C#AI系列(4): 从零开始纯 C# 训练专属 YOLO 模型 — See Sharp Yolo

LdotJdot2025-12-01 16:29

本文代码、标记工具、测试训练集均已开源，仅需关注 萤火初芒 公众号回复AISharp即可查看仓库地址，供学习交流使用，无套路（部分测试图片为网图，侵删）。

一、Yolo训练的实现基础

实现纯C#训练Yolo，我们可以选择在 YoloSharp (https://github.com/IntptrMax/YoloSharp) 的基础上进行实现。需要注意的是搜出来的高星同名YoloSharp项目有两个，一个是跑模型的(dme-compunet/YoloSharp)，另一个才是可训练的(IntptrMax/YoloSharp)，我们使用后者，后续提到YoloSharp均指IntptrMax/YoloSharp。

在YoloSharp代码中可以看到，项目包含了多个不同版本Yolo的TorchSharp实现（对TorchSharp不了解的可以看之前将TorchSharp的文章）。可自行调整或保持与Yolov11一致的结构。YoloSharp中的Yolo11模型代码如下:

csharp 复制代码 
public class Yolov11 : Yolov8
{
	protected override int[] outputIndexs => new int[] { 4, 6, 10, 13, 16, 19, 22 };

	public Yolov11(int nc = 80, YoloSize yoloSize = YoloSize.n, Device? device = null, torch.ScalarType? dtype = null, int[] kpt_shape = null) : base(nc, yoloSize, device, dtype, kpt_shape: kpt_shape)
	{

	}

	internal override ModuleList<Module> BuildModel(int nc, YoloSize yoloSize, Device? device, torch.ScalarType? dtype)
	{
		(float depth_multiple, float width_multiple, int max_channels, bool useC3k) = yoloSize switch
		{
			YoloSize.n => (0.5f, 0.25f, 1024, false),
			YoloSize.s => (0.5f, 0.5f, 1024, false),
			YoloSize.m => (0.5f, 1.0f, 512, true),
			YoloSize.l => (1.0f, 1.0f, 512, true),
			YoloSize.x => (1.0f, 1.5f, 768, true),
			_ => throw new ArgumentOutOfRangeException(nameof(yoloSize), yoloSize, null)
		};

		base.widths = new List<int> { 64, 128, 256, 512, 1024 }.Select(w => Math.Min((int)(w * width_multiple), max_channels)).ToArray();
		int depthSize = (int)(2 * depth_multiple);
		ch = new int[] { widths[2], widths[3], widths[4] };

		ModuleList<Module> mod = new ModuleList<Module>(
			new Conv(3, widths[0], 3, 2, device: device, dtype: dtype),
			new Conv(widths[0], widths[1], 3, 2, device: device, dtype: dtype),
			new C3k2(widths[1], widths[2], depthSize, useC3k, e: 0.25f, device: device, dtype: dtype),
			new Conv(widths[2], widths[2], 3, 2, device: device, dtype: dtype),
			new C3k2(widths[2], widths[3], depthSize, useC3k, e: 0.25f, device: device, dtype: dtype),
			new Conv(widths[3], widths[3], 3, 2, device: device, dtype: dtype),
			new C3k2(widths[3], widths[3], depthSize, c3k: true, device: device, dtype: dtype),
			new Conv(widths[3], widths[4], 3, 2, device: device, dtype: dtype),
			new C3k2(widths[4], widths[4], depthSize, c3k: true, device: device, dtype: dtype),
			new SPPF(widths[4], widths[4], 5, device: device, dtype: dtype),
			new C2PSA(widths[4], widths[4], depthSize, device: device, dtype: dtype),

			Upsample(scale_factor: new double[] { 2, 2 }, mode: UpsampleMode.Nearest),
			new Concat(),
			new C3k2(widths[4] + widths[3], widths[3], depthSize, useC3k, device: device, dtype: dtype),

			Upsample(scale_factor: new double[] { 2, 2 }, mode: UpsampleMode.Nearest),
			new Concat(),
			new C3k2(widths[3] + widths[3], widths[2], depthSize, useC3k, device: device, dtype: dtype),

			new Conv(widths[2], widths[2], 3, 2, device: device, dtype: dtype),
			new Concat(),
			new C3k2(widths[3] + widths[2], widths[3], depthSize, useC3k, device: device, dtype: dtype),

			new Conv(widths[3], widths[3], 3, 2, device: device, dtype: dtype),
			new Concat(),
			new C3k2(widths[4] + widths[3], widths[4], depthSize, c3k: true, device: device, dtype: dtype),

			new Yolov8Detect(nc, ch, false, device: device, dtype: dtype)
		);
		return mod;
	}
}

二、数据集准备

训练开始前需要先准备训练集。以目标检测为例，每一张图片和该图片对应的分类标签构成了一个case，比如 001.jpg 和 001.txt。

图片：如果图片尺寸不同，模型读取后会自行适配大小。当某些群体或场景在数据集中代表性不足或过度代表时，会导致泛化能力差。因此尽量需要从多个来源收集数据，以捕获不同的视角和场景，如果实在样本不够还可以对代表性不足的类别进行过采样、或考虑数据增强和公平感知算法。

