【OpenVINO™】在 Windows 上使用 OpenVINO™ C# API 部署 Yolov8-obb 實現任意方向的目標檢測

来源:https://www.cnblogs.com/guojin-blogs/p/17999039
-Advertisement-
Play Games

Ultralytics YOLOv8 基於深度學習和電腦視覺領域的尖端技術,在速度和準確性方面具有無與倫比的性能。其流線型設計使其適用於各種應用,並可輕鬆適應從邊緣設備到雲 API 等不同硬體平臺。YOLOv8 OBB 模型是YOLOv8系列模型最新推出的任意方向的目標檢測模型,可以檢測任意方向的... ...


 前言

Ultralytics YOLOv8 基於深度學習和電腦視覺領域的尖端技術,在速度和準確性方面具有無與倫比的性能。其流線型設計使其適用於各種應用,並可輕鬆適應從邊緣設備到雲 API 等不同硬體平臺。YOLOv8 OBB 模型是YOLOv8系列模型最新推出的任意方向的目標檢測模型,可以檢測任意方向的對象,大大提高了物體檢測的精度。同時官方發佈的模型已經支持 OpenVINO™ 部署工具加速模型推理,因此在該項目中,我們將結合之前開發的 OpenVINO™ C# API 部署YOLOv8 OBB 模型實現旋轉物體對象檢測。

項目鏈接為:

https://github.com/guojin-yan/OpenVINO-CSharp-API

項目源碼鏈接為:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov8/yolov8_obb_opencvsharp
https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov8/yolov8_obb_emgucv

目錄

1. 前言

1.1 OpenVINO™ C# API

英特爾發行版 OpenVINO™ 工具套件基於 oneAPI 而開發,可以加快高性能電腦視覺和深度學習視覺應用開發速度工具套件,適用於從邊緣到雲的各種英特爾平臺上,幫助用戶更快地將更準確的真實世界結果部署到生產系統中。通過簡化的開發工作流程,OpenVINO™ 可賦能開發者在現實世界中部署高性能應用程式和演算法。

OpenVINO™ 2023.2 於 2023 年 11 月 16 日發佈,該工具包帶來了挖掘生成人工智慧全部潛力的新功能。更多的生成式 AI 覆蓋和框架集成,以最大限度地減少代碼更改,並且擴展了對直接 PyTorch 模型轉換的模型支持。支持更多新的模型,包括 LLaVA、chatGLM、Bark 和 LCM 等著名模型。支持更廣泛的大型語言模型(LLM)和更多模型壓縮技術,支持運行時推理支持以下 Int4 模型壓縮格式,通過神經網路壓縮框架(NNCF) 進行本機 Int4 壓縮等一系列新的功能。

OpenVINO™ C# API 是一個 OpenVINO™ 的 .Net wrapper,應用最新的 OpenVINO™ 庫開發,通過 OpenVINO™ C API 實現 .Net 對 OpenVINO™ Runtime 調用,使用習慣與 OpenVINO™ C++ API 一致。OpenVINO™ C# API 由於是基於 OpenVINO™ 開發,所支持的平臺與 OpenVINO™ 完全一致,具體信息可以參考 OpenVINO™。通過使用 OpenVINO™ C# API,可以在 .NET、.NET Framework等框架下使用 C# 語言實現深度學習模型在指定平臺推理加速。

1.2 YOLOv8 OBB 模型

目標檢測是電腦視覺中的一項基本任務,目前許多研究都是採用水平邊界框來定點陣圖像中的物體。然而,圖像中的物體通常是任意方向的。因此,使用水平邊界框來檢測目標會引起物體檢測框通常包含許多背景區域,檢測框記憶體在過多的背景區域,不僅增加了分類任務的難度,而且會導致目標範圍表示不准確的問題。其次,水平邊界框會導致檢測框之間出現重疊,降低檢測精度。

通過使用帶有角度信息的旋轉檢測框可以有效解決上述問題,它引入了一個額外的角度來更準確地定點陣圖像中的物體。Ultralytics YOLOv8 基於深度學習和電腦視覺領域的尖端技術,在速度和準確性方面具有無與倫比的性能。其流線型設計使其適用於各種應用,並可輕鬆適應從邊緣設備到雲 API 等不同硬體平臺。YOLOv8 OBB 模型是YOLOv8系列模型最新推出的任意方向的目標檢測模型,其模型輸出結果是一組旋轉的邊界框,這些邊界框精確地包圍了圖像中的物體,同時還包括每個邊界框的類標簽和置信度分數。當你需要識別場景中感興趣的物體,但又不需要知道物體的具體位置或確切形狀時,物體檢測是一個不錯的選擇。

