我提供更多细节）

在Visual Studio 2019上的C++项目中，需要使用YOLVO3进行手检测。
• 所以我用python命令训练了Yolov3。我获得了.weights文件，当我在cmd上启动此命令时，检测工作正常：
  darknet_no_gpu探测器演示数据/obj.data cfg/yolov3-tiny.cfg yolov3-tiny_last.weights

• 现在，我想在VS项目中使用此检测。我构建了yolo\u cpp\u dll\u no\u gpu.sln以获得darknet\u no\u gpu.exe

• 在我的项目中，我在属性和依赖项中有include和library的路径

所以，我的问题是，在我的框架上使用yolo的语法是什么：`

VideoCapture cap(0); // open camera
    if (!cap.isOpened())  
        return -1;
    cap.set(CAP_PROP_FRAME_WIDTH, 320);
    cap.set(CAP_PROP_FRAME_HEIGHT, 240);

    for (;;) {
        cap >> frame;

        if (frame.empty())
        break;

` 因为我不能在VS中使用这个

darknet_no_gpu detector demo data/obj.data cfg/yolov3-tiny.cfg yolov3-tiny_last.weights frame

编辑2: 你好 在你的帮助下做了一些研究之后，我还有一个问题。。。 这是我的密码：

    #include <Windows.h>
#include <fstream>
#include <sstream>
#include <iostream>

#include <opencv2/dnn.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace dnn;
using namespace std;

// Initialize the parameters
float confThreshold = 0.5; // Confidence threshold
float nmsThreshold = 0.4;  // Non-maximum suppression threshold
int inpWidth = 416;  // Width of network's input image
int inpHeight = 416; // Height of network's input image
vector<string> classes;

// Remove the bounding boxes with low confidence using non-maxima suppression
void postprocess(Mat& frame, const vector<Mat>& out);

// Draw the predicted bounding box
void drawPred(int classId, float conf, int left, int top, int right, int bottom, Mat& frame);

// Get the names of the output layers
vector<String> getOutputsNames(const Net& net);

int main(int argc, char** argv)
{
    // Load names of classes
    string classesFile = "obj.names";
    ifstream ifs(classesFile.c_str());
    string line;
    while (getline(ifs, line)) classes.push_back(line);

    // Give the configuration and weight files for the model
    String modelConfiguration = "yolov3-tiny.cfg";
    String modelWeights = "yolov3-tiny_last.weights";

    // Load the network
    Net net = readNetFromDarknet(modelConfiguration, modelWeights);
    net.setPreferableBackend(DNN_BACKEND_OPENCV);
    net.setPreferableTarget(DNN_TARGET_CPU);

    // Open a video file or an image file or a camera stream.
    string outputFile;
    //VideoCapture cap;
    VideoWriter video;
    Mat frame;
    Mat blob, ex;

    VideoCapture cap(0); // ouvre la camera par défaut
    if (!cap.isOpened())  // check si succès
        return -1;  

    for (;;) {
        // get frame from the video
        cap >> frame;
        cvtColor(frame, ex, COLOR_BGR2YCrCb);

        cout << frame.size << endl;
        imshow("e", ex);
        // Stop the program if reached end of video
        if (frame.empty()) {
            cout << "Done processing !!!" << endl;
            cout << "Output file is stored as " << outputFile << endl;
            waitKey(3000);
            break;
        }
        // Create a 4D blob from a frame.
        blobFromImage(frame, blob, 1 / 255.0, Size(inpWidth, inpHeight), Scalar(0, 0, 0), true, false);

        //Sets the input to the network
        net.setInput(blob);

        // Runs the forward pass to get output of the output layers
        vector<Mat> outs;
        net.forward(outs, getOutputsNames(net));

        // Remove the bounding boxes with low confidence
        postprocess(frame, outs);

        // Put efficiency information. The function getPerfProfile returns the overall time for inference(t) and the timings for each of the layers(in layersTimes)
        vector<double> layersTimes;
        double freq = getTickFrequency() / 1000;
        double t = net.getPerfProfile(layersTimes) / freq;
        string label = format("Inference time for a frame : %.2f ms", t);
        putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 255));

        // Write the frame with the detection boxes
        Mat detectedFrame;
        frame.convertTo(detectedFrame, CV_8U);

        imshow("f", frame);

