C#中结合YOLO算法的实战入门：从环境配置到目标检测

1次阅读

没有评论

共计 2528 个字符，预计需要花费 7 分钟才能阅读完成。

作为一名 C# 开发者，想要在项目中集成 YOLO 目标检测算法可能会面临一些挑战。本文将从实际应用的角度出发，手把手教你如何在.NET 环境中实现 YOLO 模型的集成和应用。

在 C# 中调用深度学习模型，主要有以下几种方案：

ONNX Runtime：微软推出的跨平台推理引擎，支持多种硬件加速
ML.NET：微软的机器学习框架，对.NET 开发者友好但功能有限
直接调用 Python：通过进程间通信调用 Python 脚本，性能较差

对于 YOLO 这类复杂的视觉模型，ONNX Runtime 是最佳选择，它提供了高性能的推理能力，并且与 C# 生态融合良好。

首先需要准备开发环境：

安装 Visual Studio 2019 或更高版本
通过 NuGet 安装以下包：
Microsoft.ML.OnnxRuntime
OpenCvSharp4
OpenCvSharp4.runtime.win

// 示例：安装 NuGet 包
Install-Package Microsoft.ML.OnnxRuntime
Install-Package OpenCvSharp4
Install-Package OpenCvSharp4.runtime.win

YOLO 模型需要先转换为 ONNX 格式。可以使用官方工具或第三方库进行转换。

// 创建推理会话
var session = new InferenceSession("yolov5s.onnx");

// 获取输入输出信息
var inputName = session.InputMetadata.Keys.First();
var inputMeta = session.InputMetadata[inputName];

YOLO 模型对输入图像有特定要求，需要进行归一化和尺寸调整。

// 使用 OpenCV 进行图像预处理
var image = Cv2.ImRead("test.jpg");
var resized = new Mat();
Cv2.Resize(image, resized, new Size(640, 640));

// 转换为 float32 并归一化
var inputTensor = new DenseTensor<float>(new[] {1, 3, 640, 640});
for (int y = 0; y < resized.Height; y++)
{for (int x = 0; x < resized.Width; x++)
    {var pixel = resized.At<Vec3b>(y, x);
        inputTensor[0, 0, y, x] = pixel[2] / 255.0f; // R
        inputTensor[0, 1, y, x] = pixel[1] / 255.0f; // G
        inputTensor[0, 2, y, x] = pixel[0] / 255.0f; // B
    }
}

// 创建输入数据容器
var inputs = new List<NamedOnnxValue>
{NamedOnnxValue.CreateFromTensor(inputName, inputTensor)
};

// 执行推理
using var results = session.Run(inputs);

YOLO 模型的输出需要后处理才能得到检测框和类别信息。

// 获取输出张量
var output = results.First().AsTensor<float>();

// 解析检测结果
var detections = new List<Detection>();
for (int i = 0; i < output.Dimensions[1]; i++)
{
    // 过滤低置信度的检测
    if (output[0, i, 4] > 0.5)
    {
        var detection = new Detection
        {ClassId = (int)output[0, i, 5],
            Confidence = output[0, i, 4],
            Box = new Rect((int)(output[0, i, 0] * image.Width),
                (int)(output[0, i, 1] * image.Height),
                (int)(output[0, i, 2] * image.Width),
                (int)(output[0, i, 3] * image.Height)
            )
        };
        detections.Add(detection);
    }
}

// 准备多个输入图像
var batchInput = new DenseTensor<float>(new[] {batchSize, 3, 640, 640});

// 执行批处理推理
var batchResults = session.Run(new[] {NamedOnnxValue.CreateFromTensor(inputName, batchInput) });

// 创建支持 GPU 的会话
var sessionOptions = new SessionOptions();
sessionOptions.AppendExecutionProvider_CUDA();
var session = new InferenceSession("yolov5s.onnx", sessionOptions);

建议使用 INT8 量化模型，可以显著减少模型大小和提升推理速度。