C# Onnx Yolov5 水果识别,人员识别,物品识别 人工智能

2024-06-24 03:04

本文主要是介绍C# Onnx Yolov5 水果识别,人员识别,物品识别 人工智能,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

先上效果

来电废话,但实用

网络成功案例实践易失败的原因

万物检测涉及技术

 下载合集

关键代码

全部代码

实操vs2022安装关键

YOLO V5核心库编译

编写自己识别软件

更新相关依赖

标注字库文件

测试效果

名词解释YOLO

名词解释ONNX

源码

直播教学和作者


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net5.0
2Microsoft.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
7yolov5
8 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

2. visual studio 2022下载

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

3. onnx C#

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

5. 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.ImageSixLabors.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.ImageSixLabors.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

 

这篇关于C# Onnx Yolov5 水果识别,人员识别,物品识别 人工智能的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1088996

相关文章

C#基础之委托详解(Delegate)

《C#基础之委托详解(Delegate)》:本文主要介绍C#基础之委托(Delegate),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. 委托定义2. 委托实例化3. 多播委托(Multicast Delegates)4. 委托的用途事件处理回调函数LINQ

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

C#中的 StreamReader/StreamWriter 使用示例详解

《C#中的StreamReader/StreamWriter使用示例详解》在C#开发中,StreamReader和StreamWriter是处理文本文件的核心类,属于System.IO命名空间,本... 目录前言一、什么是 StreamReader 和 StreamWriter?1. 定义2. 特点3. 用

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

如何使用C#串口通讯实现数据的发送和接收

《如何使用C#串口通讯实现数据的发送和接收》本文详细介绍了如何使用C#实现基于串口通讯的数据发送和接收,通过SerialPort类,我们可以轻松实现串口通讯,并结合事件机制实现数据的传递和处理,感兴趣... 目录1. 概述2. 关键技术点2.1 SerialPort类2.2 异步接收数据2.3 数据解析2.

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

C# 委托中 Invoke/BeginInvoke/EndInvoke和DynamicInvoke 方法的区别和联系

《C#委托中Invoke/BeginInvoke/EndInvoke和DynamicInvoke方法的区别和联系》在C#中,委托(Delegate)提供了多种调用方式,包括Invoke、Begi... 目录前言一、 Invoke方法1. 定义2. 特点3. 示例代码二、 BeginInvoke 和 EndI

C#中的 Dictionary常用操作

《C#中的Dictionary常用操作》C#中的DictionaryTKey,TValue是用于存储键值对集合的泛型类,允许通过键快速检索值,并且具有唯一键、动态大小和无序集合的特性,常用操作包括添... 目录基本概念Dictionary的基本结构Dictionary的主要特性Dictionary的常用操作