2. YOLOv8 OBB模型下載與轉換

2.1 安裝模型下載與轉換環境

此處主要安裝 YOLOv8 OBB模型導出環境以及OpenVINO™模型轉換環境,使用Anaconda進行環境創建,依次輸入以下指令:

conda create -n yolo python=3.10
conda activate yolo
pip install ultralytics
pip install --upgrade openvino-nightly

此處只需要安裝以上兩個程式包即可。

2.2 導出 YOLOv8 OBB模型

接下來以Yolov8s-obb模型到處為例,演示如何快速導出官方提供的預訓練模型,首先在創建的虛擬環境中輸入以下命令:

yolo export model=yolov8s-obb.pt format=onnx 

下圖展示了模型導出命令輸出情況:

接下來查看導出的Yolov8s-obb模型的結構情況,通過Netron可以進行查看,如下所示:

模型識別類別:由於官方模型是在DOTAv1數據集上預訓練的,因此導出的模型可以識別出15種類別,分別是:plane 、ship storage tank、baseball diamond、 tennis court、basketball court、ground track field、harbor、 bridge、large vehicle、 small vehicle、helicopter、roundabout、soccer ball field、 swimming pool。

模型輸入:模型輸入名稱為“image”,輸入大小為1×3×1024×1024的歸一化後的圖像數據,數據類型為float。

模型輸出:模型的輸出名稱為“output0”,輸出大小為1×20×21504,輸出數據為float。其中“20”表示為[x, y, w, h, sorce0, ···, sorce14, angle]的數組,數組中03這四個參數為預測框的矩形位置,數組中418這15個參數表示15各類別的分類置信度,數組中19這個參數表示預測框的旋轉角度;“21504”表示輸入為1024的模型三個檢測頭的輸出大小,總共有21504(1024÷8=128,1024÷16=64,1024÷32=32,128×128+64×64+32×32=21504)種結果。

2.3 轉換 IR 模型

接下來直接使用OpenVINO™工具直接進行模型轉換,在CMD中輸入以下指令即可:

ovc yolov8s-obb.onnx

模型導出輸出如下圖所示。

3. YOLOv8 OBB項目配置(OpenCvSharp)

此處項目創建與運行演示使用dotnet工具進行,大家也可以通過Visual Studio等IDE工具進行項目創建與運行。首先講解一下使用OpenCvSharp作為圖像處理工具的代碼程式。

3.1 項目創建

首先使用dotnet工具創建一個控制台應用,在CMD中輸入以下指令:

dotnet new console --framework net6.0 --use-program-main -o yolov8_obb_opencvsharp
cd yolov8_obb_opencvsharp

項目創建後輸出為:

3.2 添加項目依賴

此處以Windows平臺為例安裝項目依賴,首先是安裝OpenVINO™ C# API項目依賴,在命令行中輸入以下指令即可:

dotnet add package OpenVINO.CSharp.API
dotnet add package OpenVINO.runtime.win
dotnet add package OpenVINO.CSharp.API.Extensions
dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp 

接下來安裝使用到的圖像處理庫OpenCvSharp,在命令行中輸入以下指令即可:

dotnet add package OpenCvSharp4
dotnet add package OpenCvSharp4.Extensions
dotnet add package OpenCvSharp4.runtime.win

添加完成項目依賴後,項目的配置文件如下所示:

<Project Sdk="Microsoft.NET.Sdk">

  <PropertyGroup>
    <OutputType>Exe</OutputType>
    <TargetFramework>net6.0</TargetFramework>
    <ImplicitUsings>enable</ImplicitUsings>
    <Nullable>enable</Nullable>
  </PropertyGroup>

  <ItemGroup>
    <PackageReference Include="OpenCvSharp4" Version="4.9.0.20240103" />
    <PackageReference Include="OpenCvSharp4.Extensions" Version="4.9.0.20240103" />
    <PackageReference Include="OpenCvSharp4.runtime.win" Version="4.9.0.20240103" />
    <PackageReference Include="OpenVINO.CSharp.API" Version="2023.2.0.4" />
    <PackageReference Include="OpenVINO.CSharp.API.Extensions" Version="1.0.1" />
    <PackageReference Include="OpenVINO.CSharp.API.Extensions.OpenCvSharp" Version="1.0.4" />
    <PackageReference Include="OpenVINO.runtime.win" Version="2023.3.0.1" />
  </ItemGroup>

