使用C#进行Yolo模型的Predict和Segment训练及推理

资源内容介绍

使用C#进行Yolo模型的Predict和Segment两个场景的训练及推理，包括Yolov5、Yolov8、Yolov11，尺寸覆盖n、s、l、m、l、x的大小。本压缩包中只包含了各模型的n大小的预训练权重，更多尺寸的预训练权重请在 https://github.com/IntptrMax/YoloSharp下载。另外该项目已经打包成dll并发布在了Nuget上，使用IntptrMax.YoloSharp即可直接使用。随着深度学习技术的不断进步，目标检测模型在各种智能系统中的应用变得越来越广泛。Yolo（You Only Look Once）模型作为一种流行的目标检测框架，以其速度快、准确度高而受到开发者的青睐。在C#中训练和推理Yolo模型，允许开发者将先进的目标检测功能集成到.NET平台的应用程序中，拓展了这些应用的适用场景。本项目主要关注于使用C#语言进行Yolo模型的Predict和Segment训练及推理。项目中涉及的Yolo模型包括Yolov5、Yolov8和Yolov11，这些模型是Yolo家族中的不同版本，每个版本针对目标检测任务的性能和特点进行了优化。在不同的应用场景中，可以选择适合的模型版本来实现目标检测。此外，模型尺寸的选择也对性能和效率有着重要影响。Yolo模型提供了多种尺寸覆盖（n、s、m、l、x），以适应不同计算资源和精度需求。本压缩包特别包含了n尺寸的预训练权重，用户可以基于这些权重进行进一步的训练或直接应用于推理任务。对于其他尺寸的预训练权重，开发者可以通过提供的链接访问GitHub上的相关项目进行下载。值得一提的是，本项目已经将核心功能封装成dll动态链接库，并发布在了Nuget上。这意味着开发者可以通过简单的包管理命令安装并直接使用YoloSharp库。使用IntptrMax.YoloSharp包，开发者可以轻松地在自己的C#应用程序中集成Yolo模型，进行图像的目标检测和分割。利用Yolo模型进行Predict，开发者可以训练模型识别图像中的特定目标，并进行分类和定位。而对于Segment场景，Yolo模型可以进行像素级的目标分割，区分图像中不同的物体区域，这对于图像理解和处理具有更深层次的意义。这两种训练和推理的场景对于安防监控、自动驾驶辅助、图像内容审核等应用领域具有重要的应用价值。本项目为C#开发者提供了一个便捷的工具，使得在.NET平台上实现复杂的目标检测和图像分割任务成为可能。开发者不仅可以通过现有的预训练权重快速开始项目，还可以根据需要自定义训练过程，以及下载其他尺寸的权重以满足不同应用场景的需求。借助Nuget包管理和GitHub资源，项目具有良好的扩展性和社区支持，是推动智能应用开发的重要工具。

# YoloSharpTrain Yolo model in C# with TorchSharp. </br>With the help of this project you won't have to transform .pt model to onnx, and can train your own model in C#.## Feature- Written in C# only.- Train and predict your own model.- Support Yolov5, Yolov5u, Yolov8 and Yolov11 now.- Support n/s/m/l/x size.- Support LetterBox and Mosaic4 method for preprocessing images.- Support NMS with GPU.- Support Load PreTrained models from ultralytics/yolov5/yolov8 and yolo11 (converted).## ModelsYou can download yolov5/yolov8 pre-trained models here.| model | n| s | m | l | x || --- | ----------- | ----------- | ----------- | ----------- | ----------- || yolov5 | [yolov5n](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5n.bin) | [yolov5s](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5s.bin) | [yolov5m](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5m.bin) | [yolov5l](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5l.bin) | [yolov5x](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5x.bin) || yolov5 | [yolov5nu](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5nu.bin) | [yolov5su](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5su.bin) | [yolov5mu](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5mu.bin) | [yolov5lu](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5lu.bin) | [yolov5xu](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov5xu.bin) || yolov8 | [yolov8n](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov8n.bin) | [yolov8s](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov8s.bin) | [yolov8m](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov8m.bin) | [yolov8l](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov8l.bin) | [yolov8x](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov8x.bin) || yolov11 | [yolov11n](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov11n.bin) | [yolov11s](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov11s.bin) | [yolov11m](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov11m.bin) | [yolov11l](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov11l.bin) | [yolov11x](https://github.com/IntptrMax/YoloSharp/releases/download/v1.0.4/Yolov11x.bin) |## How to useYou can download the code or add it from nuget.dotnet add package IntptrMax.YoloSharp --version 1.0.0Then you can use it with the code below:Bitmap inputBitmap = new Bitmap(predictImagePath);// Create predictorPredictor predictor = new Predictor(sortCount, yoloType: yoloType, deviceType: deviceType, yoloSize: yoloSize, dtype: dtype);// Train modelpredictor.LoadModel(preTraindModelPath);predictor.Train(trainDataPath, valDataPath, outputPath: outputPath, batchSize: batchSize, epochs: epochs);// Predict imagepredictor.LoadModel(Path.Combine(outputPath, "best.bin"));var results = predictor.ImagePredict(inputBitmap, predictThreshold, iouThreshold);For example:Use yolov5n pre-trained model to detect coco128