YoloDotNet 开源项目使用教程

1. 项目介绍

YoloDotNet 是一个基于 C# 和 .NET 8 的 YOLOv8 实现项目，专门用于在图像和视频中进行对象检测、分类、分割和姿态估计。该项目利用 ML.NET 和 ONNX 运行时，支持 GPU 加速（通过 CUDA），适用于需要高性能实时处理的场景。

主要功能

• 分类：对图像进行分类。
• 对象检测：检测图像中的多个对象。
• OBB 检测：检测带有旋转边界框的对象。
• 分割：使用像素掩码分离检测到的对象。
• 姿态估计：识别图像中特定关键点的位置。

2. 项目快速启动

安装依赖

首先，确保你已经安装了 .NET 8 SDK。然后，通过 NuGet 安装 YoloDotNet：

dotnet add package YoloDotNet --version 2.0.0

安装 CUDA（可选）

如果你需要 GPU 加速，请安装 CUDA 和 cuDNN。确保 ONNX 运行时与特定版本的 CUDA 兼容。

导出 YOLOv8 模型到 ONNX

将 YOLOv8 模型导出为 ONNX 格式，并确保模型路径正确。

示例代码

以下是一个简单的图像检测示例：

using YoloDotNet.Enums;
using YoloDotNet.Models;
using YoloDotNet.Extensions;
using SkiaSharp;

// 实例化 Yolo 对象
var yolo = new Yolo(new YoloOptions
{
    OnnxModel = @"path\to\model.onnx",
    ModelType = ModelType.ObjectDetection,
    Cuda = false,
    GpuId = 0
});

// 加载图像
var image = SKImage.FromEncodedData(@"path\to\image.jpg");

// 运行检测并获取结果
var results = yolo.RunObjectDetection(image, confidence: 0.25, iou: 0.7);

// 绘制结果
var resultsImage = image.Draw(results);

// 保存图像
resultsImage.Save(@"save\as\new_image.jpg", SKEncodedImageFormat.Jpeg, 80);

3. 应用案例和最佳实践

应用案例

• 智能监控：在监控视频中实时检测和分类对象。
• 自动驾驶：在车辆摄像头中检测行人和其他车辆。
• 医学影像分析：在医学图像中检测和分割病变区域。

最佳实践

• 模型优化：使用适合任务的 YOLO 模型版本，并根据需要进行微调。
• 硬件选择：根据需求选择 CPU 或 GPU 加速，确保硬件资源得到最佳利用。
• 批处理：对于大量图像或视频帧，使用批处理以提高效率。

4. 典型生态项目

相关项目

• Ultralytics YOLOv8：YOLOv8 的官方实现，提供模型训练和导出功能。
• ONNX Runtime：用于在不同平台上运行 ONNX 模型的运行时。
• ML.NET：微软的开源机器学习框架，支持多种机器学习任务。

通过这些项目的结合使用，可以构建一个完整的端到端机器学习解决方案，适用于各种实时图像和视频处理任务。