当前位置：首页 > news >正文

基于C#部署YoloV5目标检测模型

news 2025/8/19 11:29:13

C# YOLOv5目标检测代码详细分析

概述

使用C#和OpenCvSharp库部署YOLOv5目标检测模型，可以对静态图像和视频流(包括摄像头和视频文件)进行目标检测。

![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/d1cf3e24c9fc472db766689c59800905.png

依赖库

using OpenCvSharp;           // OpenCV的C#封装库
using OpenCvSharp.Dnn;       // 深度神经网络模块
using OpenCvSharp.Extensions; // 扩展方法
using System.Drawing;        // .NET图像处理
using System.Windows.Forms;  // Windows窗体应用

数据结构定义

DetParam 结构体

检测参数配置结构体，用于控制模型推理行为：

public struct DetParam
{public int modelWidth;           // 模型输入宽度（通常320, 416, 640等）public int modelHeight;          // 模型输入高度（通常320, 416, 640等）public double confidenceThreshold; // 置信度阈值（0.0-1.0）public bool outResultBmp;       // 是否输出带检测框的结果图像
}

DetResult 结构体

检测结果结构体，存储单个检测目标的信息：

public struct DetResult
{public int index;        // 类别索引public string label;     // 类别标签名称public double confidence; // 检测置信度public Rect box;         // 边界框坐标（x, y, width, height）
}

CvDet 核心检测类

类成员变量

private Net net;                    // OpenCV DNN网络对象
public List<string> classNames;     // 类别名称列表
int inpHeight = 320;               // 默认输入高度
int inpWidth = 320;                // 默认输入宽度

模型加载方法

ReadModel 方法负责加载ONNX模型和类别标签文件：

public bool ReadModel(string modelPath, string classesPath)

功能流程：

使用 CvDnn.ReadNetFromOnnx() 加载ONNX格式的YOLOv5模型
从文本文件中逐行读取类别名称
异常处理确保加载过程的稳定性

注意事项：

模型文件必须是ONNX格式
类别文件每行一个类别名称，顺序对应模型输出的类别索引

图像检测方法

Detect 方法是核心的目标检测功能：

输入验证和预处理

Mat srcImage = BitmapConverter.ToMat(inputBmp);
if(srcImage.Channels() == 1)
{Cv2.CvtColor(srcImage, srcImage, ColorConversionCodes.GRAY2BGR);
}

将Bitmap转换为OpenCV的Mat格式
确保图像为3通道BGR格式

图像尺寸调整

Mat resizeMat = ResizeImage(srcImage, out newHeight, out newWidth, out paddingHeight, out paddingWidth);

调用自定义的 ResizeImage 方法，保持长宽比的同时调整到模型输入尺寸。

创建输入Blob

Mat blob = CvDnn.BlobFromImage(resizeMat, 1/255.0, new OpenCvSharp.Size(detParam.modelWidth, detParam.modelHeight), new Scalar(0, 0, 0), true, false);

参数说明：

1/255.0: 像素值归一化到[0,1]范围
true: 交换R和B通道（BGR转RGB）
false: 不进行图像裁剪

模型推理

net.SetInput(blob);
Mat[] outBlobs = new Mat[3] { new Mat(), new Mat(), new Mat() };
string[] outBlobNames = net.GetUnconnectedOutLayersNames().ToArray();
net.Forward(outBlobs, outBlobNames);

设置网络输入
获取输出层名称
执行前向推理

输出处理和解析

int numProposal = outBlobs[0].Size(0);
int nout = outBlobs[0].Size(1);
if (outBlobs[0].Dims > 2)
{numProposal = outBlobs[0].Size(1);nout = outBlobs[0].Size(2);outBlobs[0] = outBlobs[0].Reshape(0, numProposal);
}

适配不同版本YOLOv5的输出格式。

候选框提取（核心算法）

unsafe
{float* pdata = (float*)outBlobs[0].Data;for (int n = 0; n < numProposal; n++){float boxScore = pdata[4];  // 目标存在概率if (boxScore >= detParam.confidenceThreshold){// 获取类别概率Mat scores = outBlobs[0].Row(rowIndex).ColRange(5, nout);Cv2.MinMaxLoc(scores, out minVal, out maxVal, out minLoc, out maxLoc);maxVal = maxVal * boxScore;  // 最终置信度if (maxVal >= detParam.confidenceThreshold){// 坐标还原float cx = (pdata[0] - paddingWidth) * Math.Max(ratiow, ratioh);float cy = (pdata[1] - paddingHeight) * Math.Max(ratiow, ratioh);float w = pdata[2] * Math.Max(ratiow, ratioh);float h = pdata[3] * Math.Max(ratiow, ratioh);int left = (int)(cx - 0.5 * w);int top = (int)(cy - 0.5 * h);// 保存检测结果confidences.Add((float)maxVal);boxes.Add(new Rect(left, top, (int)w, (int)h));classIds.Add(classIndex);}}pdata += nout;  // 指针移动到下一个候选框}
}

YOLOv5输出格式解析：

pdata[0], pdata[1]: 中心点坐标 (cx, cy)
pdata[2], pdata[3]: 宽度和高度 (w, h)
pdata[4]: 目标存在概率 (objectness score)
pdata[5:]: 各类别概率分布

非极大值抑制（NMS）

float nmsThreshold = 0.5f;
CvDnn.NMSBoxes(boxes, confidences, (float)detParam.confidenceThreshold, nmsThreshold, out indices);

消除重叠的检测框，保留最优结果。

结果可视化

if(detParam.outResultBmp)
{Cv2.Rectangle(resultImage, /* 绘制边界框 */);Cv2.PutText(resultImage, /* 添加标签文本 */);
}

视频检测方法

DetectVedio 方法与图像检测基本相同，主要区别：

输入参数为 Mat 而非 Bitmap
输出为 Mat 类型的结果图像
适用于视频流的实时处理

图像预处理方法

ResizeImage 方法实现保持长宽比的图像缩放：

核心算法

float hw_scale = (float)srch / srcw;
if (hw_scale > 1)  // 图像高度大于宽度
{newh = inpHeight;neww = (int)(inpWidth / hw_scale);// 左右填充left = (int)((inpWidth - neww) * 0.5);Cv2.CopyMakeBorder(dstimg, dstimg, 0, 0, left, inpWidth - neww - left, BorderTypes.Constant);
}
else  // 图像宽度大于高度
{newh = (int)(inpHeight * hw_scale);neww = inpWidth;// 上下填充top = (int)((inpHeight - newh) * 0.5);Cv2.CopyMakeBorder(dstimg, dstimg, top, inpHeight - newh - top, 0, 0, BorderTypes.Constant);
}

填充策略：

计算长宽比例
按比例缩放到合适尺寸
使用黑色像素填充剩余区域
确保输出尺寸符合模型要求

使用示例

// 初始化检测器
CvDet detector = new CvDet();// 加载模型
bool success = detector.ReadModel("yolov5s.onnx", "coco.names");// 设置检测参数
DetParam param = new DetParam
{modelWidth = 640,modelHeight = 640,confidenceThreshold = 0.5,outResultBmp = true
};// 执行检测
Bitmap inputImage = new Bitmap("test.jpg");
List<DetResult> results = detector.Detect(inputImage, param, out Bitmap resultImage);// 处理检测结果
foreach(var result in results)
{Console.WriteLine($"类别: {result.label}, 置信度: {result.confidence:F2}");
}