C#目标检测计数实战：从零搭建基于YOLOv5的物体计数系统

1次阅读

没有评论

共计 2814 个字符，预计需要花费 8 分钟才能阅读完成。

在传统 OpenCV 方案中，开发者常遇到以下问题：

遮挡处理差：基于颜色或轮廓的算法在物体重叠时容易漏检
多线程支持弱：OpenCV 的 DNN 模块在多线程环境下常出现内存访问冲突
模型更新困难：每次更换检测模型需重新编译 C ++ 扩展

而 YOLOv5 作为当前最流行的实时检测框架，其优势在于：

单阶段检测速度可达 140FPS（RTX3060）
内置数据增强策略提升小物体识别率
提供完善的预训练模型库

对比直接部署方案：

方案	优点	缺点
TensorFlow 直接调用	原生 API 支持	依赖庞大(>500MB)
PyTorch C++ 前端	模型兼容性好	需要复杂的环境配置
ONNX Runtime	跨平台 / 轻量(~20MB)	需模型转换

ONNX Runtime 特别适合 C# 生态因为：

微软官方维护的 ML.NET 原生集成
支持 CUDA 和 DirectML 双加速后端
内存占用仅为 TensorFlow 的 1 /5

使用官方 export.py 脚本时需注意：

python export.py --weights yolov5s.pt --include onnx --dynamic

--dynamic参数必须开启以适应不同输入尺寸
建议测试时使用 --img 640 固定输入分辨率
输出层名称需记录（默认是output0）

using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;

// GPU 加速配置（需要安装 CUDA 版 NuGet 包）var options = SessionOptions.MakeSessionOptionWithCudaProvider(0); 
var session = new InferenceSession("yolov5s.onnx", options);

// 构造输入 Tensor（示例为 640x640 RGB 图像）var inputTensor = new DenseTensor<float>(new[] {1, 3, 640, 640});
// 图像预处理代码...

// 执行推理
var inputs = new List<NamedOnnxValue> 
{NamedOnnxValue.CreateFromTensor("images", inputTensor) 
};
using var results = session.Run(inputs);

核心 NMS 处理逻辑：

// 置信度阈值和 IOU 阈值设置
const float confidenceThreshold = 0.6f;
const float iouThreshold = 0.5f;

// 解析输出层数据
var outputArray = results.First().AsTensor<float>().ToArray();

// 筛选高置信度检测框
var boxes = new List<BoundingBox>();
for (int i = 0; i < outputArray.Length; i += 85) 
{if (outputArray[i + 4] > confidenceThreshold)
    {
        boxes.Add(new BoundingBox(outputArray[i..(i+4)], 
            outputArray[i + 4],
            Array.IndexOf(outputArray, outputArray[(i+5)..(i+85)].Max()) + 5
        ));
    }
}

// 非极大抑制
boxes = boxes.OrderByDescending(b => b.Confidence).ToList();
for (int i = 0; i < boxes.Count; i++)
{for (int j = i + 1; j < boxes.Count; j++)
    {if (CalculateIoU(boxes[i], boxes[j]) > iouThreshold)
        {boxes.RemoveAt(j);
            j--;
        }
    }
}

// 最终计数结果
int objectCount = boxes.Count;

建议复用输入输出 Tensor：

// 初始化时预分配内存
var inputBuffer = System.Buffers.MemoryPool<float>.Shared.Rent(3 * 640 * 640);

// 每次推理时重用
inputTensor = new DenseTensor<float>(inputBuffer.Memory, new[] {1, 3, 640, 640});

当处理视频流时，建议攒帧处理：

// 修改输入维度为 NCHW
var batchTensor = new DenseTensor<float>(new[] {batchSize, 3, 640, 640});

// 实测性能对比（RTX3060）// 单帧: 12ms  批处理 8 帧: 45ms  (提升 4.2 倍吞吐量)

常见错误：

忘记添加 batch 维度（应为 [1,3,640,640] 而非[3,640,640]）
通道顺序错误（YOLOv5 需要 RGB 格式）

安全调用模式：

// 每个线程独立 Session
[ThreadStatic] 
private static InferenceSession _threadSession;

// 或者使用 Session 池
ConcurrentBag<InferenceSession> _sessionPool = new();

改进方案：

提高输入分辨率（–img 1280）
使用更密集的 anchor 配置（修改 models/yolov5s.yaml）
后处理添加边缘检测（Sobel 算子）

关键注释示例：

/// <summary>
/// 计算两个检测框的交并比
/// </summary>
/// <param name="box1"> 第一个检测框的 xywh 坐标 </param>
/// <param name="box2"> 第二个检测框的 xywh 坐标 </param>
/// <returns>0- 1 之间的 IOU 值 </returns>
private static float CalculateIoU(BoundingBox box1, BoundingBox box2)
{// 实现代码...}

后续优化方向：