目录
一.前言
我们在之前的yolov7入门教程中讲到了如何进行环境的安装和python终端运行：
今天我们就来学习一下如何用c++部署yolov7
二.源码下载
c++源码下载地址： https://github.com/UNeedCryDear/yolov7-opencv-dnn-cpp
使用这个源码的要求是opencv 版本>=4.5.0
三.环境安装
opencv安装
竟然要使用opencv，那我们当然要安装opencv了，博主用的是VS 2019去跑的，那么我就说一下VS 2019是如何安装opencv的
由于我们要用GPU去加速，那在c++中就要利用到opencv-cuda去加速，那么这个时候官网的opencv包是不够的，我们同时还需要opencv_contrib的包去编译opencv。那么我们先说要准备的软件。
VS（默认已有）
opencv4.5.5
opencv4.5.5_contrib
cmake
opencv官网：Home - OpenCV
点击官网的library->release
选择opencv-4.5.5的github，并且点击tags
选择4.5.5，下拉，点击opencv4.5.5-vc14_vc15.exe进行下载
下载完之后就会得到opencv的文件夹
opencv_contrib的下载：GitHub - opencv/opencv_contrib: Repository for OpenCV's extra modules
点击tags，选择与opencv相对应的版本
下载好之后我们把，opencv_contrib和opencv放在同一目录下
Cmake下载：CMake
选择较新的版本下载即可，但是记得注意：安装的时候勾选加入path，并且生成cmake-gui。
接下来具体操作，我给大家推荐一个非常好的b站视频教程，按着教程做，问题就全部解决了
视频链接：OpenCV4.5.x+CUDA11.0.x源码编译与YOLOv5加速测试！_哔哩哔哩_bilibili
过程强调：
1.在vs生成中，一定要选择release版本
2.路径一定要写对
3.cuda与cudnn版本一定要对应
4.如果已经vs已经生成好了newbuild，之后如果要重装cuda，那就得重新生成
四.ONNX模型导出
我们之前用python跑yolov7的时候权重都是pt文件，那么在c++中我们用net去读取onnx模型从而进行yolo的推理，所以这里我们需要将pt模型转成onnx模型。
其实很简单，yolov7源码中自带了export.py文件，通过export直接导出。但是在之前我们需要安装onnx模型的插件。这个时候我们打开yolov7，找到里面的requirments。
把这三个#去掉，然后保存，之后在按我之前的教程中说的，在终端用清华镜像重新下载一遍即可
进入我们之前创建好的虚拟环境，输入以下指令
显示success则导出成功，我的建议是不要按照yolov7的官网指令去导出，很容易出错，直接指定一个pt权重路径即可，然后img-size要对应，默认是640 640 不用去修改了。
此时我们把模型放到我们的vs项目文件夹之下
然后在c++源码中该model路径
然后运行进行推理测试：
你会发现用GPU反而要三秒一张照片，这是因为第一次调用GPU需要一定的时间，所以第一次时间比较长。我们试试看处理一百张照片的时间要多久
我们可以看到，大概在15ms左右的样子，速度是还不错的
五.总结
综合博主的这三篇教程：
YOLOv7（目标检测）入门教程详解---环境安装_螺丝工人的博客-CSDN博客
YOLOv7（目标检测）入门教程详解---检测，推理，训练_螺丝工人的博客-CSDN博客YOLOv7（目标检测）入门教程详解---C++部署
已经可以完全自如的利用yolov7进行推理，检测，和训练了。并且同时适用与python环境和c++环境。