使用 Java 自动加载 OpenCV 调用 YOLO 模型检测

基于 Java 实现 OpenCV 自动加载与 YOLO 模型目标检测，通过 Maven 引入含原生库的依赖，利用 System.loadLibrary() 自动加载环境。流程涵盖图片读取、预处理、ONNX 推理及后处理绘制。支持 Windows/Linux 跨平台，适配 YOLOv8 模型，提供图片与摄像头实时检测方案，无需手动配置环境变量或复制 DLL/SO 文件。

神经兮兮发布于 2026/3/21更新于 2026/4/182 浏览

使用 Java 自动加载 OpenCV 来调用 YOLO 模型检测

你希望通过 Java 代码自动加载 OpenCV 库（无需手动配置环境变量、无需手动放置 dll/so 文件），并基于此调用 YOLO 模型完成目标检测，下面为你提供一套完整、可直接运行的落地方案，包含自动加载逻辑、YOLO 检测全流程，且适配 Windows/Linux 跨平台场景。

一、核心原理说明

Java 自动加载 OpenCV 的核心是：通过 Maven 引入包含「原生库（dll/so）」的 OpenCV 依赖，在代码启动时通过 System.loadLibrary() 自动加载原生库，无需手动配置环境变量或复制库文件，实现'开箱即用'。

YOLO 模型调用选择ONNX 格式（跨平台、Java 端支持成熟），搭配 ONNX Runtime 实现高效推理，整体流程为： 自动加载 OpenCV → 读取图片/摄像头 → 预处理（适配 YOLO 输入） → ONNX 模型推理 → 后处理（解析检测结果） → 绘制检测框

二、环境准备（一键配置）

1. Maven 依赖（pom.xml）

新建 Maven 项目，替换 pom.xml 内容，自动引入 OpenCV（含原生库）和 ONNX Runtime：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <groupId>com.example</groupId>
    <artifactId>java-opencv-yolo</artifactId>
    <version>1.0-SNAPSHOT</version>
    <dependencies>
        <!-- OpenCV：自动包含 Windows/Linux 原生库，无需手动配置 -->
        <>
            org.openpnp
            opencv
            4.8.1-1
        
        
        
            ai.onnxruntime
            onnxruntime
            1.16.3
            
            windows-x86_64
            
            
            
            
            
        
    
    
        
            
            
                org.apache.maven.plugins
                maven-compiler-plugin
                3.8.1
                
                    8
                    8

相关免费在线工具

Keycode 信息

查找任何按下的键的javascript键代码、代码、位置和修饰符。在线工具，Keycode 信息在线工具，online

Escape 与 Native 编解码

JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。在线工具，Escape 与 Native 编解码在线工具，online

JavaScript / HTML 格式化

使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。在线工具，JavaScript / HTML 格式化在线工具，online

JavaScript 压缩与混淆

Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。在线工具，JavaScript 压缩与混淆在线工具，online

