【git-hub项目：YOLOs-CPP】本地实现03：跑自己的实例分割模型

本节博客，我们继续讲解，如何在cpu+windows上，跑通自己的实例分割模型。

目录

模型

类别名称

量化

导出模型

拉取最新代码

进入官网ultralytics

---

模型

该项目包括存储在 models 和 quantized_models 目录中的各种预训练标准 YOLO 模型：

模型类型	模型名称
标准模型	yolo5-n6.onnx
	yolo7-tiny.onnx
	yolo8n.onnx
	yolo8n-seg.onnx
	yolo10n.onnx
	yolo11n.onnx
	yolo11n-seg.onnx
量化模型	yolo5-n6_uint8.onnx
	yolo7-tiny-uint8.onnx
	yolo8n_uint8.onnx
	yolo8n-seg_uint8.onnx
	yolo10n_uint8.onnx
	yolo11n_uint8.onnx
	yolo11n-seg_uint8.onnx

你也可以使用带有自定义类别的自定义 YOLO 版本！

比如，我们用ultralytics训练好的实例分割模型best.pt，我们再用原生的ultralytics转onnx方式，转为best.onnx。如下：

类别名称

• coco.names：包含模型所使用的类别标签列表。

这里，我们也要修改coco.names，改为自己的标签！

量化

quantized_models 目录中包含针对低精度推理优化的 YOLO 模型的量化版本。此外，quantized_models/yolos_quantization.py 脚本可用于对自定义 YOLO 模型进行自定义量化。

注意：量化模型具有模型体积更小的优势，并且在准确性略有下降的情况下，可能实现更快的推理速度。

我们先不量化试一下：

修改源码：

然后，点击重新生成！

并且，运行exe，但是，你会发现，没有出结果。

怎么办呢？我们查看项目源码，发现，后来支持了seg：

但是，源码还是det【目标检测】。

因此，我们将源码从原始代码：

/*** @file image_inference.cpp* @brief Object detection in a static image using YOLO models (v5, v7, v8, v10).* * This file implements an object detection application that utilizes YOLO * (You Only Look Once) models, specifically versions 5, 7, 8, and 10. * The application loads a specified image, processes it to detect objects, * and displays the results with bounding boxes around detected objects.** The application supports the following functionality:* - Loading a specified image from disk.* - Initializing the YOLO detector with the desired model and labels.* - Detecting objects within the image.* - Drawing bounding boxes around detected objects and displaying the result.** Configuration parameters can be adjusted to suit specific requirements:* - `isGPU`: Set to true to enable GPU processing for improved performance; *   set to false for CPU processing.* - `labelsPath`: Path to the class labels file (e.g., COCO dataset