</Project>

3.3 定義預測方法

Yolov8 Obb模型部署流程與方式與Yolov8 Det基本一致,其主要不同點在與其結果的後處理方式,本項目所定義的Yolov8 Obb模型推理代碼如下所示:

static void yolov8_obb(string model_path, string image_path, string device)
{
    // -------- Step 1. Initialize OpenVINO Runtime Core --------
    Core core = new Core();
    // -------- Step 2. Read inference model --------
    Model model = core.read_model(model_path);
    OvExtensions.printf_model_info(model);
    // -------- Step 3. Loading a model to the device --------
    CompiledModel compiled_model = core.compile_model(model, device);
    // -------- Step 4. Create an infer request --------
    InferRequest infer_request = compiled_model.create_infer_request();
    // -------- Step 5. Process input images --------
    Mat image = new Mat(image_path); // Read image by opencvsharp
    int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
    Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
    Rect roi = new Rect(0, 0, image.Cols, image.Rows);
    image.CopyTo(new Mat(max_image, roi));
    float factor = (float)(max_image_length / 1024.0);
    // -------- Step 6. Set up input data --------
    Tensor input_tensor = infer_request.get_input_tensor();
    Shape input_shape = input_tensor.get_shape();
    Mat input_mat = CvDnn.BlobFromImage(max_image, 1.0 / 255.0, new OpenCvSharp.Size(input_shape[2], input_shape[3]), 0, true, false);
    float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];
    Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
    input_tensor.set_data<float>(input_data);
    // -------- Step 7. Do inference synchronously --------
    infer_request.infer();
    // -------- Step 8. Get infer result data --------
    Tensor output_tensor = infer_request.get_output_tensor();
    int output_length = (int)output_tensor.get_size();
    float[] output_data = output_tensor.get_data<float>(output_length);
    // -------- Step 9. Process reault  --------
    Mat result_data = new Mat(20, 21504, MatType.CV_32F, output_data);
    result_data = result_data.T();
    float[] d = new float[output_length];
    result_data.GetArray<float>(out d);
    // Storage results list
    List<Rect2d> position_boxes = new List<Rect2d>();
    List<int> class_ids = new List<int>();
    List<float> confidences = new List<float>();
    List<float> rotations = new List<float>();
    // Preprocessing output results
    for (int i = 0; i < result_data.Rows; i++)
    {
        Mat classes_scores = new Mat(result_data, new Rect(4, i, 15, 1));
        OpenCvSharp.Point max_classId_point, min_classId_point;
        double max_score, min_score;
        // Obtain the maximum value and its position in a set of data
        Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,
            out min_classId_point, out max_classId_point);
        // Confidence level between 0 ~ 1
        // Obtain identification box information
        if (max_score > 0.25)
        {
            float cx = result_data.At<float>(i, 0);
            float cy = result_data.At<float>(i, 1);
            float ow = result_data.At<float>(i, 2);
            float oh = result_data.At<float>(i, 3);
            double x = (cx - 0.5 * ow) * factor;
            double y = (cy - 0.5 * oh) * factor;
            double width = ow * factor;
            double height = oh * factor;
            Rect2d box = new Rect2d();
            box.X = x;
            box.Y = y;
            box.Width = width;
            box.Height = height;
            position_boxes.Add(box);
            class_ids.Add(max_classId_point.X);
            confidences.Add((float)max_score);
            rotations.Add(result_data.At<float>(i, 19));
        }
    }
    // NMS non maximum suppression
    int[] indexes = new int[position_boxes.Count];
    CvDnn.NMSBoxes(position_boxes, confidences, 0.25f, 0.7f, out indexes);
    List<RotatedRect> rotated_rects = new List<RotatedRect>();
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];
        float w = (float)position_boxes[index].Width;
        float h = (float)position_boxes[index].Height;
        float x = (float)position_boxes[index].X + w / 2;
        float y = (float)position_boxes[index].Y + h / 2;
        float r = rotations[index];
        float w_ = w > h ? w : h;
        float h_ = w > h ? h : w;
        r = (float)((w > h ? r : (float)(r + Math.PI / 2)) % Math.PI);
        RotatedRect rotate = new RotatedRect(new Point2f(x, y), new Size2f(w_, h_), (float)(r * 180.0 / Math.PI));
        rotated_rects.Add(rotate);
    }
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];
        Point2f[] points = rotated_rects[i].Points();
        for (int j = 0; j < 4; j++)
        {
            Cv2.Line(image, (Point)points[j], (Point)points[(j + 1) % 4], new Scalar(255, 100, 200), 2);
        }
        Cv2.PutText(image, class_lables[class_ids[index]] + "-" + confidences[index].ToString("0.00"),
            (Point)points[0], HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);
    }
    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
    Cv2.ImWrite(output_path, image);
    Slog.INFO("The result save to " + output_path);
    Cv2.ImShow("Result", image);
    Cv2.WaitKey(0);
}

Yolov8 Obb模型的一條預測結果輸出為 [x, y, w, h, sorce0, ···, sorce14, angle],其中前19個數據與Yolov8 Det模型的數據處理方式是一致的,主要是多了一個預測框旋轉角度,因此在處理時需要同時記錄旋轉角度這一個數據。

3.4 預測方法調用

定義好上述方法後,便可以直接在主函數中調用該方法,只需要在主函數中增加以下代碼即可:

yolov8_obb("yolov8s-obb.xml", "test_image.png", "AUTO");

如果開發者自己沒有進行模型下載與轉換,又同時想快速體驗該項目,我此處提供了線上的轉換後的模型以及帶預測圖片,開發者可以直接在主函數中增加以下代碼,便可以直接自動下載模型以及推理數據,並調用推理方法,實現程式直接運行。

static void Main(string[] args)
{
    string model_path = "";
    string image_path = "";
    string device = "AUTO";
    if (args.Length == 0)
    {
        if (!Directory.Exists("./model"))
        {
            Directory.CreateDirectory("./model");
        }
        if (!File.Exists("./model/yolov8s-obb.bin") && !File.Exists("./model/yolov8s-obb.bin"))
        {
            if (!File.Exists("./model/yolov8s-obb.tar"))
            {
                _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/yolov8s-obb.tar",
                    "./model/yolov8s-obb.tar").Result;
            }
            Download.unzip("./model/yolov8s-obb.tar", "./model/");
        }
        if (!File.Exists("./model/plane.png"))
        {
            _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/plane.png",
                "./model/plane.png").Result;
        }
        model_path = "./model/yolov8s-obb.xml";
        image_path = "./model/plane.png";
    }
    else if (args.Length >= 2)
    {
        model_path = args[0];
        image_path = args[1];
        device = args[2];
    }
    else
    {
        Console.WriteLine("Please enter the correct command parameters, for example:");
        Console.WriteLine("> 1. dotnet run");
        Console.WriteLine("> 2. dotnet run <model path> <image path> <device name>");
    }
    // -------- Get OpenVINO runtime version --------
    OpenVinoSharp.Version version = Ov.get_openvino_version();
    Slog.INFO("---- OpenVINO INFO----");
    Slog.INFO("Description : " + version.description);
    Slog.INFO("Build number: " + version.buildNumber);

    Slog.INFO("Predict model files: " + model_path);
    Slog.INFO("Predict image  files: " + image_path);
    Slog.INFO("Inference device: " + device);
    Slog.INFO("Start yolov8 model inference.");
    yolov8_obb(model_path, image_path, device);
}

備註:

上述項目中的完整代碼全部放在GitHub上開源,項目鏈接為:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov8/yolov8_obb_opencvsharp

4. YOLOv8 OBB項目配置(Emgu.CV)

相信有不少開發者在C#中進行圖像處理時,使用的是Emgu.CV工具,因此,在此處我們同時提供了使用 Emgu.CV作為圖像處理工具的YOLOv8 OBB模型部署代碼。項目的創建方式與流程與上一節中一致,此處不再進行演示:

4.1 添加項目依賴

此處以Windows平臺為例安裝項目依賴,首先是安裝OpenVINO™ C# API項目依賴,在命令行中輸入以下指令即可:

dotnet add package OpenVINO.CSharp.API
dotnet add package OpenVINO.runtime.win
dotnet add package OpenVINO.CSharp.API.Extensions
dotnet add package OpenVINO.CSharp.API.Extensions.EmguCV

接下來安裝使用到的圖像處理庫Emgu.CV,在命令行中輸入以下指令即可:

dotnet add package Emgu.CV
dotnet add package Emgu.CV.runtime.windows

添加完成項目依賴後,項目的配置文件如下所示:

<Project Sdk="Microsoft.NET.Sdk">

  <PropertyGroup>
    <OutputType>Exe</OutputType>
    <TargetFramework>net6.0</TargetFramework>
    <ImplicitUsings>enable</ImplicitUsings>
    <Nullable>enable</Nullable>
  </PropertyGroup>

  <ItemGroup>
    <PackageReference Include="Emgu.CV" Version="4.8.1.5350" />
    <PackageReference Include="Emgu.CV.runtime.windows" Version="4.8.1.5350" />
    <PackageReference Include="OpenVINO.CSharp.API" Version="2023.2.0.4" />
    <PackageReference Include="OpenVINO.CSharp.API.Extensions" Version="1.0.1" />
    <PackageReference Include="OpenVINO.CSharp.API.Extensions.EmguCV" Version="1.0.4.1" />
    <PackageReference Include="OpenVINO.runtime.win" Version="2023.3.0.1" />
  </ItemGroup>

</Project>

4.2 定義預測方法

Yolov8 Obb模型部署流程與上一節中的流程一致,主要是替換了圖像處理方式,其實現代碼如下:

static void yolov8_obb(string model_path, string image_path, string device)
{
    // -------- Step 1. Initialize OpenVINO Runtime Core --------
    Core core = new Core();
    // -------- Step 2. Read inference model --------
    OpenVinoSharp.Model model = core.read_model(model_path);
    OvExtensions.printf_model_info(model);
    // -------- Step 3. Loading a model to the device --------
    CompiledModel compiled_model = core.compile_model(model, device);
    // -------- Step 4. Create an infer request --------
    InferRequest infer_request = compiled_model.create_infer_request();
    // -------- Step 5. Process input images --------
    Mat image = new Mat(image_path); // Read image by opencvsharp
    int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
    Mat max_image = Mat.Zeros(max_image_length, max_image_length, DepthType.Cv8U, 3);
    Rectangle roi = new Rectangle(0, 0, image.Cols, image.Rows);
    image.CopyTo(new Mat(max_image, roi));
    float factor = (float)(max_image_length / 1024.0);
    // -------- Step 6. Set up input data --------
    Tensor input_tensor = infer_request.get_input_tensor();
    Shape input_shape = input_tensor.get_shape();
    Mat input_mat = DnnInvoke.BlobFromImage(max_image, 1.0 / 255.0, new Size((int)input_shape[2], (int)input_shape[3]), new MCvScalar(0), true, false);
    float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];
    //Marshal.Copy(input_mat.Ptr, input_data, 0, input_data.Length);
    input_mat.CopyTo<float>(input_data);
    input_tensor.set_data<float>(input_data);
    // -------- Step 7. Do inference synchronously --------
    infer_request.infer();
    // -------- Step 8. Get infer result data --------
    Tensor output_tensor = infer_request.get_output_tensor();
    int output_length = (int)output_tensor.get_size();
    float[] output_data = output_tensor.get_data<float>(output_length);
    // -------- Step 9. Process reault  --------
    Mat result_data = new Mat(20, 21504, DepthType.Cv32F, 1,
                   Marshal.UnsafeAddrOfPinnedArrayElement(output_data, 0), 4 * 21504);
    result_data = result_data.T();
    List<Rectangle> position_boxes = new List<Rectangle>();
    List<int> class_ids = new List<int>();
    List<float> confidences = new List<float>();
    List<float> rotations = new List<float>();
    // Preprocessing output results
    for (int i = 0; i < result_data.Rows; i++)
    {
        Mat classes_scores = new Mat(result_data, new Rectangle(4, i, 15, 1));//GetArray(i, 5, classes_scores);
        Point max_classId_point = new Point(), min_classId_point = new Point();
        double max_score = 0, min_score = 0;
        CvInvoke.MinMaxLoc(classes_scores, ref min_score, ref max_score,
            ref min_classId_point, ref max_classId_point);
        if (max_score > 0.25)
        {
            Mat mat = new Mat(result_data, new Rectangle(0, i, 20, 1));
            float[,] data = (float[,])mat.GetData();
            float cx = data[0, 0];
            float cy = data[0, 1];
            float ow = data[0, 2];
            float oh = data[0, 3];
            int x = (int)((cx - 0.5 * ow) * factor);
            int y = (int)((cy - 0.5 * oh) * factor);
            int width = (int)(ow * factor);
            int height = (int)(oh * factor);
            Rectangle box = new Rectangle();
            box.X = x;
            box.Y = y;
            box.Width = width;
            box.Height = height;

            position_boxes.Add(box);
            class_ids.Add(max_classId_point.X);
            confidences.Add((float)max_score);
            rotations.Add(data[0, 19]);
        }
    }

    // NMS non maximum suppression
    int[] indexes = DnnInvoke.NMSBoxes(position_boxes.ToArray(), confidences.ToArray(), 0.5f, 0.5f);

    List<RotatedRect> rotated_rects = new List<RotatedRect>();
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];

        float w = (float)position_boxes[index].Width;
        float h = (float)position_boxes[index].Height;
        float x = (float)position_boxes[index].X + w / 2;
        float y = (float)position_boxes[index].Y + h / 2;
        float r = rotations[index];
        float w_ = w > h ? w : h;
        float h_ = w > h ? h : w;
        r = (float)((w > h ? r : (float)(r + Math.PI / 2)) % Math.PI);
        RotatedRect rotate = new RotatedRect(new PointF(x, y), new SizeF(w_, h_), (float)(r * 180.0 / Math.PI));
        rotated_rects.Add(rotate);
    }
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];

        PointF[] points = rotated_rects[i].GetVertices();
        for (int j = 0; j < 4; j++)
        {
            CvInvoke.Line(image, new Point((int)points[j].X, (int)points[j].Y),
                new Point((int)points[(j + 1) % 4].X, (int)points[(j + 1) % 4].Y), new MCvScalar(255, 100, 200), 2);
        }
        CvInvoke.PutText(image, class_lables[class_ids[index]] + "-" + confidences[index].ToString("0.00"),
            new Point((int)points[0].X, (int)points[0].Y), FontFace.HersheySimplex, 0.8, new MCvScalar(0, 0, 0), 2);
    }
    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
    CvInvoke.Imwrite(output_path, image);
    Slog.INFO("The result save to " + output_path);
    CvInvoke.Imshow("Result", image);
    CvInvoke.WaitKey(0);
}

備註:

上述項目中的完整代碼全部放在GitHub上開源,項目鏈接為:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov8/yolov8_obb_emgucv

5. 項目編譯與運行

5.1 項目文件編譯

接下來輸入項目編譯指令進行項目編譯,輸入以下指令即可:

dotnet build

程式編譯後輸出為:

5.2 項目文件運行

接下來運行編譯後的程式文件,在CMD中輸入以下指令,運行編譯後的項目文件:

dotnet run --no-build

運行後項目輸出為:

