Qt OpenCV DNN目标检测示例项目

这是一个使用Qt和OpenCV DNN模块实现目标检测的示例项目。本项目展示了如何在Qt应用程序中集成OpenCV的深度学习功能，实现了一个简单的目标检测应用程序。

功能特点

• 支持动态选择ONNX模型文件
• 支持选择任意图片进行检测
• 实时显示检测结果
• 支持YOLO系列模型
• 自动标注目标位置和类别信息

环境配置

必需组件

1. Qt开发环境

   • Qt 5.15或更高版本
   • Qt Creator或Visual Studio（带Qt插件）
   • CMake 3.15或更高版本

2. OpenCV库

   • OpenCV 4.5.0或更高版本
   • 必须包含opencv_dnn模块

3. 编译器要求

   • Windows: MSVC 2019或更高版本
   • Linux: GCC 7.0或更高版本

安装步骤

1. 安装Qt

   • 从Qt官网下载Qt在线安装器
   • 安装Qt开发环境（确保安装相应的编译器）

2. 安装OpenCV

   • Windows:

     下载OpenCV预编译包或从源码编译
     设置系统环境变量OPENCV_DIR指向OpenCV安装目录
     将%OPENCV_DIR%\bin添加到PATH环境变量
     

   • Linux:

     sudo apt update
     sudo apt install libopencv-dev

3. 验证安装

   • 确保能在命令行中运行：

     cmake --version

   • 检查OpenCV是否正确安装：

     #include <opencv2/opencv.hpp>

项目结构

.
├── CMakeLists.txt          # CMake配置文件
├── main.cpp                # 程序入口
├── mainwindow.h            # 主窗口头文件
├── mainwindow.cpp          # 主窗口实现
└── README.md              # 项目说明文档

代码说明

主要类说明

1. MainWindow - 主窗口类
   • 管理UI界面
   • 处理文件选择
   • 执行目标检测
   • 显示检测结果

关键功能实现

1. 模型加载

cv::dnn::Net net = cv::dnn::readNetFromONNX(modelPath.toStdString());

2. 图像预处理

cv::Mat blob;
cv::dnn::blobFromImage(frame, blob, 1/255.0, cv::Size(640, 640), 
                       cv::Scalar(), true, false);

3. 目标检测

net.setInput(blob);
std::vector<cv::Mat> outputs;
net.forward(outputs, net.getUnconnectedOutLayersNames());

CMake配置

项目的CMakeLists.txt关键部分：

find_package(OpenCV REQUIRED)
find_package(Qt5 COMPONENTS Widgets REQUIRED)

add_executable(${PROJECT_NAME}
    main.cpp
    mainwindow.cpp
    mainwindow.h
)

target_link_libraries(${PROJECT_NAME} 
    Qt5::Widgets
    ${OpenCV_LIBS}
)

使用说明

1. 编译项目

   mkdir build
   cd build
   cmake ..
   cmake --build .

2. 运行程序

   • 点击"选择模型"按钮选择ONNX模型文件
   • 点击"选择图片"按钮选择要检测的图片
   • 程序会自动执行检测并显示结果

3. 支持的模型

   • YOLO系列模型（v5、v8等）
   • 其他支持ONNX格式的目标检测模型

注意事项

1. 模型兼容性

   • 确保使用正确格式的ONNX模型
   • 模型的输入尺寸应为640x640
   • 输出应符合YOLO格式要求

2. 性能优化

   • 默认使用CPU推理，可修改代码启用GPU加速
   • 根据实际需求调整置信度阈值和NMS阈值

3. 常见问题

   • 如果无法加载模型，检查文件路径和格式
   • 如果检测结果不准确，可能需要调整模型参数
   • 确保OpenCV编译时包含了DNN模块

演示效果

原始图片

这是输入到系统中的原始测试图片，图中展示了一位足球运动员的场景。

检测结果

使用YOLO模型检测后的结果。可以看到系统成功识别出了图中的人物，并用边界框（bounding box）标注出目标位置，同时显示了对应的类别标签和置信度得分。

扩展开发

1. 添加新功能

   • 支持视频流检测
   • 添加批量检测功能
   • 支持保存检测结果

2. 优化建议

   • 添加进度条显示
   • 实现多线程处理
   • 添加更多模型格式支持

许可证

本项目采用MIT许可证，详细信息请参见LICENSE文件。

贡献指南

欢迎提交Issue和Pull Request来改进这个示例项目。

参考资源

• OpenCV官方文档
• Qt官方文档
• YOLO项目