c#环境使用yolov8

1. 训练及模型生成环境搭建

windows安装conda，下载地址Download Success | Anaconda。

 

 

打开Anaconda Prompt

 

 

创建虚拟环境，python版本选择3.8.10：

conda create -n yolov8_onnx python=3.8.10

切换到新建的虚拟环境 yolov8_onnx：

conda activate yolov8_onnx

安装必要的python库：

pip install ultralytics onnx onnxruntime

  

 

构建下面python脚本，脚本名为export_onnx.py：

 

from ultralytics import YOLO

 

# 加载模型。你可以替换为你自定义模型的路径

model = YOLO("yolov8n.pt")  # 使用官方预训练模型

# 或者使用你自定义训练的模型

# model = YOLO("path/to/your/best.pt")

 

# 导出模型为ONNX格式

model.export(format="onnx", imgsz=640, simplify=True)

 

运行export_onnx.py脚本生成yolov8n.onnx模型文件，可以在conda用户名路径下找到yolov8n.onnx文件。

2. c#环境配置

.net版本切换：

.net Framwork 4.6.1

NuGet三方库安装：

Microsoft.ML.OnnxRuntime：用于运行ONNX模型的核心库。

OpenCvSharp4：用于图像处理，例如调整图像尺寸、色彩空间转换等。

OpenCvSharp4.runtime.win：OpenCvSharp的Windows运行时依赖。

 

 

性能考量：在GPU环境下，可以尝试使用Microsoft.ML.OnnxRuntime.Gpu包，并通过SessionOptions配置CUDA执行提供程序，以加速推理

 

//初始化YOLOv8实例
using (var yolo = new Yolov8OnnxDetector("best.onnx", "best.names"))  // "yolov8n.onnx", "coco.names"
{string testImage = "test_image.jpg";OpenFileDialog openFileDialog = new OpenFileDialog();openFileDialog.FileName = "";string tmp1 = Resources.String16_ProjF;openFileDialog.Filter = tmp1 + "(*.png)|*.png|" + tmp1 + "(*.jpg)|*.jpg";  // tmp + "(*.CTS)|*.CTS|" + tmp1 + "(*.CTP)|*.CTP"if (openFileDialog.ShowDialog() == DialogResult.Cancel)return;_isLoadPileFiles = true;string suf = openFileDialog.FileName.Substring(openFileDialog.FileName.Length - 4).ToUpper();if (suf.Equals(".PNG") || suf.Equals(".JPG")){//工程文件testImage = openFileDialog.FileName;}// 加载待检测图像using (var image = new Mat(testImage)){// 进行推理List<Prediction> predictions = yolo.Predict(image);Console.WriteLine(predictions.Count);// 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Cv2.ImShow("YOLOv8 Detection", image);Cv2.WaitKey(0);Cv2.DestroyAllWindows();}
}

