如何5分钟用 lite.ai.toolkit 跑通 YOLOv5 目标检测Linux 环境配置与编译完整指南【免费下载链接】lite.ai.toolkitA lite C AI toolkit: 100 models with MNN, ORT and TRT, including Det, Seg, Stable-Diffusion, Face-Fusion.项目地址: https://gitcode.com/gh_mirrors/lit/lite.ai.toolkitlite.ai.toolkit 是一个轻量的 C AI 工具箱内置 100 视觉模型的开箱即用推理实现。本文手把手带你完成 Linux 环境配置与编译5 分钟跑通YOLOv5 目标检测从克隆仓库、一键编译到运行示例并得到带检测框的结果图全程无需手动安装 OpenCV 和 ONNXRuntime。为什么选 lite.ai.toolkit 跑 YOLOv5优势说明统一 API一行new lite::cv::detection::YoloV5(...)即可检测前处理/NMS 全封装依赖极少默认只需 OpenCV ONNXRuntime构建时自动下载无需手动编译多后端切换同一模型可跑 ONNXRuntime / MNN / NCNN / TNN / TensorRT官方示例齐全自带 YOLOv5 检测示例编译后直接可执行运行前的 Linux 环境检查 ✅项目要求系统LinuxUbuntu 20.04 LTS 已验证暂不支持 Windows / macOS工具链cmake、gcc/gC17其他无需预装 OpenCV 或 ONNXRuntime首次构建会自动下载到third_party/目录 如果你的机器已装好 cmake 和 gcc就可以直接进入下一步这也是5 分钟的关键。一键编译克隆仓库并运行 build.sh只需 3 条命令完成克隆与编译git clone https://gitcode.com/gh_mirrors/lit/lite.ai.toolkit cd lite.ai.toolkit sh ./build.shbuild.sh 会自动完成以下工作创建build/目录并执行cmakeMinSizeRel 模式-DENABLE_TESTON构建全部示例自动下载OpenCV 4.9.0与ONNXRuntime 1.17.1到third_party/见cmake/opencv.cmake、cmake/onnxruntime.cmakemake -j8编译并make install到build/install/示例可执行文件输出到build/install/bin/。一键运行 YOLOv5 目标检测示例 编译完成后示例程序lite_yolov5已经就位直接运行cd build/install/bin ./lite_yolov5它会自动读取仓库自带的模型与测试图模型examples/hub/onnx/cv/yolov5s.onnx测试图examples/lite/resources/test_lite_yolov5_1.jpg结果输出examples/logs/test_lite_yolov5_1.jpg输入图像原始测试图检测结果YOLOv5 目标检测输出自动画出检测框与置信度控制台会打印输入输出张量维度如1x3x640x640、pred 1x25200x85与检测到的框数量——看到Detected Boxes Num就说明 YOLOv5 目标检测已经跑通了 。示例源码见examples/lite/cv/test_lite_yolov5.cpp核心逻辑只有 6 行auto *yolov5 new lite::cv::detection::YoloV5(onnx_path); // 加载 ONNX 模型 cv::Mat img_bgr cv::imread(test_img_path); std::vectorlite::types::Boxf boxes; yolov5-detect(img_bgr, boxes); // 目标检测 lite::utils::draw_boxes_inplace(img_bgr, boxes); // 画框 cv::imwrite(save_img_path, img_bgr);想集成到自己的工程参考CMakeLists.txt中的 Quick Setupfind_package(lite.ai.toolkit)后链接${lite.ai.toolkit_LIBS}即可详见项目根目录 README 说明。如何切换 MNN / NCNN / TNN / TensorRT 推理引擎 ⚡同一个 YOLOv5 模型换一行类名即可切换后端各后端源码位于lite/mnn/cv/、lite/ncnn/cv/、lite/tnn/cv/、lite/trt/cv/后端检测器类模型格式ONNXRuntime默认lite::cv::detection::YoloV5.onnxMNNlite::mnn::cv::detection::YoloV5.mnnNCNNlite::ncnn::cv::detection::YoloV5.param.binTNNlite::tnn::cv::detection::YoloV5.tnnproto.tnnmodelTensorRTlite::trt::cv::detection::YOLOV5.engine 想用 NVIDIA GPU 加速执行sh ./build.sh tensorrt重新编译需 TensorRT 10.x CUDA 12.x再用trtexec把 ONNX 转为 enginetrtexec --onnxyolov5s.onnx --saveEngineyolov5s.engine。安装步骤见docs/tensorrt/tensorrt-linux-x86_64.zh.md。常见编译与运行问题排查 运行示例报找不到.sobuild/install/下已随包安装好三方库若自行编译示例记得把build/install/lib、build/install/third_party/*/lib加入LD_LIBRARY_PATH。Windows / macOS 无法构建0.2.0版本目前仅支持 Linux见根目录CMakeLists.txt中的平台检查。检测框为空检查模型文件yolov5s.onnx是否存在、输入图像是否为彩色 BGR 格式。想了解模型是怎么转 ONNX 的阅读docs/ort/ort_yolov5.zh.md里面完整记录了 YOLOv5 → ONNX 转换与 C 推理实现原理。关键文件速查表 路径作用examples/lite/cv/test_lite_yolov5.cppYOLOv5 目标检测多后端示例源码lite/ort/cv/yolov5.cpp/yolov5.hONNXRuntime 版 YOLOv5 检测器实现examples/hub/onnx/cv/yolov5s.onnx仓库自带的 YOLOv5s ONNX 模型examples/lite/resources/test_lite_yolov5_1.jpg检测测试图build.sh一键构建脚本默认 / tensorrt 两种模式跑通 YOLOv5 只是开始——同一套写法你可以继续体验 YOLOX、NanoDet、人脸检测、抠图甚至 Stable Diffusion全部示例都在examples/lite/cv/目录下等你探索 【免费下载链接】lite.ai.toolkitA lite C AI toolkit: 100 models with MNN, ORT and TRT, including Det, Seg, Stable-Diffusion, Face-Fusion.项目地址: https://gitcode.com/gh_mirrors/lit/lite.ai.toolkit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
