C#与YOLO实战：基于人工智能的目标检测系统开发指南

1次阅读

共计 1737 个字符，预计需要花费 5 分钟才能阅读完成。

目标检测是计算机视觉领域中的一项核心技术，广泛应用于安防监控、自动驾驶、工业质检等场景。与传统的图像分类任务不同，目标检测不仅要识别出图像中的物体类别，还需要精确标定物体的位置和大小。这给开发者带来了双重挑战：既要保证检测精度，又要兼顾实时性。

传统方法的局限性 ：早期基于手工特征（如 HOG、SIFT）的检测算法往往计算复杂度高，且对不同场景的适应性差
深度学习的突破 ：随着卷积神经网络（CNN）的发展，Faster R-CNN、SSD、YOLO 等算法显著提升了检测效果
实际开发痛点 ：模型部署困难、运行速度慢、多平台兼容性差等问题困扰着 C# 开发者

YOLO（You Only Look Once）以其独特的单阶段检测框架脱颖而出。与 Faster R-CNN 等两阶段检测器不同，YOLO 将目标检测视为回归问题，直接在网络输出层预测边界框和类别概率。

网络结构革新 ：通过 Darknet 骨干网络提取特征，采用多尺度预测提高小目标检测能力
速度优势 ：单次前向传播即可完成检测，典型 YOLOv5 模型在 1080Ti 上可达 140FPS
版本演进对比 ：
YOLOv3：引入多尺度预测和更深的骨干网络
YOLOv4：加入 CSP 结构和 PANet 特征金字塔
YOLOv5：采用 PyTorch 实现，简化部署流程

安装 NuGet 包：Microsoft.ML.OnnxRuntime（用于推理 ONNX 格式模型）
下载预训练 YOLO 模型（建议从 Ultralytics 官方获取 PyTorch 转 ONNX 的模型）

// 1. 模型加载
var session = new InferenceSession("yolov5s.onnx");

// 2. 图像预处理
var inputTensor = new DenseTensor<float>(new[] {1, 3, 640, 640});
using (var image = Image.Load<Rgb24>("test.jpg"))
{
    // 缩放到模型输入尺寸
    var resized = image.Clone(x => x.Resize(640, 640));

    // 归一化像素值到 0 - 1 范围
    for (int y = 0; y < resized.Height; y++)
    {for (int x = 0; x < resized.Width; x++)
        {var pixel = resized[x, y];
            inputTensor[0, 0, y, x] = pixel.R / 255f;
            inputTensor[0, 1, y, x] = pixel.G / 255f;
            inputTensor[0, 2, y, x] = pixel.B / 255f;
        }
    }
}

// 3. 执行推理
var inputs = new List<NamedOnnxValue> 
{NamedOnnxValue.CreateFromTensor("images", inputTensor) 
};
var results = session.Run(inputs);

// 4. 后处理（非极大值抑制）var output = results.First().AsTensor<float>();
var boxes = ParseYoloOutput(output, confidenceThreshold: 0.5f);