C# winform部署rf-detr目标检测的onnx模型

本项目是一个基于.NET Framework 4.7.2和ONNX Runtime的目标检测桌面应用程序。该应用利用RF-DETR模型对图像进行目标检测,并在图像上绘制检测框和标签。

功能特点

  • 实时目标检测:支持对图片和摄像头视频流进行目标检测
  • 多类别识别:支持包括人、车、动物等在内的80个目标类别
  • 高效推理:采用ONNX模型进行快速推理
  • 可视化结果:在图像上绘制边界框和标签
  • 多平台支持:支持图片文件选择和实时摄像头检测

效果展示

技术栈

  • .NET Framework 4.7.2
  • ONNX Runtime 1.20.1
  • OpenCvSharp 4.9.0
  • RF-DETR Nano目标检测模型

环境要求

  • Windows操作系统
  • Visual Studio 2019或更高版本
  • .NET Framework 4.7.2开发包

安装指南

克隆项目

bash 复制代码
git clone <repository-url>

恢复NuGet包

项目使用以下主要NuGet包:

  • Microsoft.ML.OnnxRuntime (1.20.1)
  • Microsoft.ML.OnnxRuntime.Managed (1.20.1)
  • OpenCvSharp4 (4.9.0.20240103)
  • OpenCvSharp4.Extensions (4.9.0.20240103)
  • System.Drawing.Common (7.0.0)

可以通过Visual Studio自动还原包或使用NuGet CLI:

bash 复制代码
nuget restore FIRC.sln

构建项目

在Visual Studio中打开FIRC.sln(file:///C:/Users/Administrator/Downloads/FIRC/FIRC.sln)解决方案文件,设置为"x64"平台和"Debug"或"Release"配置,然后构建项目。

或者使用命令行构建:

bash 复制代码
msbuild FIRC.sln /p:Configuration=Debug /p:Platform=x64

使用说明

  1. 确保weights(file:///C:/Users/Administrator/Downloads/FIRC/bin/x64/Debug/weights)目录中有以下文件:

    • rf-detr-nano.onnx(file:///C:/Users/Administrator/Downloads/FIRC/bin/x64/Debug/weights/rf-detr-nano.onnx) - 模型文件
    • labels.txt(file:///C:/Users/Administrator/Downloads/FIRC/bin/x64/Debug/weights/labels.txt) - 类别标签文件
  2. 运行应用程序

  3. 点击"打开图片"按钮选择要检测的图片文件

  4. 点击"开始检测"按钮进行目标检测

  5. 点击"摄像头检测"按钮启动实时摄像头检测(需要摄像头设备)

支持的检测类别

应用支持检测以下80个类别:

person, bicycle, car, motorbike, aeroplane, bus, train, truck, boat, traffic light, fire hydrant, stop sign, parking meter, bench, bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe, backpack, umbrella, handbag, tie, suitcase, frisbee, skis, snowboard, sports ball, kite, baseball bat, baseball glove, skateboard, surfboard, tennis racket, bottle, wine glass, cup, fork, knife, spoon, bowl, banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake, chair, sofa, pottedplant, bed, diningtable, toilet, tvmonitor, laptop, mouse, remote, keyboard, cell phone, microwave, oven, toaster, sink, refrigerator, book, clock, vase, scissors, teddy bear, hair drier, toothbrush

项目结构

复制代码
FIRC/
├── FIRC.csproj                  # 项目文件
├── Program.cs                   # 程序入口点
├── Form1.cs                     # 主窗体逻辑
├── Form1.Designer.cs            # 主窗体设计器
├── RFDetrManager.cs             # RF-DETR模型管理器
├── weights/                     # 模型和标签文件
│   ├── rf-detr-nano.onnx        # ONNX模型文件
│   └── labels.txt               # 类别标签文件
└── packages/                    # NuGet包

核心组件

RFDetrManager类

这是项目的核心类,负责:

  1. 加载ONNX模型
  2. 图像预处理(缩放、归一化、标准化)
  3. 模型推理
  4. 结果后处理(NMS、置信度过滤)
  5. 结果可视化

图像处理流程

  1. 图像预处理:

    • 调整图像尺寸到模型输入要求(通常是640x640)
    • 归一化像素值到0,1范围
    • 标准化处理(使用ImageNet均值和标准差)
  2. 模型推理:

    • 使用ONNX Runtime执行模型推理
  3. 结果后处理:

    • 应用sigmoid激活函数获取置信度
    • 执行非极大值抑制(NMS)去除重复检测
    • 过滤低置信度检测结果
  4. 结果可视化:

    • 在图像上绘制边界框
    • 添加类别标签和置信度分数

性能优化

  • 使用高效的矩阵运算库进行图像处理
  • 采用轻量级的RF-DETR Nano模型保证推理速度
  • 实现了高效的NMS算法减少重复检测

注意事项

  1. 应用程序需要x64平台运行
  2. 确保weights目录下的模型文件完整
  3. 摄像头检测功能需要可用的摄像头设备
  4. 图像检测结果的质量依赖于输入图像的分辨率和清晰度
相关推荐
罗西的思考7 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
伞伞悦读9 小时前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
会飞锦鲤10 小时前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
高洁011 天前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
意念回复2 天前
从 RNN 到 GQA:自注意力与多头注意力机制全解析
人工智能·rnn·深度学习
哈尔滨张谦蛋2 天前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习
chh5633 天前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
汤姆宝库3 天前
RoPE旋转位置编码的实现与长上下文外推
python·深度学习·机器学习
tellmewhoisi3 天前
深度学习0:数学知识:(L1正则化和L2正则化)
人工智能·深度学习