C# Onnx Yolov5 水果识别，人员识别，物品识别 人工智能

2024-06-24 03:04
文章标签 识别 c# onnx yolov5 人工智能 物品 水果 人员 netcore .net

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# 中变量未赋值能用吗，各种类型的初始值是什么

C# 中变量未赋值能用吗，各种类型的初始值是什么

对于一个局部变量，如果未赋值，是不能使用的 对于属性，未赋值，也能使用有系统默认值，默认值如下： 对于 int 类型，默认值是 0；对于 int? 类型，默认值是 null；对于 bool 类型，默认值是 false；对于 bool? 类型，默认值是 null；对于 string 类型，默认值是 null；对于 string? 类型，哈哈，没有这种写法，会出错；对于 DateTime 类型，默
阅读更多...
人工智能机器学习算法总结神经网络算法(前向及反向传播)

人工智能机器学习算法总结神经网络算法(前向及反向传播)

1.定义，意义和优缺点 定义: 神经网络算法是一种模仿人类大脑神经元之间连接方式的机器学习算法。通过多层神经元的组合和激活函数的非线性转换，神经网络能够学习数据的特征和模式，实现对复杂数据的建模和预测。(我们可以借助人类的神经元模型来更好的帮助我们理解该算法的本质，不过这里需要说明的是，虽然名字是神经网络，并且结构等等也是借鉴了神经网络，但其原型以及算法本质上还和生物层面的神经网络运行原理存在
阅读更多...
C#中，decimal类型使用

C#中，decimal类型使用

在Microsoft SQL Server中numeric类型，在C#中使用的时候，需要用decimal类型与其对应，不能使用int等类型。 SQL：numeric C#：decimal
阅读更多...
人工智能做音乐

人工智能做音乐

0 别人做的音乐demo https://yun.baidu.com/share/link?shareid=1799925478&uk=840708891 1 为什么人工智能能做音乐？ 最下面蓝色的部分是你输入的音乐。 从上图可以看出，input是一个个的点，然后通过input来相互结合生成灰色的点，经过几层的连接之后，最后的Output就是新生成的音乐，也就是黄色的点。 把黄色的点
阅读更多...
基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别

基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别

转发来源：https://swift.ctolib.com/ooooverflow-chinese-ocr.html chinese-ocr 基于CTPN（tensorflow）+CRNN（pytorch）+CTC的不定长文本检测和识别 环境部署 sh setup.sh 使用环境： python 3.6 + tensorflow 1.10 +pytorch 0.4.1 注：CPU环境
阅读更多...
百度OCR识别结构结构化处理视频

百度OCR识别结构结构化处理视频

https://edu.csdn.net/course/detail/10506
阅读更多...
Pycharm配置conda环境(解决新版本无法识别可执行文件问题)

Pycharm配置conda环境(解决新版本无法识别可执行文件问题)

引言: 很多小伙伴在下载最新版本的pycharm或者更新到最新版本后为项目配置conda环境的时候，发现文件夹目录中无法显示可执行文件(一般为python.exe)，以下就是本人遇到该问题后试验和解决该问题的一些方法和思路。 一般遇到该问题的人群有两种，一种是刚入门对pycharm进行conda环境配置的小白(例如我)，不熟悉相关环境配置的操作和过程，还有一种是入坑pycharm有段时间的老手
阅读更多...
神经网络第四篇：推理处理之手写数字识别

神经网络第四篇：推理处理之手写数字识别

到目前为止，我们已经介绍完了神经网络的基本结构，现在用一个图像识别示例对前面的知识作整体的总结。本专题知识点如下： MNIST数据集图像数据转图像神经网络的推理处理批处理  MNIST数据集          mnist数据图像 MNIST数据集由0到9的数字图像构成。像素取值在0到255之间。每个图像数据都相应地标有“7”、“2”、“1”等数字标签。MNIST数据集中，
阅读更多...
“人工智能+”带来新变化

“人工智能+”带来新变化

以生成式人工智能（AIGC）为代表的新一代人工智能技术创新加速演进，相关商业化应用成果也不断涌现，行业应用范围不断拓展，深度赋能实体经济，为行业提质增效与实现减排提供助力。 自主航运初创公司OrcaAI于6月18日发布研究报告显示，通过在海上航行中部署人工智能（AI），全球商业航运业每年可减少碳排放4700万吨。报告指出，借助AI技术，船员将能够得到实时提醒，因近距离遭遇
阅读更多...
江西电信联合实在智能举办RPA数字员工培训班，培养“人工智能+”电信人才

江西电信联合实在智能举办RPA数字员工培训班，培养“人工智能+”电信人才

近日，江西电信与实在智能合作的2024年数字员工开发应用培训班圆满闭幕。包括省公司及11个分公司的核心业务部门，超过40名学员积极报名参与此次培训，江西电信企业信息化部门总监徐建军出席活动并致辞，风控支撑室主任黄剑主持此次培训活动。 在培训会开幕仪式上，徐建军强调，科创是电信企业发展的核心动力，学习RPA技术是实现数字化转型的关键，他阐述了RPA在提高效率、降低成本和优化资源方面的价值，并鼓励学
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2