Con respecto al conjunto de datos personalizados de entrenamiento de Yolo5, consulte este tutorial: Conjunto de datos personalizados de entrenamiento de YOLO5
Enlace del proyecto completo (VS2022)
: https://pan.baidu.com/s/17jQUx-Dp0YYC4YWzYLs0AA?pwd=yzj9
Código de extracción: yzj9
1. YOLO exporta el modelo ONNX
Modifique los parámetros en export.py (como se muestra a continuación) y ejecute la exportación ONNX
2. Configuración y compilación del archivo Yolov5Net.Scorer.dll
Biblioteca dll de inferencia de modelo C # ONNX:
https://github.com/mentalstack/yolov5-net
Después de modificar el archivo del modelo según el modelo, compile el dll y haga referencia a este dll en el proyecto
public class YoloCocoP5Model : YoloModel
{
//输入图像大小
public override int Width {
get; set; } = 640;
public override int Height {
get; set; } = 640;
public override int Depth {
get; set; } = 3;
/// <summary>
/// 对象种类数 注意：此值=对象实际种类数+5
/// </summary>
public override int Dimensions {
get; set; } = 6;
public override int[] Strides {
get; set; } = new int[] {
8, 16, 32 };
public override int[][][] Anchors {
get; set; } = new int[][][]
{
new int[][] {
new int[] {
010, 13 }, new int[] {
016, 030 }, new int[] {
033, 023 } },
new int[][] {
new int[] {
030, 61 }, new int[] {
062, 045 }, new int[] {
059, 119 } },
new int[][] {
new int[] {
116, 90 }, new int[] {
156, 198 }, new int[] {
373, 326 } }
};
public override int[] Shapes {
get; set; } = new int[] {
80, 40, 20 };
//阈值设定，大于此阈值才识别
public override float Confidence {
get; set; } = 0.40f;
public override float MulConfidence {
get; set; } = 0.25f;
public override float Overlap {
get; set; } = 0.45f;
//ONNX模型的输出变量名称，可在https://netron.app/中查看
public override string[] Outputs {
get; set; } = new[] {
"output0" };
public override List<YoloLabel> Labels {
get; set; } = new List<YoloLabel>()
{
//模型中的对象的种类信息
new YoloLabel {
Id = 0, Name = "Stop-Sign" },
};
public override bool UseDetect {
get; set; } = true;
public YoloCocoP5Model()
{
}
}
Tres modelos de C# para inferencia
El entorno de compilación del proyecto C# es >=.NET5. En este caso se utiliza .NET6 y es
necesario instalar las siguientes bibliotecas:
Microsoft.ML.OnnxRuntime (tiempo de ejecución ONNX)
OpenCvSharp4.Extensions (utilizado para objetos enmarcados de imágenes de salida)
OpenCvSharp4.Windows (utilizado para objetos enmarcados de imagen de salida)
Al mismo tiempo, debe citar el compilado en el paso anterior: Yolov5Net.Scorer.dll
Código de prueba:
using Yolov5Net.Scorer.Models;
using Yolov5Net.Scorer;
using OpenCvSharp;
using System.Windows.Forms;
using Point = OpenCvSharp.Point;
namespace YOLO_WinformDemo
{
/// <summary>
/// 此项目使用.NET6编译
/// </summary>
public partial class Form1 : Form
{
YoloScorer<YoloCocoP5Model> scorer;
string filePath = "";
public Form1()
{
InitializeComponent();
//加载模型地址
scorer = new YoloScorer<YoloCocoP5Model>(Application.StartupPath+ "\\onnx\\best.onnx");
}
private void btn_selectFile_Click(object sender, EventArgs e)
{
OpenFileDialog openFile=new OpenFileDialog();
if(openFile.ShowDialog() == DialogResult.OK)
{
filePath = openFile.FileName;
using var image = Image.FromFile(openFile.FileName);
picbox_Display.BackgroundImage = AddInfoToImage(image);
}
}
/// <summary>
/// 使用Opensharp4给识别对象加框和标注
/// </summary>
/// <param name="inputImage"></param>
/// <returns></returns>
public Image AddInfoToImage(Image inputImage)
{
List<YoloPrediction> predictions = scorer.Predict(inputImage);
if (predictions.Count == 0) {
return inputImage;
}
else
{
Mat inputMat = Cv2.ImRead(filePath, ImreadModes.Color);
foreach (YoloPrediction prediction in predictions)
{
Point p1 = new Point(prediction.Rectangle.X, prediction.Rectangle.Y);//矩形左上顶点
Point p2 = new Point(prediction.Rectangle.X+ prediction.Rectangle.Width, prediction.Rectangle.Y + prediction.Rectangle.Height);//矩形右下顶点
Point p3 = new Point(prediction.Rectangle.X, prediction.Rectangle.Y - 60);
Scalar scalar = new Scalar(0, 0, 255);
Cv2.Rectangle(inputMat, p1, p2, scalar, 7);
Cv2.PutText(inputMat, prediction.Label.Name+" "+ Math.Round(prediction.Score,2), p3, HersheyFonts.HersheyDuplex, 2, scalar, 4);
}
return OpenCvSharp.Extensions.BitmapConverter.ToBitmap(inputMat);
}
}
}
}
Resultados de la prueba: