[C#]winform部署yolov8图像分类的openvino格式的模型

【官方框架地址】

https://github.com/ultralytics/ultralytics
【openvino介绍】

OpenVINO是一个针对Intel硬件优化的开源工具包，用于优化和部署深度学习模型。以下是OpenVINO部署模型的主要优点：

1. 高性能：OpenVINO提供了一系列性能优化工具，如模型量化和剪枝等，可以在Intel硬件平台上实现高性能和低延迟的推理。
2. 多平台支持：OpenVINO支持多种Intel硬件平台，包括CPU、GPU和FPGA等，可以在不同的硬件平台上进行优化和部署。
3. 多框架支持：OpenVINO支持多种流行的深度学习框架，如TensorFlow、PyTorch和Caffe等，可以方便地将已有的模型集成到OpenVINO中。
4. 简化部署：OpenVINO提供了一系列的工具和API，可以简化模型的部署和集成，使得开发者可以更快速地将模型部署到生产环境中。
5. 预训练模型：OpenVINO提供了一系列的预训练模型，可以直接使用这些模型进行推理，也可以在这些模型的基础上进行微调和优化。
6. 灵活性：OpenVINO提供了灵活的部署选项，可以将模型部署到本地设备、云端或边缘设备上，以满足不同的应用场景需求。
7. 丰富的文档和社区支持：OpenVINO作为一个开源项目，拥有丰富的文档和活跃的社区支持，方便开发者学习和解决问题。
8. 易用性：OpenVINO的接口简洁明了，易于使用，可以快速上手进行模型部署。

综上所述，OpenVINO在部署模型方面具有高性能、多平台支持、多框架支持、简化部署、预训练模型、灵活性、丰富的文档和社区支持以及易用性等优点。这些优点使得OpenVINO成为了一个强大而可靠的深度学习模型部署工具。
【效果展示】

【实现部分代码】

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

namespace FIRC
{
    public partial class Form1 : Form
    {
        Mat src = new Mat();
        Yolov8ClsManager detector = new Yolov8ClsManager();
        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {
            OpenFileDialog openFileDialog = new OpenFileDialog();
            openFileDialog.Filter = "图文件(*.*)|*.jpg;*.png;*.jpeg;*.bmp";
            openFileDialog.RestoreDirectory = true;
            openFileDialog.Multiselect = false;
            if (openFileDialog.ShowDialog() == DialogResult.OK)
            {
              
                src = Cv2.ImRead(openFileDialog.FileName);

                pictureBox1.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(src);


            }


        }

        private void button2_Click(object sender, EventArgs e)
        {
            if(pictureBox1.Image==null)
            {
                return;
            }

            var result = detector.Inference(src);
            var resultMat = detector.DrawImage(result,src);
            pictureBox2.Image= OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultMat); //Mat转Bitmap
        }

        private void Form1_Load(object sender, EventArgs e)
        {
            detector.LoadWeights(Application.StartupPath+ "\\weights\\yolov8n-cls.xml");
        }

        private void button3_Click(object sender, EventArgs e)
        {
            VideoCapture capture = new VideoCapture(0);
            if (!capture.IsOpened())
            {
                Console.WriteLine("video not open!");
                return;
            }
            Mat frame = new Mat();
            var sw = new Stopwatch();
            int fps = 0;
            while (true)
            {

                capture.Read(frame);
                if (frame.Empty())
                {
                    Console.WriteLine("data is empty!");
                    break;
                }
                sw.Start();
                var result = detector.Inference(src);
                var resultMat = detector.DrawImage(result, src);
                sw.Stop();
                fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
                sw.Reset();
                Cv2.PutText(resultMat, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
                //显示结果
                Cv2.ImShow("Result", resultMat);
                int key = Cv2.WaitKey(10);
                if (key == 27)
                    break;
            }

            capture.Release();
        }
    }
}

【视频演示】

https://www.bilibili.com/video/BV1RK4y1q7qX/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee
【测试环境】
vs2019,netframework4.7.2