0
0

C# Onnx Yolov5 水果识别，人员识别，物品识别 人工智能

先上效果

来电废话，但实用

**为何照做网络成功案例仍失败？软件与男女关系的启示 **

在网络上看到的成功案例，往往只是呈现了表面的步骤和结果，而忽略了背后诸多复杂的细节和潜在的问题。
就像您提到的软件相关的情况，看似简单的操作，实际上涉及众多组件，版本的不匹配就如同齿轮无法精准咬合，导致整个系统无法顺畅运转。无法下载所需组件更是直接阻断了操作的进行，而系统对某些版本的不兼容，以及某些版本资源的稀缺，都使得我们难以完全复刻所谓的成功。
再以男女关系为例，两个优秀的个体并不意味着就能组成完美的组合。就如同不同规格的零件，尽管各自品质上乘，但如果规格不匹配，强行组合在一起，不仅无法发挥优势，还可能产生冲突和矛盾

网络成功案例实践易失败的原因

A.软件组件复杂
看似简单，实则涉及众多组件。各个版本不匹配，影响正常使用。
B.组件下载受限
部分组件无法下载。
C系统与版本不兼容
某些系统无法安装特定版本。部分版本已无法获取。

万物检测涉及技术

序号软件和技术版本说明1visual studio2022 社区版安装单个必须勾选net5.02Microsoft.ML.Onnx.1.16.2
Microsoft.ML.OnnxRuntime.dll

onnxruntime.dll
3OpenCvSharp4.8安装方式nuget，或者库文件4
SixLabors.Fonts

SixLabors.ImageSharp.Drawing

SixLabors.ImageSharp

1.1

1.0

2.18
5net 架构net5.0net4.7,net4.5,net 4.8 都不行6yolov5n6.onnx模型文件源码自带7yolov58 labelimg1.8labelimg是一款开源的图像标注工具，标签可用于分类和目标检测，它是用python写的

下载合集

1.yovo v5

人工智能神经/yolov5-net

  1. visual studio 2022下载

Visual Studio 2022 IDE - 适用于软件开发人员的编程工具

  1. onnx C#

https://github.com/microsoft/onnxruntime/releases

  1. labelimg 下载

未来之窗新零售app应用市场

进入搜索下载

关键代码

  private void button2_Click(object sender, EventArgs e)
  {
      文识别到数量 = 0;
      listBox1.Items.Clear();
      string 原始路径 = 文件列表[文件序号];
      string 目标路径 = Application.StartupPath + "/result未来之窗/" + System.IO.Path.GetFileName(原始路径) + "_airet" + System.IO.Path.GetExtension(原始路径); ;

      //  var image =   SixLabors.ImageSharp.Image.LoadAsync<Rgba32>(原始路径);
      //SixLabors.ImageSharp.Image
      SixLabors.ImageSharp.Image<Rgba32> 未来之窗img = SixLabors.ImageSharp.Image.Load<Rgba32>(原始路径);

      var scorer = new YoloScorer<YoloCocoP5Model>("Assets/Weights/yolov5n.onnx");

      //   var predictions = scorer.Predict(image);
      var predictions = scorer.Predict(未来之窗img);

      var font = new SixLabors.Fonts.Font(new SixLabors.Fonts.FontCollection().Add("C:/Windows/Fonts/consola.ttf"), 16);

      foreach (var prediction in predictions) // draw predictions
      {
          var score = Math.Round(prediction.Score, 2);

          var (x, y) = (prediction.Rectangle.Left - 3, prediction.Rectangle.Top - 23);

          // image.Mutate(a => a.DrawPolygon(new SixLabors.ImageSharp.Drawing.Processing.Pen(prediction.Label.Color, 1),
          //  未来之窗img.Mutate(a => a.DrawPolygon(new SixLabors.ImageSharp.Drawing.Processing.Pen(prediction.Label.Color, 1),

          //           new SixLabors.ImageSharp.PointF(prediction.Rectangle.Left, prediction.Rectangle.Top),
          //       new SixLabors.ImageSharp.PointF(prediction.Rectangle.Right, prediction.Rectangle.Top),
          //     new SixLabors.ImageSharp.PointF(prediction.Rectangle.Right, prediction.Rectangle.Bottom),
          //     new SixLabors.ImageSharp.PointF(prediction.Rectangle.Left, prediction.Rectangle.Bottom)
          //  ));

          //  未来之窗img.Mutate(a => a.DrawText($"{prediction.Label.Name} ({score})",
          //     font, prediction.Label.Color, new SixLabors.ImageSharp.PointF(x, y)));

          PointF[] 未来之窗point = new PointF[4];
          未来之窗point[0] = new PointF(prediction.Rectangle.Left, prediction.Rectangle.Top);
          未来之窗point[1] = new PointF(prediction.Rectangle.Right, prediction.Rectangle.Top);
          未来之窗point[2] = new PointF(prediction.Rectangle.Right, prediction.Rectangle.Bottom);
          未来之窗point[3] = new PointF(prediction.Rectangle.Left, prediction.Rectangle.Bottom);

