2023.01.11 更新：
新增加onnxruntime的1.13.x版本支持。
由于onnxruntime从1.12升级到1.13之后，GetOutputName（）这个API变成了GetOutputNameAllocated（），坑就出现在这里，新版api的返回值是一个unique_ptr指针，这就意味着他使用一次时候就失效了，所以在循环跑模型的时候基本的第二次都报错了。目前能想到的解决方法就是将其使用std::move()转成shared_ptr，这样可以在类生命周期之内都能存在，不会出现跑第一次就挂掉的情况。
2022.12.19更新：
新增onnxruntime推理实例分割模型，支持动态推理和批次推理，避免opencv不支持动态推理的尴尬境地。
2022.11.10更新：
上次的版本更新中，抠图是在最后的mask中抠图，而如果目标多并且目标小的话，特征图中的大部分区域都是无效数据，但是却参与了特征掩码与特征图计算mask图像的过程，在最后的步骤中才抠图去掉多余的无效数据。所以新版本我做了改变，直接从特征图中抠出有效区域进行计算，可以节省一大部分的时间，特别是检测框多，并且检测框都比较小的情况下效果更明显。
2022.10.13更新：
yolov5的实例分割结果mask从原来的整张图片的mask改成检测结果框内mask，节省内存空间和计算的速度，特别是计算crop区域和分割结果大于阈值的速度，这里用整张图的话，图片越大，检测结果越多，速度下降的厉害，也就是作者讲的计算分割结果需要的资源昂贵。贴个领带的mask结果示意图就明显看出来改动了：左边是整张图的mask，可以看到大部分黑色区域都是无效区域。
yolov5-seg分割模型目前已经发布了，而yolov7-mask目前由于opencv无法正确的读取问题，加上这个分支本身需要facebook的第三方库（这个库win下不好弄），所以一直没搞，opencv或者onnxruntime部署还在研究中，先开个贴占坑。
详细信息请移步：
yolov5-seg：https://github.com/ultralytics/yolov5
yolov7-mask：GitHub - WongKinYiu/yolov7 at mask
需要注意的是，有些人使用的是最新的torch1.12.x版本，在导出onnx的时候需要将do_constant_folding=True,这句换成false，否者dnn读取不了onnx文件，而onnxrutime可以，具体原因未知。
torch.onnx.export(
model.cpu() if dynamic else model, # --dynamic only compatible with cpu
im.cpu() if dynamic else im,
f,
verbose=False,
opset_version=opset,
do_constant_folding=False,
input_names=['images'],
output_names=output_names,
dynamic_axes=dynamic or None)需要运行自己模型的小伙伴，需要跟你你自己的onnx导出情况，修改一些参数，包括，其中_segWidth和_segWidth和_segChannels可以通过https://netron.app/
const int _netWidth = 640; //ONNX图片输入宽度
const int _netHeight = 640; //ONNX图片输入高度
const int _segWidth = 160;
const int _segHeight = 160;
const int _segChannels = 32;
const int _strideSize = 3; //stride size
其中，output0为目标检测的输出口+32通道mask的候选特征，与ouput1的mask图像proto叉乘之后得到缩小的mask图，再根据缩放情况进行缩放得到最终的mask图。
最后贴一张结果图：
yolov5的实例分割模型目前已经更新，详细地址在：GitHub - UNeedCryDear/yolov5-seg-opencv-dnn-cpp: 使用opencv-dnn部署yolov5实例分割模型
测试模型可以自己导出或者用我导出的测试，建议跑自己模型的小伙伴先将demo跑通再去修改成自己的模型。
测试模型：