加密/解密文本

使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。在线工具，加密/解密文本在线工具，online

RSA密钥对生成器

生成新的随机RSA私钥和公钥pem证书。在线工具，RSA密钥对生成器在线工具，online

import ai.onnxruntime.OrtEnvironment; import ai.onnxruntime.OrtSession; import org.opencv.core.*; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Imgproc; import org.opencv.videoio.VideoCapture; import java.util.ArrayList; import java.util.Collections; import java.util.List; /** * Java 自动加载 OpenCV + YOLOv8 检测 * 核心特性：无需手动配置 OpenCV 环境，一键运行 */ public class YoloDetector { // ========== 配置项（新手可修改） ========== private static final String YOLO_MODEL_PATH = "./model/yolov8n.onnx"; // 模型路径 private static final int INPUT_SIZE = 416; // 模型输入尺寸（和导出时一致） private static final float CONF_THRESHOLD = 0.5f; // 置信度阈值（过滤低置信结果） private static final float IOU_THRESHOLD = 0.45f; // IOU 阈值（去除重叠框） // YOLOv8 默认 80 类（COCO 数据集） private static final List<String> CLASS_NAMES = List.of( "person", "bicycle", "car", "motorcycle", "airplane", "bus", "train", "truck", "boat", "traffic light", "fire hydrant", "stop sign", "parking meter", "bench", "bird", "cat", "dog", "horse", "sheep", "cow", "elephant", "bear", "zebra", "giraffe", "backpack", "umbrella", "handbag", "tie", "suitcase", "frisbee", "skis", "snowboard", "sports ball", "kite", "baseball bat", "baseball glove", "skateboard", "surfboard", "tennis racket", "bottle", "wine glass", "cup", "fork", "knife", "spoon", "bowl", "banana", "apple", "sandwich", "orange", "broccoli", "carrot", "hot dog", "pizza", "donut", "cake", "chair", "couch", "potted plant", "bed", "dining table", "toilet", "tv", "laptop", "mouse", "remote", "keyboard", "cell phone", "microwave", "oven", "toaster", "sink", "refrigerator", "book", "clock", "vase", "scissors", "teddy bear", "hair drier", "toothbrush" ); // ========== 核心：自动加载 OpenCV（启动时执行） ========== static { try { // 自动加载 OpenCV 原生库（无需手动配置环境变量） System.loadLibrary(Core.NATIVE_LIBRARY_NAME); System.out.println("[成功] OpenCV 自动加载完成，版本：" + Core.VERSION); } catch (Exception e) { // 加载失败直接抛出异常，方便排查 throw new RuntimeException("[失败] OpenCV 加载失败，请检查 Maven 依赖", e); } } // ONNX Runtime 环境和会话（全局单例，避免重复加载） private OrtEnvironment ortEnv; private OrtSession ortSession; /** * 初始化 YOLO 模型 */ public YoloDetector() { try { // 初始化 ONNX Runtime 环境 ortEnv = OrtEnvironment.getEnvironment(); // 加载 YOLO ONNX 模型 ortSession = ortEnv.createSession(YOLO_MODEL_PATH, new OrtSession.SessionOptions()); System.out.println("[成功] YOLO 模型加载完成"); } catch (Exception e) { throw new RuntimeException("[失败] YOLO 模型加载失败，请检查模型路径", e); } } /** * 图片预处理：适配 YOLO 模型输入要求 * @param originalImg 原始图片（OpenCV Mat 格式） * @return 预处理后的输入张量（CHW 格式，归一化） */ private Mat preprocess(Mat originalImg) { Mat resizedImg = new Mat(); // 1. 缩放图片为 416x416（模型输入尺寸） Imgproc.resize(originalImg, resizedImg, new Size(INPUT_SIZE, INPUT_SIZE)); // 2. 通道转换：OpenCV 默认 BGR → YOLO 训练用 RGB Imgproc.cvtColor(resizedImg, resizedImg, Imgproc.COLOR_BGR2RGB); // 3. 归一化：像素值 0-255 → 0-1 resizedImg.convertTo(resizedImg, CvType.CV_32FC3, 1.0 / 255.0); // 4. 维度转换：HWC（高宽通道）→ CHW（通道高宽，YOLO 要求） List<Mat> channels = new ArrayList<>(); Core.split(resizedImg, channels); Mat chwImg = new Mat(); Core.merge(channels, chwImg); // 5. 增加批量维度：[3,416,416] → [1,3,416,416] return chwImg.reshape(1, 1); } /** * 模型推理：调用 YOLO 模型输出检测结果 * @param inputMat 预处理后的输入矩阵 * @return 模型输出的一维浮点数组 */ private float[] infer(Mat inputMat) { try { // 构建 ONNX 输入张量（匹配模型输入格式） OrtSession.InputTensor inputTensor = OrtSession.InputTensor.createTensor( ortEnv, inputMat.getNativeObjAddr(), new long[]{1, 3, INPUT_SIZE, INPUT_SIZE}, // 输入维度 org.onnxruntime.TypeInfo.TensorType.FLOAT ); // 执行推理 OrtSession.Result result = ortSession.run(Collections.singletonMap( ortSession.getInputNames().iterator().next(), inputTensor )); // 解析输出为浮点数组 return (float[]) result.getOutputs().get(0).get().getObject(); } catch (Exception e) { throw new RuntimeException("推理失败", e); } } /** * 后处理：解析推理结果，过滤无效框，去除重叠框 * @param outputs 模型输出数组 * @param originalImg 原始图片（用于还原坐标） * @return 有效检测结果列表 */ private List<DetectionResult> postprocess(float[] outputs, Mat originalImg) { List<DetectionResult> validResults = new ArrayList<>(); int imgWidth = originalImg.cols(); int imgHeight = originalImg.rows(); int numClasses = CLASS_NAMES.size(); int numDetections = outputs.length / (5 + numClasses); // 候选框数量 // 遍历所有候选框 for (int i = 0; i < numDetections; i++) { int offset = i * (5 + numClasses); // 解析框坐标（归一化）和置信度 