using Microsoft.ML.OnnxRuntime;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using Microsoft.ML.OnnxRuntime.Tensors;
using System.IO;namespace YLCCTVAnalyser.yolov8
{/// <summary>/// YOLOv8 ONNX 目标检测器类/// 专为 .NET Framework 4.6.1 环境设计的 YOLOv8 模型推理封装/// 实现完整的图像预处理、模型推理、后处理流程/// </summary>public class Yolov8OnnxDetector : IDisposable{private InferenceSession _session;        // ONNX Runtime 推理会话实例private readonly string[] _labels;        // 类别标签数组（从coco.names等文件加载）private readonly Size _modelSize = new Size(640, 640); // YOLOv8标准输入尺寸/// <summary>/// 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/// </summary>/// <param name="modelPath">ONNX模型文件路径（.onnx文件）</param>/// <param name="labelsPath">类别标签文件路径（每行一个类别名称的文本文件）</param>public Yolov8OnnxDetector(string modelPath, string labelsPath){// 初始化ONNX Runtime推理会话，加载模型文件_session = new InferenceSession(modelPath);// 从文本文件加载所有类别名称到内存数组_labels = System.IO.File.ReadAllLines(labelsPath);}/// <summary>/// 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/// </summary>/// <param name="image">输入的OpenCV Mat图像对象</param>/// <returns>检测结果列表，包含边界框、置信度、类别标签</returns>public List<Prediction> 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> {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<DisposableNamedOnnxValue> 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);}}/// <summary>/// 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[0,1]范围（提高模型数值稳定性）/// 4. 转换为NCHW格式张量[1,3,640,640]（模型标准输入格式）/// </summary>/// <param name="image">原始OpenCV图像（BGR格式，任意尺寸）</param>/// <returns>预处理后的4维张量，可直接输入ONNX模型</returns>private DenseTensor<float> 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 [batch_size=1, channels=3, height=640, width=640]var tensor = new DenseTensor<float>(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<Vec3b>(y, x);// 归一化到[0,1]并按照NCHW格式填充tensor[0, 0, y, x] = pixel[0] / 255.0f; // R通道tensor[0, 1, y, x] = pixel[1] / 255.0f; // G通道  tensor[0, 2, y, x] = pixel[2] / 255.0f; // B通道
                }}return tensor;}/// <summary>/// 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（[1,84,8400]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/// </summary>/// <param name="results">ONNX Runtime推理结果集合</param>/// <param name="originalImage">原始图像（用于坐标映射）</param>/// <returns>结构化检测结果列表</returns>private List<Prediction> Postprocess(IDisposableReadOnlyCollection<DisposableNamedOnnxValue> results, Mat originalImage){var predictions = new List<Prediction>();// 步骤1：获取模型输出张量（假设第一个输出包含检测结果）var output = results.First().AsTensor<float>();// YOLOv8输出维度解析：[batch_size, dimensions, num_proposals]// [1, 84, 8400] - 1:批大小, 84:4坐标+80类别, 8400:锚点数量int dimensions = output.Dimensions[1];       // 84 = 4(box) + 80(coco classes)int numProposals = output.Dimensions[2];     // 8400个检测提议float confidenceThreshold = 0.5f;  // 置信度阈值，过滤不可靠检测// 步骤2：遍历所有检测提议（8400个）for (int i = 0; i < numProposals; i++){// 步骤2.1：提取类别置信度，找到最大置信度类别float maxConfidence = 0f;int classId = -1;// 遍历所有类别，找到置信度最高的类别for (int j = 4; j < dimensions; j++){float confidence = output[0, j, i];if (confidence > maxConfidence){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 [center_x, center_y, width, height]float cx = output[0, 0, i];  // 边界框中心x坐标（归一化）float cy = output[0, 1, i];  // 边界框中心y坐标（归一化）  float w = output[0, 2, i];   // 边界框宽度（归一化）float h = output[0, 3, i];   // 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 = _labels[classId]});}}// 步骤3：应用非极大值抑制去除重叠检测框return ApplyNMS(predictions);}/// <summary>/// 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/// </summary>/// <param name="predictions">原始检测结果列表（可能包含重叠框）</param>/// <param name="iouThreshold">IoU阈值，默认0.5（超过此值认为重叠需要抑制）</param>/// <returns>过滤后的检测结果列表（无重叠框）</returns>private List<Prediction> ApplyNMS(List<Prediction> 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<Prediction>();  // 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[0];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IoUif (CalculateIoU(current.Box, sorted[i].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;}/// <summary>/// 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, 1]，0表示无重叠，1表示完全重叠/// </summary>/// <param name="a">第一个矩形框</param>/// <param name="b">第二个矩形框</param>/// <returns>IoU值，范围0-1，值越大表示重叠越多</returns>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 <= 0 || inter.Height <= 0)return 0;  // 无重叠，IoU为0// 步骤3：计算交集面积float interArea = inter.Width * inter.Height;// 步骤4：计算并集面积 = 面积A + 面积B - 交集面积float unionArea = a.Width * a.Height + b.Width * b.Height - interArea;// 步骤5：计算IoU比率return interArea / unionArea;}/// <summary>/// 资源释放函数 - 实现IDisposable接口/// 功能：正确释放ONNX Runtime占用的非托管资源/// 重要性：防止内存泄漏，确保推理会话正确关闭/// 使用模式：推荐使用using语句或确保在程序退出时调用/// </summary>public void Dispose(){_session?.Dispose();  // 安全释放ONNX Runtime会话资源
        }}/// <summary>/// 检测结果数据封装类/// 功能：以结构化形式存储单个检测结果的所有信息/// 设计目的：便于数据传递、序列化和可视化处理/// </summary>public class Prediction{/// <summary>/// 检测框位置和尺寸/// 使用OpenCvSharp的Rect结构，包含X,Y,Width,Height属性/// 坐标单位为像素，相对于原始图像/// </summary>public Rect Box { get; set; }/// <summary>/// 检测置信度/// 取值范围：[0,1]，表示模型对该检测结果的置信程度/// 通常用于过滤低质量检测（如阈值0.5）/// </summary>public float Confidence { get; set; }/// <summary>/// 检测到的物体类别名称/// 从标签文件加载，如"person", "car", "dog"等/// 对应COCO数据集或其他自定义数据集的类别/// </summary>public string Label { get; set; }}
}

 

3. 模型调整适配

安装Netron：

借助Netron查看模型，模型输出解析：YOLOv8不同任务（检测、分割、分类）和不同导出方式的模型输出格式可能有差异。请务必使用 Netron 等工具打开你的ONNX模型，核对输入和输出层的名称与维度，并据此调整代码中的Preprocess和Postprocess方法，下图标注为调整这两函数的重要参数。

