- 综合排序
- 最热优先
- 最新优先
使用onnxruntime部署yolov11-onnx实例分割模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 在C#中使用ONNX Runtime部署YOLOv11-ONNX实例分割模型 首先，需要确保已经安装了ONNX Runtime的NuGet包，它提供了在C#中加载和运行ONNX模型的功能。 其次，加载YOLOv11-ONNX模型。 因此，在实际部署时，需要参考YOLOv11的文档和ONNX Runtime的API文档来确保正确理解和处理模型的输出。 yolov11-seg实例分割onnx模型，C#使用纯opencvsharp部署yolov8-onnx图像分类模型，YOLO最新版本V11 本地一键部署 解压即用 视觉检测大模型尝鲜版 集成环境依赖 WEBUI 可视化界面，使用C#部署yolov8-seg的实例分割的tensorrt模型，使用python部署yolov10的onnx模型，使用C#的winform部署yolov8的onnx实例分割模型，2024最新
86510编辑于 2025-07-22使用纯opencv部署yolov11目标检测onnx模型
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 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）： 安装依赖： 确保你的开发环境已经安装了OpenCV 4.x（带有DNN 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。 /yolo11n.onnx"; Yolov11 detector; video_demo(detector, detect_model_path); } 【视频演示】 C++使用纯opencv部署yolov11 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！
1.5K11编辑于 2025-07-22使用onnxruntime部署yolov11-cls图像分类onnx模型
如果只需要opencv去部署yolov11分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734819? spm=1001.2014.3001.5501 本文和 opencv去部署yolov11分类模型区别是：opencv部署推理核心使用opencv自带api，而本文推理核心用的onnxruntime，opencv 使用C++和ONNX Runtime部署YOLOv11-CLS图像分类ONNX模型，涉及到以下几个关键步骤： 环境配置：首先，需要安装ONNX Runtime库，可以通过从ONNX Runtime的GitHub 模型加载：加载YOLOv11-CLS的ONNX模型文件，通常涉及到指定模型的路径，并创建一个InferenceSession对象，该对象将用于后续的推理。 通过以上步骤，可以在C++中使用ONNX Runtime成功部署YOLOv11-CLS图像分类模型，实现高效的图像分类任务。
80610编辑于 2025-07-22- 来自专栏贾志刚-OpenCV学堂
OpenCV4.10 DNN部署YOLO11全系模型
基于最新OpenCV4.10版本的DNN已经支持YOLO11全系模型推理。 代码实现与分别演示如下 YOLO11对象检测 YOLO11对象检测模型 OpenCV DNN部署推理演示如下： Python实现的代码如下： model = cv.dnn.readNetFromONNX Detection", frame) cc = cv.waitKey(0) cv.destroyAllWindows() YOLO11 实例分割 YOLO11实例分割模型+ OpenCV DNN部署推理演示如下 -Segmentation Demo", image) cv.waitKey(0) cv.destroyAllWindows() YOLO11姿态评估 YOLO11姿态评估模型+ OpenCV DNN 部署推理演示如下： 调用代码如下： weight_file_path = "D:/python/yolov5-7.0/yolo11n-pose.onnx" label_map_file_path = "
13810编辑于 2026-04-02 使用纯opencvsharp部署yolov11-onnx图像分类模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 使用纯OpenCvSharp部署YOLOv11-ONNX图像分类模型是一项复杂的任务 同时，需要YOLOv11的ONNX模型文件、配置文件（描述模型架构）和类别名称文件。 加载模型：使用OpenCvSharp的DNN模块加载YOLOv11的ONNX模型。 值得注意的是，YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。 总之，使用纯OpenCvSharp部署YOLOv11-ONNX图像分类模型需要深入理解YOLOv11的模型架构、OpenCvSharp的DNN模块以及ONNX格式。 yolov11-onnx图像分类模型_哔哩哔哩_bilibili【测试环境】vs2019net framework4.7.2opencvsharp4.8.0更多信息和源码下载参考博文：https://blog.csdn.net