float x = outputs[offset]; // 框中心 x float y = outputs[offset + 1]; // 框中心 y float w = outputs[offset + 2]; // 框宽度 float h = outputs[offset + 3]; // 框高度 float conf = outputs[offset + 4];// 置信度 // 过滤低置信度结果 if (conf < CONF_THRESHOLD) continue; // 找到置信度最高的类别 float maxClsConf = 0; int clsId = 0; for (int j = 0; j < numClasses; j++) { float clsConf = outputs[offset + 5 + j]; if (clsConf > maxClsConf) { maxClsConf = clsConf; clsId = j; } } // 归一化坐标 → 原始图片像素坐标 int x1 = (int) ((x - w / 2) * imgWidth); int y1 = (int) ((y - h / 2) * imgHeight); int x2 = (int) ((x + w / 2) * imgWidth); int y2 = (int) ((y + h / 2) * imgHeight); // 防止坐标超出图片范围 x1 = Math.max(0, x1); y1 = Math.max(0, y1); x2 = Math.min(imgWidth - 1, x2); y2 = Math.min(imgHeight - 1, y2); validResults.add(new DetectionResult(x1, y1, x2, y2, conf * maxClsConf, clsId)); } // 执行 NMS（非极大值抑制），去除重叠框 return nms(validResults); } /** * NMS 非极大值抑制：去除重叠检测框 */ private List<DetectionResult> nms(List<DetectionResult> results) { List<DetectionResult> nmsResults = new ArrayList<>(); if (results.isEmpty()) return nmsResults; // 按置信度降序排序 Collections.sort(results, (a, b) -> Float.compare(b.confidence, a.confidence)); boolean[] suppressed = new boolean[results.size()]; for (int i = 0; i < results.size(); i++) { if (suppressed[i]) continue; DetectionResult current = results.get(i); nmsResults.add(current); // 抑制重叠框 for (int j = i + 1; j < results.size(); j++) { if (suppressed[j]) continue; DetectionResult other = results.get(j); if (calculateIoU(current, other) > IOU_THRESHOLD) { suppressed[j] = true; } } } return nmsResults; } /** * 计算交并比（IOU）：判断两个框的重叠程度 */ private float calculateIoU(DetectionResult a, DetectionResult b) { int interX1 = Math.max(a.x1, b.x1); int interY1 = Math.max(a.y1, b.y1); int interX2 = Math.min(a.x2, b.x2); int interY2 = Math.min(a.y2, b.y2); if (interX2 <= interX1 || interY2 <= interY1) return 0; float interArea = (interX2 - interX1) * (interY2 - interY1); float aArea = (a.x2 - a.x1) * (a.y2 - a.y1); float bArea = (b.x2 - b.x1) * (b.y2 - b.y1); return interArea / (aArea + bArea - interArea); } /** * 绘制检测结果：在图片上画框 + 类别 + 置信度 */ private void drawResults(Mat img, List<DetectionResult> results) { for (DetectionResult result : results) { // 绘制绿色矩形框 Imgproc.rectangle(img, new Point(result.x1, result.y1), new Point(result.x2, result.y2), new Scalar(0, 255, 0), 2); // 绘制类别和置信度 String label = CLASS_NAMES.get(result.clsId) + " " + String.format("%.2f", result.confidence); Imgproc.putText(img, label, new Point(result.x1, result.y1 - 10), Imgproc.FONT_HERSHEY_SIMPLEX, 0.5, new Scalar(0, 255, 0), 1); } } /** * 图片检测：单次检测本地图片 * @param imgPath 输入图片路径 * @param savePath 结果保存路径 */ public void detectImage(String imgPath, String savePath) { // 读取原始图片 Mat originalImg = Imgcodecs.imread(imgPath); if (originalImg.empty()) { System.err.println("无法读取图片：" + imgPath); return; } // 全流程执行 Mat inputMat = preprocess(originalImg); // 预处理 float[] outputs = infer(inputMat); // 推理 List<DetectionResult> results = postprocess(outputs, originalImg); // 后处理 drawResults(originalImg, results); // 绘制结果 // 保存结果 Imgcodecs.imwrite(savePath, originalImg); System.out.println("图片检测完成！结果保存至：" + savePath); System.out.println("检测到目标数量：" + results.size()); } /** * 摄像头实时检测：调用本地摄像头实时检测 */ public void detectCamera() { // 打开摄像头（0 为默认摄像头） VideoCapture cap = new VideoCapture(0); if (!cap.isOpened()) { System.err.println("无法打开摄像头"); return; } Mat frame = new Mat(); while (true) { // 读取摄像头帧 cap.read(frame); if (frame.empty()) break; // 检测全流程 Mat inputMat = preprocess(frame); float[] outputs = infer(inputMat); List<DetectionResult> results = postprocess(outputs, frame); drawResults(frame, results); // 显示实时画面 Imgproc.imshow("YOLOv8 Real-Time Detection", frame); // 按 ESC 键退出（27 为 ESC 的 ASCII 码） if (Imgproc.waitKey(1) == 27) break; } // 释放资源 cap.release(); Imgproc.destroyAllWindows(); } /** * 检测结果实体类 */ static class DetectionResult { int x1, y1, x2, y2; // 检测框坐标 float confidence; // 置信度 int clsId; // 类别 ID public DetectionResult(int x1, int y1, int x2, int y2, float confidence, int clsId) { this.x1 = x1; this.y1 = y1; this.x2 = x2; this.y2 = y2; this.confidence = confidence; this.clsId = clsId; } } /** * 主函数：测试入口 */ public static void main(String[] args) { YoloDetector detector = new YoloDetector(); // 测试 1：图片检测（替换为你的图片路径） detector.detectImage("test.jpg", "result.jpg"); // 测试 2：摄像头实时检测（注释掉上面，打开下面） // detector.detectCamera(); } }

