使用C#调用Yolo26模型的ONNX
ONNX 和 ONNX RuntimeONNX，即开放式神经网络交换，是由 Facebook 和 Microsoft 最初开发的社区项目。ONNX 的持续开发是一项协作努力，得到了 IBM、Amazon（通过 AWS）和 Google 等各种组织的支持。该项目旨在创建一种开放文件格式，用于以允许跨不同 AI 框架和硬件使用机器学习模型的方式来表示它们。将 Ultralytics YOLO26 模型导出为 ONNX 格式可简化部署，并确保在各种环境中实现最佳性能。由于讨厌CSDN的收费文章，作者自己研究了如何在C#中使用yolo导出的onnx模型实现图像检测功能，并支持最新的yolo26，免费分享给大家。
演示效果如：
代码：
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
namespace onnxRuner
{
public partial class Form1 : Form
{
string image_path;
string mode_path= "modes/";//模型文件路径yolo26n.onnxyolov8n.onnx yolo11n.onnx
public Form1()
{
InitializeComponent();
cmbModes.SelectedIndex = 0;
}
private void btnOpenFile_Click(object sender, EventArgs e)
{
OpenFileDialog ofd=new OpenFileDialog();
ofd.Filter = "图片文件|*.jpg;*.jpeg;*.png;*.bmp;";
if (ofd.ShowDialog() == DialogResult.OK) {
image_path = ofd.FileName;
pictureBox1.Image = new Bitmap(image_path);
}
}
private void btnRunYoloOnnx_Click(object sender, EventArgs e)
{
if (image_path == "")
{
return;
}
pictureBox2.Image = null;
lbmsg.Text = "";
Application.DoEvents();
//初始化YOLO实例 参数填你的onnx模型路径即可
using (var yolo = new YoloOnnxDetector(mode_path+cmbModes.Text))
{
// 加载待检测图像
using (var image = new Mat(image_path))
{
// 进行推理
DateTime dt1 = DateTime.Now;
List<Prediction> predictions = yolo.Predict(image);
// 在图像上绘制检测结果
foreach (var pred in predictions)
{
Cv2.Rectangle(image, pred.Box, Scalar.Red, 2);
string label = $"{pred.Label} ({pred.Confidence:P2})";
Cv2.PutText(image, label, new OpenCvSharp.Point(pred.Box.X, pred.Box.Y - 5),
HersheyFonts.HersheySimplex, 0.5, Scalar.Red, 1);
}
// 显示或保存结果图像
pictureBox2.Image = new Bitmap(image.ToMemoryStream());
lbmsg.Text =$"共检测出{predictions.Count}个结果，耗时:{(DateTime.Now-dt1).TotalMilliseconds}ms";
}
}
}
}
}核心类：
using Microsoft.ML.OnnxRuntime;using Microsoft.ML.OnnxRuntime.Tensors;using OpenCvSharp;using System;using System.Collections.Generic;using System.Linq;namespace onnxRuner{ /// /// YOLO ONNX 目标检测器类 /// 实现完整的图像预处理、模型推理、后处理流程 /// public class YoloOnnxDetector : IDisposable { private InferenceSession _session; // ONNX Runtime 推理会话实例 private readonly Size _modelSize = new Size(640, 640); // YOLOv8标准输入尺寸 bool _isYolo26 = false;//yolo26特殊格式 public Dictionary _Names = new Dictionary(0);//类别名称字典 /// /// 构造函数 - 初始化 YOLOv8 ONNX 检测器 /// 功能：创建ONNX推理会话，加载类别标签，准备模型运行环境 /// 注意：此构造函数会加载整个模型到内存，耗时操作应在程序初始化时执行 /// /// ONNX模型文件路径（.onnx文件） public YoloOnnxDetector(string modelPath) { // 初始化ONNX Runtime推理会话，加载模型文件 _session = new InferenceSession(modelPath); var metadata = _session.ModelMetadata.CustomMetadataMap; if (metadata.ContainsKey("description")) { _isYolo26 = metadata["description"].Contains("YOLO26"); } if (metadata.ContainsKey("names")) { _Names = ParseNames(metadata["names"]); } } privateDictionary ParseNames(string names) { var nameList = names.TrimStart('{').TrimEnd('}').Split(','); var list = new Dictionary(nameList.Length); foreach (var it in nameList) { int index = it.IndexOf(":"); if (int.TryParse(it.Substring(0, index), out int i)) list.Add(i, it.Substring(index + 2).Trim('\'')); } return list; } /// /// 主预测函数 - 执行完整的目标检测流程 /// 功能：协调预处理、模型推理、后处理三个核心步骤 /// 这是类的主要对外接口，接收原始图像返回检测结果 /// /// 输入的OpenCV Mat图像对象 /// 检测结果列表，包含边界框、置信度、类别标签 public List Predict(Mat image) { // 步骤1：图像预处理 - 将原始图像转换为模型输入格式 var input = PreprocessImage(image); // 步骤2：准备模型输入 - 创建ONNX Runtime可识别的输入对象 var inputs = new List { NamedOnnxValue.CreateFromTensor("images", input) // 输入名称必须与模型匹配 }; // 步骤3：模型推理 - 执行ONNX模型前向计算 using (IDisposableReadOnlyCollection results = _session.Run(inputs)) { // 步骤4：后处理 - 解析模型输出，应用过滤和优化 return Postprocess(results, image); } } /// /// 图像预处理函数 /// 功能：将原始BGR图像转换为YOLOv8模型期望的输入格式 /// 处理流程： /// 1. 调整图像尺寸到640x640（保持长宽比可能会丢失，实际应用可改进） /// 2. 转换色彩空间BGR→RGB（模型训练通常使用RGB格式） /// 3. 像素值归一化到范围（提高模型数值稳定性） /// 4. 转换为NCHW格式张量（模型标准输入格式） /// /// 原始OpenCV图像（BGR格式，任意尺寸） /// 预处理后的4维张量，可直接输入ONNX模型 private DenseTensor PreprocessImage(Mat image) { // 步骤1：调整图像尺寸到模型输入大小（640x640） // 注意：此处直接缩放可能失真，生产环境建议保持宽高比 Mat resized = new Mat(); Cv2.Resize(image, resized, _modelSize); // 步骤2：转换色彩空间 BGR → RGB // OpenCV默认BGR格式，但大多数模型训练使用RGB格式 Mat rgb = new Mat(); Cv2.CvtColor(resized, rgb, ColorConversionCodes.BGR2RGB); // 步骤3：创建4维张量 var tensor = new DenseTensor(new[] { 1, 3, _modelSize.Height, _modelSize.Width }); // 步骤4：逐像素处理，填充张量数据 // 使用嵌套循环确保数据布局正确，避免内存拷贝错误 for (int y = 0; y < rgb.Height; y++) { for (int x = 0; x < rgb.Width; x++) { // 获取RGB像素值 Vec3b pixel = rgb.At(y, x); // 归一化到并按照NCHW格式填充 tensor = pixel / 255.0f; // R通道 tensor = pixel / 255.0f; // G通道 tensor = pixel / 255.0f; // B通道 } } return tensor; } /// /// 后处理函数 - 解析模型原始输出并提取有意义信息 /// 功能：将模型输出的数值张量转换为实际检测结果 /// 处理流程： /// 1. 提取模型输出张量（格式） /// 2. 解析每个检测框的坐标和类别置信度 /// 3. 应用置信度阈值过滤低质量检测 /// 4. 将归一化坐标转换回原始图像像素坐标 /// 5. 应用非极大值抑制去除重复检测 /// /// ONNX Runtime推理结果集合 /// 原始图像（用于坐标映射） /// 结构化检测结果列表 private List Postprocess(IDisposableReadOnlyCollection results, Mat originalImage) { var predictions = new List(); float confidenceThreshold = 0.5f;// 置信度阈值，过滤不可靠检测 // 步骤1：获取模型输出张量（假设第一个输出包含检测结果） if (_isYolo26) { if (results.Value is DenseTensor tensor) { // 检查维度: ，YOLO26模型输出格式 if (tensor.Dimensions.Length < 3 || tensor.Dimensions != 6) return null; int detectionsCount = tensor.Dimensions; // 检测框数量 int featureSize = 6; // 每个检测框的特征数量：x1,y1,x2,y2,confidence,class var tensorSpan = tensor.Buffer.Span; for (int i = 0; i < detectionsCount; i++) { int offset = i * featureSize; float score = tensorSpan; // 置信度 if (scoremaxConfidence) { maxConfidence = confidence; classId = j - 4;// 减去4个坐标维度得到类别索引 } } // 步骤2.2：应用置信度阈值过滤 if (maxConfidence > confidenceThreshold && classId >= 0) { // 步骤2.3：解析边界框坐标 float cx = output;// 边界框中心x坐标（归一化） float cy = output;// 边界框中心y坐标（归一化） float w = output; // 边界框宽度（归一化） float h = output; // 边界框高度（归一化） // 步骤2.4：将归一化坐标转换为原始图像像素坐标 // 从中心点格式转换为左上角坐标格式 float x1 = (cx - w / 2) * originalImage.Width / _modelSize.Width; float y1 = (cy - h / 2) * originalImage.Height / _modelSize.Height; float x2 = (cx + w / 2) * originalImage.Width / _modelSize.Width; float y2 = (cy + h / 2) * originalImage.Height / _modelSize.Height; // 步骤2.5：确保坐标在图像边界内（防止越界错误） x1 = Math.Max(0, Math.Min(x1, originalImage.Width)); y1 = Math.Max(0, Math.Min(y1, originalImage.Height)); x2 = Math.Max(0, Math.Min(x2, originalImage.Width)); y2 = Math.Max(0, Math.Min(y2, originalImage.Height)); // 步骤2.6：创建检测结果对象并添加到列表 predictions.Add(new Prediction { Box = new Rect((int)x1, (int)y1, (int)(x2 - x1), (int)(y2 - y1)), Confidence = maxConfidence, Label = _Names }); } } } // 步骤3：应用非极大值抑制去除重叠检测框 return ApplyNMS(predictions); } /// /// 非极大值抑制函数 (NMS - Non-Maximum Suppression) /// 功能：消除重叠的检测框，保留每个物体最好的检测结果 /// 算法原理： /// 1. 按置信度降序排序所有检测框 /// 2. 选择置信度最高的框作为基准 /// 3. 计算其他框与基准框的IoU（交并比） /// 4. 移除IoU超过阈值的框（认为检测的是同一物体） /// 5. 重复2-4步骤直到处理完所有框 /// /// 原始检测结果列表（可能包含重叠框） /// IoU阈值，默认0.5（超过此值认为重叠需要抑制） /// 过滤后的检测结果列表（无重叠框） private List ApplyNMS(List predictions, float iouThreshold = 0.5f) { // 步骤1：按置信度降序排序（置信度高的优先处理） var sorted = predictions.OrderByDescending(p => p.Confidence).ToList(); var selected = new List();// 最终选择的检测框 // 步骤2：迭代处理，直到所有框都被检查 while (sorted.Count > 0) { // 取出当前置信度最高的框（总是列表第一个） var current = sorted; selected.Add(current); // 添加到最终结果 sorted.RemoveAt(0); // 从待处理列表移除 // 步骤3：检查剩余框与当前框的重叠度 // 倒序遍历避免索引错位问题 for (int i = sorted.Count - 1; i >= 0; i--) { // 计算当前框与待检查框的IoU if (CalculateIoU(current.Box, sorted.Box) > iouThreshold) { // IoU超过阈值，认为检测的是同一物体，移除置信度较低的框 sorted.RemoveAt(i); } } } return selected; } /// /// 交并比计算函数 (IoU - Intersection over Union) /// 功能：计算两个矩形框的重叠程度，用于衡量检测框的相似性 /// 数学公式：IoU = 交集面积 / 并集面积 /// 取值范围：，0表示无重叠，1表示完全重叠 /// /// 第一个矩形框 /// 第二个矩形框 /// IoU值，范围0-1，值越大表示重叠越多 private float CalculateIoU(Rect a, Rect b) { // 步骤1：计算两个矩形的交集区域 var inter = a.Intersect(b); // 步骤2：检查是否有有效交集（宽度或高度为0表示无交集） if (inter.Width yyds。多谢分享 谢谢楼主提供！ 不错，里面软件多更新就更好了 谢谢分享，辛苦了 谢谢分享，辛苦了 谢谢分享，试用一下 感谢分享，学习下。 用心讨论，共获提升！ 新版吗？好像是停更了吧。 yyds。多谢分享 懂技术并乐意极积无私分享的人越来越少。珍惜 谢谢分享，试用一下 新版吗？好像是停更了吧。 鼓励转贴优秀软件安全工具和文档！ 感谢，下载保存了
页:
[1]