          未来之窗img.Mutate(a => a.DrawPolygon(new Pen(prediction.Label.Color, 2), 未来之窗point)

              );

          未来之窗img.Mutate(a => a.DrawText($"{prediction.Label.Name} ({score})",
                font, prediction.Label.Color, new SixLabors.ImageSharp.PointF(x, y)));

          文识别到数量 = 文识别到数量 + 1;

          listBox1.Items.Add(文识别到数量+"：" + prediction.Label.Name);
          lab_识别结果.Text = 文识别到数量 + "个";

      }

      // await image.SaveAsync("Assets/result.jpg");

      //image.SaveAsync(目标路径);
      未来之窗img.SaveAsync(目标路径);

      pictureBox2.Image = System.Drawing.Image.FromFile(目标路径);
  }

全部代码

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
//using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;

using System.IO;

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

using SixLabors.ImageSharp;
using SixLabors.ImageSharp.Processing;
using SixLabors.ImageSharp.PixelFormats;
using SixLabors.ImageSharp.Drawing;

using SixLabors.Fonts;
using SixLabors.ImageSharp;
using SixLabors.ImageSharp.Drawing.Processing;
using SixLabors.ImageSharp.PixelFormats;
using SixLabors.ImageSharp.Processing;

using Yolov5Net.Scorer;
using Yolov5Net.Scorer.Models;

namespace WinFormsApp1trytrty
{
    public partial class Form1 : Form
    {
        private string[] 文件列表;
        private int 文件序号 = 0;

        private int 文识别到数量 = 0;

        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {
            //文件列表
            if (folderBrowserDialog1.ShowDialog() == DialogResult.OK)
            {
                txt_文件夹路径.Text = folderBrowserDialog1.SelectedPath;

                列举文件(folderBrowserDialog1.SelectedPath);

                未来之窗_人工智能_显示图片();
            }
        }

        private void 未来之窗_人工智能_显示图片()
        {
            if (文件序号 < 文件列表.Length && 文件序号 >= 0)
            {
                pictureBox1.Image = System.Drawing.Image.FromFile(文件列表[文件序号]);
            }

        }

        private void 列举文件(String 路径)
        {

            string fileFormat = "*.jpg";

            // 获取指定格式的文件列表

            // 列举文件
            string[] files = Directory.GetFiles(路径, fileFormat);
            文件列表 = files;

            // 输出文件名称
            foreach (string file in files)
            {
                // Console.WriteLine(file);
                // 获取扩展名
                string extension = System.IO.Path.GetExtension(file);
                // MessageBox.Show(""+ extension);
                if (extension.Equals(".jpg"))
                {
                    //文件列表.
                }

            }
        }

        private void button3_Click(object sender, EventArgs e)
        {
            文件序号 = 0;

            列举文件(txt_文件夹路径.Text);

            未来之窗_人工智能_显示图片();
        }

        private void btn_上一个_Click(object sender, EventArgs e)
        {
            if (文件序号 < 文件列表.Length && 文件序号 > 0)
            {
                文件序号 = 文件序号 - 1;
                未来之窗_人工智能_显示图片();
            }
        }

        private void btn_下一个_Click(object sender, EventArgs e)
        {

            if (文件序号 < 文件列表.Length - 1)
            {
                文件序号 = 文件序号 + 1;
                未来之窗_人工智能_显示图片();
            }
        }

        private void button2_Click(object sender, EventArgs e)
        {
            文识别到数量 = 0;
            listBox1.Items.Clear();
            string 原始路径 = 文件列表[文件序号];
            string 目标路径 = Application.StartupPath + "/result未来之窗/" + System.IO.Path.GetFileName(原始路径) + "_airet" + System.IO.Path.GetExtension(原始路径); ;

            //  var image =   SixLabors.ImageSharp.Image.LoadAsync<Rgba32>(原始路径);
            //SixLabors.ImageSharp.Image
            SixLabors.ImageSharp.Image<Rgba32> 未来之窗img = SixLabors.ImageSharp.Image.Load<Rgba32>(原始路径);

            var scorer = new YoloScorer<YoloCocoP5Model>("Assets/Weights/yolov5n.onnx");

            //   var predictions = scorer.Predict(image);
            var predictions = scorer.Predict(未来之窗img);

            var font = new SixLabors.Fonts.Font(new SixLabors.Fonts.FontCollection().Add("C:/Windows/Fonts/consola.ttf"), 16);

            foreach (var prediction in predictions) // draw predictions
            {
                var score = Math.Round(prediction.Score, 2);

                var (x, y) = (prediction.Rectangle.Left - 3, prediction.Rectangle.Top - 23);

                // image.Mutate(a => a.DrawPolygon(new SixLabors.ImageSharp.Drawing.Processing.Pen(prediction.Label.Color, 1),
                //  未来之窗img.Mutate(a => a.DrawPolygon(new SixLabors.ImageSharp.Drawing.Processing.Pen(prediction.Label.Color, 1),

