[C#]winform部署yolov5-onnx模型

【官方框架地址】

https://github.com/ultralytics/yolov5
【算法介绍】

Yolov5，全称为You Only Look Once version 5，是计算机视觉领域目标检测算法的一个里程碑式模型。该模型由ultralytics团队开发，并因其简洁高效的特点而备受关注。Yolov5在保留了前代模型（Yolov3）优点的同时，进一步优化了网络结构，提高了检测速度和准确率。

Yolov5的核心思想是利用深度学习和神经网络，对输入的图像进行多尺度特征提取，并利用回归方法预测出图像中目标物体的位置和类别信息。相较于传统的目标检测算法，Yolov5具有更高的检测精度和更快的运行速度。

Yolov5模型结构主要包括三个部分：骨干网络（Backbone）、特征金字塔网络（Feature Pyramid Network）和检测头（Detection Head）。

骨干网络：Yolov5采用了轻量级的网络结构，如CSPDarknet53和EfficientNet等，用于提取图像的多尺度特征。这些网络结构在保持高性能的同时，显著降低了模型的计算复杂度。
特征金字塔网络：特征金字塔网络在骨干网络的基础上，进一步提取多尺度的特征信息，为后续的目标检测提供丰富的特征信息。
检测头：检测头负责根据特征金字塔网络输出的特征信息，进行目标物体的位置和类别预测。Yolov5采用了类似于anchor box的方法，通过预测物体与anchor box的交并比（Intersection over Union）和类别信息，实现目标检测。
相较于前代模型，Yolov5在训练过程中采用了许多优化策略，如数据增强、学习率衰减、知识蒸馏等，进一步提高了模型的性能。此外，Yolov5还支持多任务学习（Multi-task Learning），可以在同一模型中同时进行目标检测、实例分割和关键点检测等任务，提高了模型的泛化能力。

在实际应用中，Yolov5表现出了优秀的性能。在COCO、PASCAL VOC等目标检测数据集上，Yolov5取得了领先于其他算法的准确率。此外，由于Yolov5的简洁高效特点，该模型在移动设备、嵌入式系统等领域也有着广泛的应用前景。

总的来说，Yolov5是计算机视觉领域目标检测算法的一个重要进展。它不仅提高了目标检测的准确率和速度，而且具有较低的计算复杂度和良好的泛化能力。未来，随着深度学习技术的不断发展，相信会有更多优秀的目标检测算法涌现出来，推动计算机视觉领域的技术进步。

【效果展示】

【参考实现部分代码】

using SixLabors.Fonts;
using SixLabors.ImageSharp;
using SixLabors.ImageSharp.Drawing.Processing;
using SixLabors.ImageSharp.PixelFormats;
using SixLabors.ImageSharp.Processing;
using System;
using Yolov5Net.Scorer;
using Yolov5Net.Scorer.Models;
 
using var image = await Image.LoadAsync<Rgba32>("Assets/test.jpg");
{
    using var scorer = new YoloScorer<YoloCocoP5Model>("Assets/Weights/yolov5n.onnx");
    {
        var predictions = scorer.Predict(image);
 
        var font = new Font(new 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 Pen(prediction.Label.Color, 1),
                new PointF(prediction.Rectangle.Left, prediction.Rectangle.Top),
                new PointF(prediction.Rectangle.Right, prediction.Rectangle.Top),
                new PointF(prediction.Rectangle.Right, prediction.Rectangle.Bottom),
                new PointF(prediction.Rectangle.Left, prediction.Rectangle.Bottom)
            ));
 
            image.Mutate(a => a.DrawText($"{prediction.Label.Name} ({score})",
                font, prediction.Label.Color, new PointF(x, y)));
        }
 
        await image.SaveAsync("Assets/result.jpg");
    }
}

原文链接：https://blog.csdn.net/FL1623863129/article/details/135451025