 

 

 

 

 

 

 

 

 

 

4. 训练你自己的YOLOv8模型

训练流程

flowchart TD

    A[开始: 准备自定义数据集] --> B{数据准备工作}

    

    B --> C[收集原始图像]

    B --> D[使用LabelImg标注]

    B --> E[组织标准目录结构]

    

    E --> F[创建数据集配置文件]

    F --> G[配置关键训练参数]

    G --> H[执行训练命令]

    H --> I[评估训练效果]

    I --> J[导出ONNX模型]

    J --> K[完成: 获得yolov8n.onnx]

 

 

第一步：准备数据集

这是最关键的一步，高质量的数据集是模型性能的保障。

收集与整理图片

收集包含你所需检测目标的图片，确保每类目标至少有500-1000张图片，覆盖不同的角度、光照和背景。

将图片按约定比例（如80%训练集，20%验证集）分别放入dataset/images/train和dataset/images/val文件夹。

 

标注图片

安装标注工具：推荐使用 LabelImg，可以通过pip安装：pip install labelImg==1.8.6。

标注数据：在命令行输入 labelImg 打开工具。

打开图片目录 (Open Dir)：指向你的 images/train 或 images/val 文件夹。

设置保存目录 (Change Save Dir)：指向对应的 labels/train 或 labels/val 文件夹。

关键：将标注格式设置为 YOLO（点击 Format 菜单选择）。

使用快捷键 W 划出目标边界框，并输入类别名称（如 cat, dog）。标注后，每个图片会生成一个同名的 .txt 文件。

 

组织数据集结构

确保你的数据集文件夹结构如下所示：

 

text

your_custom_dataset/

├── images/

│   ├── train/       # 存放训练集图片

│   └── val/         # 存放验证集图片

└── labels/

    ├── train/       # 存放训练集标注文件 (.txt)

    └── val/         # 存放验证集标注文件 (.txt)

注意：图片文件（如 001.jpg）和其对应的标注文件（001.txt）必须同名。

第二步：创建数据集配置文件

你需要创建一个YAML文件（例如 my_data.yaml），来告诉YOLOv8你的数据集在哪里以及有哪些类别。

文件内容示例：

yaml

# 数据集根目录路径（根据你的实际情况修改）

path: /path/to/your_custom_dataset

# 训练集和验证集图片路径（相对于path的路径）

train: images/train

val: images/val

 

# 类别数量 (nc) 和 类别名称列表 (names)

nc: 2  # 例如，假设你有2个类别

names: ['cat', 'dog']  # 类别名称，顺序必须与标注文件中的类别ID保持一致[citation:10]

重要提示：names列表中的顺序至关重要。例如，你在LabelImg中将猫标注为"cat"，那么这个列表里"cat"的索引（0）就必须对应标注文件.txt中的类别ID0。

 

第三步：训练模型

环境准备好之后，就可以开始训练了。

 

基本训练命令

打开终端或命令行，进入你的项目目录，运行以下命令开始训练：

 

bash

yolo detect train data=my_data.yaml model=yolov8n.pt epochs=50 imgsz=640 device=0

data: 指定你刚创建的数据集配置文件。

model: 指定预训练模型，从预训练模型开始训练效果更好。

epochs: 训练轮数，50是一个常见的起始值。

imgsz: 输入模型的图片尺寸。

 

device: 指定GPU进行训练，例如device=0。如果使用CPU，则设置为device=cpu。

 

训练过程监控

训练开始后，终端会显示损失曲线等指标。训练好的模型会默认保存在 runs/detect/train/ 目录下，其中 weights/best.pt 就是性能最好的模型权重。

 

第四步：导出ONNX模型

训练完成后，就可以将最佳的模型权重（best.pt）导出为ONNX格式了。

 

使用Python脚本导出

 

python

from ultralytics import YOLO

 

# 加载训练得到的最佳模型

model = YOLO('runs/detect/train/weights/best.pt')

 

# 导出模型为ONNX格式

model.export(format='onnx')

执行后，你会在 best.pt 相同的目录下找到导出的 .onnx 文件。

 

关键导出参数（可选）

imgsz: 指定导出模型的输入图像尺寸。

 

simplify: 默认为True，用于简化ONNX模型，通常建议开启。

dynamic: 如果希望模型支持动态输入尺寸（例如用于不同分辨率的图片），可以设置此参数。

 

补充说明： 

从预训练模型开始：使用 yolov8n.pt 等预训练权重进行迁移学习，可以显著提高训练速度和模型精度。

合理设置训练轮数：初始训练时， epochs 设置为50-100轮观察效果，避免过拟合或欠拟合。

注意硬件资源：根据你的GPU显存调整 batch-size，如果显存较小，可以设置较小的值（如4, 8）。