​​​​​​​OpenCV-DNN、onnxruntime都可以用于深度学习模型推理，OpenCV从 3.4 版本开始支持 CUDA 和 cuDNN 加速，允许在 NVIDIA GPU 上进行高效推理，支持多种深度学习框架导出的模型格式（如 Caffe、TensorFlow、Darknet、ONNX 等），简化了从训练到部署的过程，但在规模部署或需要利用最新硬件加速技术时可能不如专门针对推理优化的

tensorRT是NVIDIA推出的用于深度学习模型加速的工具库,将Yolov5/Yolov8与TensorRT结合使用，可以在NVIDIA的GPU上进行高效推理。使用C++中使用TensorRT加载和运行Yolov5/Yolov8模型流程主要分为以下三步，附上代码链接：完整代码：https://download.csdn.net/download/qq_36801705/89633517。

tensorRT是NVIDIA推出的用于深度学习模型加速的工具库,将Yolov5/Yolov8与TensorRT结合使用，可以在NVIDIA的GPU上进行高效推理。使用C++中使用TensorRT加载和运行Yolov5/Yolov8模型流程主要分为以下三步，附上代码链接：完整代码：https://download.csdn.net/download/qq_36801705/89633517。

使用pytorch构建ResUnet网络，收集公开数据制作数据集完成标注，训练ct肺区分割模型，导出onnx文件，通过C++调用onnx和RKNN两种方式实现推理。

本文介绍一种端到端的文本行检测方案——先使用 YOLOv5 导进行单字符定位，然后通过自定义的空间聚类算法将离散字符合并为完整文本行。特别适合字符离散、格式固定的 OCR 前处理任务。代码完全基于 OpenCV 和 ONNX Runtime，无深度学习框架依赖。

配置、加载属性表实现VS永久配置Opencv和tensorRT