yolov11官方框架：https://github.com/ultralytics/ultralytics

【算法介绍】

在C++中使用纯OpenCV部署YOLOv11进行目标检测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，你可以通过一些间接的方法来实现这一目标，比如将PyTorch模型转换为ONNX格式，然后使用OpenCV的DNN模块加载ONNX模型。

以下是一个大致的步骤指南，用于在C++中使用OpenCV部署YOLOv11（假设你已经有了YOLOv11的ONNX模型）：

1. 安装依赖：
   • 确保你的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. 准备模型：
   • 将YOLOv11模型从PyTorch转换为ONNX格式。这通常涉及使用PyTorch的torch.onnx.export函数。
   • 确保你有YOLOv11的ONNX模型文件、配置文件（描述模型架构）和类别名称文件。
3. 编写C++代码：
   • 使用OpenCV的DNN模块加载ONNX模型。
   • 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。
   • 将预处理后的图像输入到模型中，并获取检测结果。
   • 对检测结果进行后处理，包括解析输出、应用非极大值抑制（NMS）和绘制边界框。
4. 编译和运行：
   • 使用C++编译器（如g++）编译你的代码。
   • 运行编译后的程序，输入图像或视频，并观察目标检测结果。

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（如特征图、置信度、边界框坐标等），因此你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，由于OpenCV的DNN模块对ONNX的支持可能有限，某些YOLOv11的特性（如自定义层、特定的激活函数等）可能无法在OpenCV中直接实现。在这种情况下，你可能需要寻找替代方案，如使用其他深度学习库（如TensorRT、ONNX Runtime等）来加载和运行模型，并通过C++接口与这些库进行交互。

总之，在C++中使用纯OpenCV部署YOLOv11是一项具有挑战性的任务，需要深入理解YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式。如果你不熟悉这些领域，可能需要花费更多的时间和精力来学习和解决问题。

【效果展示】

【测试环境】

vs2019
cmake==3.24.3
opencv==4.8.0

【部分实现代码】

#include <iostream>
#include<opencv2/opencv.hpp>

#include<math.h>
#include "yolov11.h"
#include<time.h>
#define  VIDEO_OPENCV //if define, use opencv for video.

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

template<typename _Tp>
int yolov11(_Tp& cls,Mat& img,string& model_path)
{

	Net net;
	if (cls.ReadModel(net, model_path, false)) {
		cout << "read net ok!" << endl;
	}
	else {
		return -1;
	}
	//生成随机颜色
	vector<Scalar> color;
	srand(time(0));
	for (int i = 0; i < 80; i++) {
		int b = rand() % 256;
		int g = rand() % 256;
		int r = rand() % 256;
		color.push_back(Scalar(b, g, r));
	}
	vector<OutputSeg> result;


	if (cls.Detect(img, net, result)) {
		DrawPred(img, result, cls._className, color);
	}
	else {
		cout << "Detect Failed!" << endl;
	}
	system("pause");
	return 0;
}




template<typename _Tp>
int video_demo(_Tp& cls, string& model_path)
{
	vector<Scalar> color;
	srand(time(0));
	for (int i = 0; i < 80; i++) {
		int b = rand() % 256;
		int g = rand() % 256;
		int r = rand() % 256;
		color.push_back(Scalar(b, g, r));
	}
	vector<OutputSeg> result;
	cv::VideoCapture cap("D:\\car.mp4");
	if (!cap.isOpened())
	{
		std::cout << "open capture failured!" << std::endl;
		return -1;
	}
	Mat frame;
#ifdef VIDEO_OPENCV
	Net net;
	if (cls.ReadModel(net, model_path, true)) {
		cout << "read net ok!" << endl;
	}
	else {
		cout << "read net failured!" << endl;
		return -1;
	}

#else
	if (cls.ReadModel(model_path, true)) {
		cout << "read net ok!" << endl;
	}
	else {
		cout << "read net failured!" << endl;
		return -1;
	}

#endif

	while (true)
	{

		cap.read(frame);
		if (frame.empty())
		{
			std::cout << "read to end" << std::endl;
			break;
		}
		result.clear();
#ifdef VIDEO_OPENCV

		if (cls.Detect(frame, net, result)) {
			DrawPred(frame, result, cls._className, color, true);
		}
#else
		if (cls.OnnxDetect(frame, result)) {
			DrawPred(frame, result, cls._className, color, true);
		}
#endif
		int k = waitKey(10);
		if (k == 27) { //esc 
			break;
		}

	}
	cap.release();

	system("pause");

	return 0;
}


int main() {

	string detect_model_path = "./yolo11n.onnx";
	Yolov11 detector;
	video_demo(detector, detect_model_path);
}

【视频演示】

C++使用纯opencv部署yolov11目标检测onnx模型演示源码+模型_哔哩哔哩_bilibili【测试环境】vs2019cmake==3.24.3opencv==4.8.0更多实现细节和源码下载参考博文https://blog.csdn.net/FL1623863129/article/details/142688868, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：用C#部署yolov8的tensorrt模型进行目标检测winform最快检测速度，将yolov5-6.2封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，使用C#的winform部署yolov8的onnx实例分割模型，超变态的AI换脸工具，解除限制！解锁高级功能！，YOLOv8检测界面-PyQt5实现，基于onnx模型加密与解密深度学习模型保护方法介绍，基于opencv封装易语言读写视频操作模块支持视频读取和写出，使用易语言调用opencv进行视频和摄像头每一帧处理，使用纯opencv部署yolov5目标检测模型onnxhttps://www.bilibili.com/video/BV1Nc4LekE1d/
【源码下载】

https://download.csdn.net/download/FL1623863129/89837170