6. 總結

在該項目中,我們結合之前開發的 OpenVINO™ C# API 項目部署YOLOv8 OBB 模型,成功實現了旋轉對象目標檢測,並且根據不同開發者的使用習慣,同時提供了OpenCvSharp以及Emgu.CV兩種版本,供各位開發者使用。最後如果各位開發者在使用中有任何問題,歡迎大家與我聯繫。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Popup 是一個用於顯示臨時性內容的控制項,它可以在應用程式的其他內容之上顯示一個彈出視窗。它通常用於實現下拉菜單、工具提示、通知消息等功能。 主要屬性為: Child:獲取或設置 Popup控制項的內容。IsOpen:獲取或設置一個值,該值指示Popup 是否可見Placement:獲取或設置 Po ...
  • ModuleAttribute(按需延遲載入) ModuleAttribute 是 Prism 框架中用於標識模塊的屬性。通過使用 ModuleAttribute,可以將模塊與特定的模塊目錄進行關聯,從而使 Prism 應用程式能夠動態載入和初始化模塊。 在使用 WPF ModuleAttribut ...
  • 什麼是Prism: 1.WPF Prism是一個用於構建模塊化、可擴展和可重用的WPF應用程式的框架。它基於MVVM模式,提供了一種簡單且靈活的方式來管理複雜的WPF應用程式。 2.Prism框架提供了一些核心概念,包括模塊化開發、依賴註入、命令模式、導航和事件聚合等。它還提供了一些實用工具和類來簡 ...
  • MVVM-命令模式的實現與應用 本文同時為b站WPF課程的筆記,相關示例代碼 綁定 這個其實前面已經講過一部分 使用{Binding}設置數據綁定,將控制項的屬性綁定到 ViewModel 的相應屬性。 比如說需要註意,在xaml中綁定的不再是UserName和Password了,而是loginMod ...
  • 概述:在WPF中實現依賴註入和控制反轉,通過定義介面、實現類,配置容器,實現組件解耦、提高可維護性。 什麼是依賴註入和控制反轉? 依賴註入(Dependency Injection,DI): 是一種設計模式,旨在減少組件之間的耦合度。通過依賴註入,對象不再自行創建或查找依賴對象,而是通過外部註入的方 ...
  • 概述:WPF中的Template機製為界面定製提供了強大工具,包括控制項模板、ItemsPresenter、ItemsPanel、和ItemContainerStyle。通過這些功能,開發者能精確定義控制項外觀和佈局,個性化每個項的樣式,實現靈活而美觀的用戶界面。 WPF中各種Template功能用途: ...
  • 在進行WPF界面設計時,我們需要在很多地方設置顏色屬性,比如元素的背景色、前景色以及邊框的顏色,還有形狀的內部填充和筆畫,這些顏色的設置在WPF中都以畫刷(Brush)的形式實現。比如最常用的畫刷就是SolidColorBrush,它表示一種純色。 public abstract class Bru ...
  • 代碼片段: 文末附鏈接。 using DataSync.Core; using Furion.Logging.Extensions; using Microsoft.Data.SqlClient; using Microsoft.Extensions.Logging; using System.Da ...
一周排行
    -Advertisement-
    Play Games
  • 一個自定義WPF窗體的解決方案,借鑒了呂毅老師的WPF製作高性能的透明背景的異形視窗一文,併在此基礎上增加了滑鼠穿透的功能。可以使得透明窗體的滑鼠事件穿透到下層,在下層窗體中響應。 ...
  • 在C#中使用RabbitMQ做個簡單的發送郵件小項目 前言 好久沒有做項目了,這次做一個發送郵件的小項目。發郵件是一個比較耗時的操作,之前在我的個人博客裡面回覆評論和友鏈申請是會通過發送郵件來通知對方的,不過當時只是簡單的進行了非同步操作。 那麼這次來使用RabbitMQ去統一發送郵件,我的想法是通過 ...
  • 當你使用Edge等瀏覽器或系統軟體播放媒體時,Windows控制中心就會出現相應的媒體信息以及控制播放的功能,如圖。 SMTC (SystemMediaTransportControls) 是一個Windows App SDK (舊為UWP) 中提供的一個API,用於與系統媒體交互。接入SMTC的好 ...
  • 最近在微軟商店,官方上架了新款Win11風格的WPF版UI框架【WPF Gallery Preview 1.0.0.0】,這款應用引入了前沿的Fluent Design UI設計,為用戶帶來全新的視覺體驗。 ...
  • 1.簡單使用實例 1.1 添加log4net.dll的引用。 在NuGet程式包中搜索log4net並添加,此次我所用版本為2.0.17。如下圖: 1.2 添加配置文件 右鍵項目,添加新建項,搜索選擇應用程式配置文件,命名為log4net.config,步驟如下圖: 1.2.1 log4net.co ...
  • 之前也分享過 Swashbuckle.AspNetCore 的使用,不過版本比較老了,本次演示用的示例版本為 .net core 8.0,從安裝使用開始,到根據命名空間分組顯示,十分的有用 ...
  • 在 Visual Studio 中,至少可以創建三種不同類型的類庫: 類庫(.NET Framework) 類庫(.NET 標準) 類庫 (.NET Core) 雖然第一種是我們多年來一直在使用的,但一直感到困惑的一個主要問題是何時使用 .NET Standard 和 .NET Core 類庫類型。 ...
  • WPF的按鈕提供了Template模板,可以通過修改Template模板中的內容對按鈕的樣式進行自定義。結合資源字典,可以將自定義資源在xaml視窗、自定義控制項或者整個App當中調用 ...
  • 實現了一個支持長短按得按鈕組件,單擊可以觸發Click事件,長按可以觸發LongPressed事件,長按鬆開時觸發LongClick事件。還可以和自定義外觀相結合,實現自定義的按鈕外形。 ...
  • 一、WTM是什麼 WalkingTec.Mvvm框架(簡稱WTM)最早開發與2013年,基於Asp.net MVC3 和 最早的Entity Framework, 當初主要是為瞭解決公司內部開發效率低,代碼風格不統一的問題。2017年9月,將代碼移植到了.Net Core上,併進行了深度優化和重構, ...