问题现象	核心原因	解决方案
OpenCV 加载失败	依赖不匹配/系统架构不对	核对 pom.xml 中 OpenCV 版本，确认 ONNX Runtime 的 classifier 匹配当前系统
YOLO 模型加载失败	模型路径错误/文件损坏	检查 `YOLO_MODEL_PATH` 是否正确，重新导出 ONNX 模型
图片检测无结果	置信度阈值太高/图片模糊	降低 `CONF_THRESHOLD` 到 0.3，换清晰的测试图片
推理报'维度不匹配'	模型导出尺寸和代码不一致	确保导出时 `imgsz=416`，代码中 `INPUT_SIZE=416`
摄像头无法打开	摄像头被占用/权限不足	关闭其他占用摄像头的程序，Linux 下需赋予摄像头权限（`chmod 777 /dev/video0`）

使用 Java 自动加载 OpenCV 调用 YOLO 模型检测

使用 Java 自动加载 OpenCV 来调用 YOLO 模型检测

一、核心原理说明

二、环境准备（一键配置）

1. Maven 依赖（pom.xml）

更多推荐文章

相关免费在线工具

2. YOLO 模型准备（导出 ONNX 格式）

三、完整代码实现（自动加载+YOLO 检测）

四、运行测试（新手傻瓜式操作）

1. 图片检测测试

2. 摄像头实时检测

五、常见问题排查（自动加载 + 检测）

总结

使用 Java 自动加载 OpenCV 调用 YOLO 模型检测

使用 Java 自动加载 OpenCV 来调用 YOLO 模型检测

一、核心原理说明

二、环境准备（一键配置）

1. Maven 依赖（pom.xml）

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

2. YOLO 模型准备（导出 ONNX 格式）

三、完整代码实现（自动加载+YOLO 检测）

四、运行测试（新手傻瓜式操作）

1. 图片检测测试

2. 摄像头实时检测

五、常见问题排查（自动加载 + 检测）

总结