        Sleep(3000);

    }

    cap.release();

    return 0;
}

// Remove the bounding boxes with low confidence using non-maxima suppression
void postprocess(Mat& frame, const vector<Mat>& outs)
{
    vector<int> classIds;
    vector<float> confidences;
    vector<Rect> 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 > 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<int> indices;
    NMSBoxes(boxes, confidences, confThreshold, nmsThreshold, indices);
    for (size_t i = 0; i < indices.size(); ++i)
    {
        int idx = indices[i];
        Rect box = boxes[idx];
        drawPred(classIds[idx], confidences[idx], box.x, box.y,
            box.x + box.width, box.y + box.height, frame);
    }
}

// Draw the predicted bounding box
void drawPred(int classId, float conf, int left, int top, int right, int bottom, Mat& frame)
{
    //Draw a rectangle displaying the bounding box
    rectangle(frame, Point(left, top), Point(right, bottom), Scalar(255, 178, 50), 3);

    //Get the label for the class name and its confidence
    string label = format("%.2f", conf);
    if (!classes.empty())
    {
        CV_Assert(classId < (int)classes.size());
        label = 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 - round(1.5 * labelSize.height)), Point(left + round(1.5 * labelSize.width), top + baseLine), Scalar(255, 255, 255), FILLED);
    putText(frame, label, Point(left, top), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 0), 1);
}

// Get the names of the output layers
vector<String> getOutputsNames(const Net& net)
{
    static vector<String> names;
    if (names.empty())
    {
        //Get the indices of the output layers, i.e. the layers with unconnected outputs
        vector<int> outLayers = net.getUnconnectedOutLayers();

        //get the names of all the layers in the network
        vector<String> layersNames = net.getLayerNames();

        // Get the names of the output layers in names
        names.resize(outLayers.size());
        for (size_t i = 0; i < outLayers.size(); ++i)
            names[i] = layersNames[outLayers[i] - 1];
    }
    return names;
}

#包括
#包括
#包括
#包括
#包括
#包括
#包括
#包括
使用名称空间cv；
使用名称空间dnn；
使用名称空间std；
//初始化参数
浮动阈值=0.5；//置信阈值
float nmsThreshold=0.4；//非最大抑制阈值
int inpWidth=416；//网络输入图像的宽度
int inpHeight=416；//网络输入图像的高度
向量类；
//使用非最大值抑制删除置信度较低的边界框
void后处理（Mat和frame、const vector和out）；
//绘制预测的边界框
void drawPred（内部classId、浮动形态、内部左侧、内部顶部、内部右侧、内部底部、垫和框架）；
//获取输出层的名称
向量getOutputsNames（const-Net和Net）；
int main（int argc，字符**argv）
{
//加载类的名称
string classesFile=“obj.names”；
ifstream ifs（classesFile.c_str（））；
弦线；
while（getline（ifs，line））类。向后推（line）；
//给出模型的配置和重量文件
String modelConfiguration=“yolov3 tiny.cfg”；
String modelWeights=“yolov3-tiny\u last.weights”；
//加载网络
Net=readNetFromDarknet（模型配置，模型权重）；
net.setPreferableBackend（DNN_BACKEND_OPENCV）；
net.setPreferableTarget（DNN_TARGET_CPU）；
//打开视频文件、图像文件或相机流。
字符串输出文件；
//视频捕捉帽；
录像机录像；
垫架；
Mat blob，ex；
视频捕捉帽（0）；// ouvra照相机
如果（！cap.isopend（））//检查是否成功
返回-1；
对于（；；）{
//从视频中获取帧
cap>>框架；
CVT颜色（框架、ex、颜色_BGR2YCrCb）；
CUT欢迎使用堆栈溢出。请学习，特别是，你必须展示你的代码和解决问题的一些努力。你能澄清这个问题吗？你是想用你自己的C++代码使用YOLO还是你在YOLO运行中遇到问题？也许这个教程可以帮助你去栈溢出。请学习，在PullAR，你必须告诉我们你的代码和一些努力来解决你的问题。你能澄清这个问题吗？你是想用你自己的C++代码使用YOLO还是你有困难让YOLO运行？也许这个教程会有帮助。