                //           new SixLabors.ImageSharp.PointF(prediction.Rectangle.Left, prediction.Rectangle.Top),
                //       new SixLabors.ImageSharp.PointF(prediction.Rectangle.Right, prediction.Rectangle.Top),
                //     new SixLabors.ImageSharp.PointF(prediction.Rectangle.Right, prediction.Rectangle.Bottom),
                //     new SixLabors.ImageSharp.PointF(prediction.Rectangle.Left, prediction.Rectangle.Bottom)
                //  ));

                //  未来之窗img.Mutate(a => a.DrawText($"{prediction.Label.Name} ({score})",
                //     font, prediction.Label.Color, new SixLabors.ImageSharp.PointF(x, y)));

                PointF[] 未来之窗point = new PointF[4];
                未来之窗point[0] = new PointF(prediction.Rectangle.Left, prediction.Rectangle.Top);
                未来之窗point[1] = new PointF(prediction.Rectangle.Right, prediction.Rectangle.Top);
                未来之窗point[2] = new PointF(prediction.Rectangle.Right, prediction.Rectangle.Bottom);
                未来之窗point[3] = new PointF(prediction.Rectangle.Left, prediction.Rectangle.Bottom);

                未来之窗img.Mutate(a => a.DrawPolygon(new Pen(prediction.Label.Color, 2), 未来之窗point)

                    );

                未来之窗img.Mutate(a => a.DrawText($"{prediction.Label.Name} ({score})",
                      font, prediction.Label.Color, new SixLabors.ImageSharp.PointF(x, y)));

                文识别到数量 = 文识别到数量 + 1;

                listBox1.Items.Add(文识别到数量+"：" + prediction.Label.Name);
                lab_识别结果.Text = 文识别到数量 + "个";

            }

            // await image.SaveAsync("Assets/result.jpg");

            //image.SaveAsync(目标路径);
            未来之窗img.SaveAsync(目标路径);

            pictureBox2.Image = System.Drawing.Image.FromFile(目标路径);
        }
    }
}

实操vs2022安装关键

YOLO V5核心库编译

从未来之窗下载后，直接打开工程文件，编译，会生成

编写自己识别软件

新建net5.0 软件

复制未来之窗代码到对应按钮

更新相关依赖

依赖：OpenCvSharp4.4.8

Microsoft.ML.OnnxRuntime.1.16.2

SixLabors.ImageSharp.2.1.8

SixLabors.ImageSharp.Drawing.1.0.0

SixLabors.Fonts.1.0.0

标注字库文件

consola.ttf 自己网上搜索

至此全部搞完

测试效果

水果识别

人员识别

名词解释YOLO

YOLO（You Only Look Once）是一种基于单个神经网络的目标检测系统，由 Joseph Redmon 和 Ali Farhadi 等人于 2015 年提出。YOLO 算法将目标检测任务转化为一个回归问题，直接在整个图像上使用一个卷积神经网络来预测边界框和类别概率。

YOLO 算法的主要步骤包括：

  1. 图像分割：将输入图片分割成 S×S 网格。
  2. 网格处理：每个单元格预测 B 个边界框以及边界框的置信度，同时预测 C 个类别概率值。
  3. 非极大值抑制：使用非极大值抑制算法去除冗余的边界框，得到最终的检测结果。

YOLO 算法具有速度快、能够捕捉目标的全局信息、减少背景误检等优点。但它也存在一些局限性，例如对于小目标或密集目标的检测效果可能较差。

YOLO 算法有多个版本，如 YOLOv1、YOLOv2、YOLOv3、YOLOv4 和 YOLOv5 等。每个版本都在性能、准确性和速度等方面进行了改进和优化。

在实际应用中，YOLO 算法被广泛用于自动驾驶、智能监控、人脸识别等领域。它为计算机视觉任务提供了一种高效、准确的解决方案。

名词解释ONNX

ONNX 的主要目的是实现不同深度学习框架之间的模型互操作性。这意味着，使用一种框架（如 TensorFlow、PyTorch 等）训练的模型，可以轻松转换为 ONNX 格式，并在支持 ONNX 的其他框架或工具中进行部署和推理。

以下是 ONNX 技术的一些关键特点和优势：

  1. 框架互操作性：方便模型在不同框架之间迁移，减少重复开发工作。
  2. 优化和加速：一些推理引擎和硬件平台针对 ONNX 格式进行了优化，能够提高模型的推理速度。
  3. 便于部署：简化了将模型部署到生产环境的过程，尤其是在需要跨多种硬件和软件环境的情况下。

源码

全部源码已经放本文章，如果需要下载直接使用

联系微信 cybersnow

淘宝链接

首页-未来之窗软件服务-淘宝网

开发接单

直播教学和作者

标签： YOLO c# ONnx
本文转载自: https://blog.csdn.net/cybersnow/article/details/139891095
版权归原作者 未来之窗软件服务 所有， 如有侵权，请联系我们删除。
登录后发布评论

“C# Onnx Yolov5 水果识别，人员识别，物品识别 人工智能”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？

文章导航