55601编辑于 2025-07-22- 来自专栏贾志刚-OpenCV学堂
TensorRT10.8C++部署YOLO11全系模型
下载YOLO11对象检测预训练模型，直接从下面链接下载即可： https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt 下载YOLO11实例分割预训练模型，直接从下面链接下载即可： https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-seg.pt --onnx=yolo11n.onnx --saveEngine=yolo11n.engine 通过Netron可以查看YOLO11模型的输入与输出格式，截图如是： 可见跟YOLOv8系列模型的输入与输出格式保持一致 TensorRT推理 直接使用我们之前的YOLOv8对象检测代码测试，加载YOLO11n对象检测模型，推理运行如下： 加载YOLO11n实例分割模型，推理运行如下： 加载YOLO11n姿态评估模型，推理运行如下 ： 测试代码如下（已经封装为一个C++的类，只需三行代码即可调用，支持YOLOv8~YOLO13对象检测模型部署推理）： std::shared_ptr<YOLOv81112TRTDetector> detector
12210编辑于 2026-04-02 使用纯opencv部署yolov11-pose姿态估计onnx模型
【算法介绍】 使用纯OpenCV部署YOLOv11-Pose姿态估计ONNX模型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 在使用OpenCV部署YOLOv11-Pose ONNX模型时，需要确保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。 总的来说，使用纯OpenCV部署YOLOv11-Pose ONNX模型需要深入理解相关领域的知识，包括YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式等。 opencv部署yolov11-pose姿态估计onnx模型_哔哩哔哩_bilibili【测试环境】vs2019 cmake==3.24.3 opencv==4.8.0【运行步骤】下载模型：https: winform部署yolov11目标检测的onnx模型，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C++部署yolov8的onnx和bytetrack实现目标追踪，C++使用yolov11
61910编辑于 2025-07-22使用纯opencv部署yolov11-cls图像分类onnx模型
【算法介绍】 在C++中使用纯OpenCV部署YOLOv11-cls图像分类ONNX模型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 部署过程包括以下几个关键步骤： 确保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。 将YOLOv11-cls模型从PyTorch转换为ONNX格式，这通常涉及使用PyTorch的torch.onnx.export函数。 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，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。 总之，使用纯OpenCV在C++中部署YOLOv11-cls图像分类模型需要深入理解YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式。
57410编辑于 2025-07-22- 来自专栏贾志刚-OpenCV学堂
TensorRT10.8 C++部署YOLO11全系模型
下载YOLO11对象检测预训练模型，直接从下面链接下载即可： https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt 下载YOLO11实例分割预训练模型，直接从下面链接下载即可： https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n-seg.pt --onnx=yolo11n.onnx --saveEngine=yolo11n.engine 通过Netron可以查看YOLO11模型的输入与输出格式，截图如是： 可见跟YOLOv8系列模型的输入与输出格式保持一致 TensorRT推理 直接使用我们之前的YOLOv8对象检测代码测试，加载YOLO11n对象检测模型，推理运行如下： 加载YOLO11n实例分割模型，推理运行如下： 加载YOLO11n姿态评估模型，推理运行如下 ： 测试代码如下（已经封装为一个C++的类，只需三行代码即可调用，支持YOLOv8~YOLO13对象检测模型部署推理）： std::shared_ptr<YOLOv81112TRTDetector> detector
13310编辑于 2026-04-02 - 来自专栏贾志刚-OpenCV学堂
OpenCV4 C# YOLO11姿态评估模型部署
https://github.com/shimat/opencvsharp 用 opencvsharp 就可以跟Python、C++一样轻松在C#语言中使用OpenCV SDK完成各种图像处理与深度学习模型推理部署 YOLO11姿态评估模型 YOLO11是YOLOv5跟YOLOv8作者推出最新升级版本模型，支持分类、检测、分割、姿态评估、OBB。 这里以YOLO11姿态评估模型为例，演示OpenCV C#如何运行，YOLO11-pose模型的输入与输出。 (kypt.At<float>(11, 0), kypt.At<float>(11, 1)), Scalar.RandomColor(), 2); Cv2.Line(frame, new Point(kypt.At <float>(11, 0), kypt.At<float>(11, 1)), new Point(kypt.At<float>(13, 0), kypt.At<float>(13, 1)), Scalar.RandomColor
12010编辑于 2026-04-02 C# winform部署yolov11目标检测的onnx模型
：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt （3）导出onnx模型：yolo export model =yolo11n.pt format=onnx dynamic=False opset=12 （4）然后将yolo11.onnx模型放进FIRC\bin\x64\Debug\weights 最后运行项目选择 YOLO全系列、DTER模型、R-CNN系列目标检测算法全详解！，一颗CV视觉AI领域的重磅炸弹！仅更改一行代码就让YOLOV11成为了最成熟、效果最好的目标检测模型！，不愧是GitHub大佬！ 一口气学完DETR⽬标检测、DETR项⽬源码解读、项⽬源码debug逐⾏解读、注意⼒机制的作⽤分析-人工智能，C#使用纯opencvsharp部署yolov8-onnx图像分类模型，用C#部署yolov8 的tensorrt模型进行目标检测winform最快检测速度，C++使用纯opencv部署yolov9的onnx模型 https://www.bilibili.com/video/BV1ic4jehE4C
1K10编辑于 2025-07-22使用纯opencv部署yolov11-seg实例分割onnx模型
【算法介绍】 在C++中使用纯OpenCV部署YOLOv11-seg进行实例分割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 需要注意的是，由于YOLOv11-seg是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11-seg的具体实现进行后处理。 总之，使用纯OpenCV部署YOLOv11-seg需要深入理解模型架构、OpenCV的DNN模块以及ONNX格式。 部署yolov11-seg实例分割onnx模型_哔哩哔哩_bilibili【测试环境】vs2019cmake==3.24.3opencv==4.8.0更多信息和源码下载参考博文：https://blog.csdn.net 机器视觉/人脸检测/计算机视觉/人工智能，易语言部署yolov8的onnx模型，yolov8最新版onnx部署Android安卓ncnn，C# winform使用纯opencvsharp部署yolox-onnx
71210编辑于 2025-07-22C# winform部署yolov11-pose姿态估计onnx模型
【算法介绍】 在C# WinForms应用中部署YOLOv11-Pose姿态估计ONNX模型是一项具有挑战性的任务。 由于YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。 总的来说，虽然使用纯OpenCV部署YOLOv11-Pose ONNX模型需要深入理解相关领域的知识，但通过合理的步骤和优化，可以在C# WinForms应用中实现高效的人体姿态估计功能。 yolov8的tensorrt模型进行目标检测winform最快检测速度，基于C#实现winform版yolov8-onnx+bytetrack目标追踪的算法结果演示，C# winform部署yolov11 -obb旋转框检测onnx模型，C#使用纯opencvsharp部署yolov8-onnx图像分类模型，C# OpenCvSharp读取rtsp流录制mp4，C#部署官方yolov8-obb旋转框检测的
57810编辑于 2025-07-22winform部署官方yolov11-obb旋转框检测的onnx模型
Yolov11-obb通过引入OBB旋转框检测，解决了这一问题。它允许边界框以任意角度存在，更能适应不同方向的目标物体。 此外，Yolov11-obb还采用了一种称为“anchor”的机制，通过预设一系列不同大小和方向的锚点框，来逼近真实的物体位置。 除了旋转框检测，Yolov11-obb还在骨干网络、特征金字塔网络、分类器和回归器等方面进行了优化。 break; } capture.Release(); } } } 【视频演示】 C# winform部署 yolov11-obb旋转框检测onnx模型_哔哩哔哩_bilibili【测试环境】vs2019,netframework4.7.2,onnxruntime1.16.3更多信息和源码下载参考博文：https
56900编辑于 2025-07-22如何部署自己的模型：Pytorch模型部署实践
Pytorch是一个广泛使用的深度学习框架，但是在将模型部署到生产环境中时，需要注意一些细节和技巧。本文将讨论一些Pytorch模型部署的最佳实践。 选择合适的部署方式 在部署Pytorch模型之前，需要选择合适的部署方式。一种常见的方式是使用Flask或Django等Web框架将模型封装成API，以供其他应用程序调用。 另一种方式是使用TorchScript将Pytorch模型转换为可部署的格式。 监控和调试模型 在Pytorch模型部署完成后，您可以通过使用工具来监控模型的运行情况，例如Tensorboard和Prometheus等，来确保模型的稳定性和性能。 首先，需要选择合适的部署方式，包括使用Flask或Django等Web框架将模型封装成API，或使用TorchScript将Pytorch模型转换为可部署的格式。
43210编辑于 2025-12-16- 来自专栏charlieroro
istio部署模型
Istio的部署模型介绍 目录 Istio的部署模型介绍 部署模型 集群模式 单集群 多集群 网络模型 单网络 多网络 控制面模型 身份和信任模型 网格中的信任 网格之间的信任 网格模型 单网格 多网格 实际使用中，需要根据隔离性，性能，以及HA要求来选择合适的部署模型。本章将描述部署Istio时的各种选择和考量。 集群模式 该模式下，应用的负载会运行在多个集群中。 包含一个网络的单集群模型会包含一个控制面，这就是istio最简单的部署模型： ? 单集群的部署比较简单，但同时也缺少一些特性，如故障隔离和转移。如果需要高可用，则应该使用多集群模式。 网络模型 很多生产系统需要多个网络或子网来实现隔离和高可用。Istio支持将一个服务网格部署到多种类型的网络拓扑中。通过这种方式选择符合现有网络拓扑的网络模型。 网格模型 Istio支持在一个网格或联邦网格(也被称为多网格)中部署所有的应用。 单网格 单网格是部署Istio的最简单的方式。在一个网格中，服务名是唯一的。
1.2K20发布于 2020-09-08 - 来自专栏菲宇
docker上部署odoo11
run -d -e POSTGRES_USER=odoo -e POSTGRES_PASSWORD=odoo --name db postgres:9.4 二、安装odoo 1、拉取一个odoo：11 的镜像 docker pull odoo:11 2、制作并运行一个odoo容器，端口映射一个端口。 docker run -p 8069:8069 --name odoo --link db:postgres -t odoo:11 注意：db不能修改，否则odoo运行时会报错。
1.4K10编辑于 2022-12-21 - 来自专栏用户中心项目
DAY-11-项目部署
部署 1.多环境:指同一套项目代码在不同的阶段根据实际情况来调整配置部署到不同的机器上 lombok在编译时已经写好了 why： 每个环境互不影响； 区分不同的阶段：开发/测试/生产 对项目进行优化： Dmaven.test.skip=true" 拖到虚拟机里 chmod a+x user-center-backend-0.0.1-SNAPSHOT.jar(a+x，给所有文件可执行权限) 创建表的语句时建议保存起来 2.项目部署上线 原始前端后端项目 宝塔Linux 容器（把原本部署在服务器上的东西封装成更轻量的应用在服务器上运行） 容器平台 项目部署 需要Linux服务器（建议用Centos8+/7.6以上） 前端：需要web
19500编辑于 2025-10-23 - 来自专栏C++开发学习交流
【AI模型】AI模型部署概述
AI模型部署方法 在AI深度学习模型的训练中，一般会用Python语言实现，原因是其灵活、可读性强。但在AI模型实际部署中，主要会用到C++，原因在于其语言自身的高效性。 AI模型部署框架 模型部署常见的推理框架有：ONNX、NCNN、OpenVINO、 TensorRT、Mediapipe。 AI模型部署平台 AI 模型部署是将训练好的 AI 模型应用到实际场景中的过程。 以下是一些常见的 AI 模型部署平台： 云端部署 云端部署是最流行的 AI 模型部署方式之一，通常使用云计算平台来托管模型和处理请求。 容器化部署 容器化部署是将 AI 模型封装到一个轻量级的容器中，然后在不同的环境中进行部署和运行。容器化部署可以提高可移植性和灵活性，并简化部署过程。
1.8K10编辑于 2024-07-24 - 来自专栏ClearSeve
C++11内存模型
最近看了极客时间——《现代C++实战三十讲》中的内存模型与Atomic一节，感觉对C++的内存模型理解还不是很清楚，看了后面的参考文献以及看了一些好的博客，算是基本了解了，根据参考文献整合一下。 Thread-1: Thread-2: x = 100; // A std::cout << x; // B C++11 C++11的内存模型共有6种，分四类。其中一致性的减弱会伴随着性能的增强。 参考链接 【1】C++11中的内存模型上篇 – 内存模型基础 【2】C++11中的内存模型下篇 – C++11支持的几种内存模型 【3】理解 C++ 的 Memory Order 【4】如何理解 C++ 11 的六种 memory order 【5】《现代C++实战三十讲》中的内存模型与Atomic
1K30编辑于 2022-02-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号