标注：常见的标注有边界框（对象检测任务）、多边形（实例分割）、掩码（语义分割）、关键点（姿势估计和面部特征点检测）等。

以对象检测任务为例, 假设001.jpg是训练集中的一个图像，001.txt是与图片对应的标注数据：

txt 复制代码 
// 001.txt
0 0.486622 0.287910 0.273133 0.243852
1 0.386423 0.549155 0.532456 0.732381

每行有5列数据，各自对应的含义如下：

类别 中心x 中心y 对象框宽度 对象框高度
0 0.486622 0.287910 0.273133 0.243852

制作数据集是入门的第一道坎。为了提高效率，有多种开源工具可以帮助简化数据标注流程。本项目中用的是Yolo_Label，提供了较好的快捷键与简单的操作逻辑，仅需选择分类，框选即可完成标记，显著提升了标注速度。

三、模型训练

3.1 训练前参数配置

开源的YoloSharp开放了很多参数可以直接用。如果没有开放的，比如想修改optimizer（默认为SGD），也可以直接去源码中对TorchSharp代码进行修改。

下面是YoloSharp给出的Demo中用到的参数，以及相关说明。

本项目中对trainDataPath和valDataPath的路径配置进行了修改，为了方便使标记与图片放在了同一个文件夹下，这样就和Yolo_Label输出路径一致了。

csharp 复制代码 
// 训练集根目录
string rootPath = @"D:\Desktop\yoloTransf\medical-pills";   

// 训练数据的目录，存放图片和标注  xxxx.jpg xxxx.txt
string trainDataPath = @"\train"; 

// 用于评估训练过程数据的目录，存放图片  xxxx.jpg xxxx.txt
// 也可以用训练集来评估
string valDataPath = @"\val";

// 模型输出位置，自动保存 best.bin 和 last.bin
string outputPath = @"D:\Desktop\yoloTransf\medical-pills\result";

// 批训练组大小
int batchSize = 5;

// 总类别的数量，设置不对会报错
int numberClass = 1;

// 训练迭代次数
int epochs = 120;

// 训练时所有图像被统一缩放到的边长
int imageSize = 480;

// 预测时
float predictThreshold = 0.3f;
float iouThreshold = 0.5f;

// YoloSharp自带的枚举值
YoloType yoloType = YoloType.Yolov11; // Yolo代
DeviceType deviceType = DeviceType.CUDA; // Cpu or GPU
ScalarType dtype = ScalarType.Float32;  // 候选 Float16
YoloSize yoloSize = YoloSize.n; // 预设几档大小 n, s , m, l, x
ImageProcessType imageProcessType = ImageProcessType.Mosiac; // 候选 LetterBox
TaskType taskType = TaskType.Detection; // YoloSharp目前支持的几种任务类型：Detection, Segmentation, Obb, Pose
Classification = 4,

3.2 模型训练

模型训练主要代码就4行。需要先实例化一个YoloTask实例；然后选择性的可加载之前预训练的模型; 如果不加载也可以从头开始直接Train; 手动另存SaveModel（原项YoloSharp自动保存没有SaveModel方法，这个是自己改的）。

csharp 复制代码 
// 实例化
YoloTask yoloTask = new YoloTask(taskType, numberClass, yoloType: yoloType, deviceType: deviceType, yoloSize: yoloSize, dtype: dtype);

// 可选
// yoloTask.LoadModel(@"d:\medical-pills.yolo11", skipNcNotEqualLayers: true);

// 训练
yoloTask.Train(rootPath, trainDataPath, valDataPath, lr: 1E-4f, outputPath: outputPath, imageSize: imageSize, batchSize: batchSize, epochs: epochs, imageProcessType: imageProcessType);

// 另存
yoloTask.SaveModel(@"d:\medical-pills.yolo11");

在单纯运行预测的时候，把train和saveModel全部注释掉，仅实例化YoloTask就可以了。

3.3 模型预测

定义一个路径，然后读取，传入加载好的模型执行预测，生成YoloResult。YoloResult的各个元素就代表着一个对象检测任务中识别到的结果。

csharp 复制代码 
string predictImagePath = @"D:\Desktop\yoloTransf\medical-pills\val\Frame_456.jpg";
Mat predictImage = Cv2.ImRead(predictImagePath);
float predictThreshold = 0.3f;    // 检测置信度的阈值，越低越容易检出
float iouThreshold = 0.5f;        // 区域重叠度的阈值，越低越容易检出
List<YoloResult> predictResult = yoloTask.ImagePredict(predictImage, predictThreshold, iouThreshold);

其他包括在图片上绘制检测框以及类别标注就比较简单，demo里都有不再赘述。

四、模型效果

以下案例都是在笔记本上训练10来分钟就停止了，并不代表YoloSharp的最终效果。仅作为可用性的初探以及使用的示例。

4.1 公开数据集测试

检查模型及代码效果首先可以尝试官方的数据集，如ultralytics提供了很多经典数据集免费下载还有详细说明（https://docs.ultralytics.com/zh/datasets/）。

我们先试试医疗药丸（medical-pills ）案例。效果看起来还不错，用了最小的模型，其他参数默认，效果还不错，具体如下：

训练集大小 文件大小 图像尺寸 模型大小 训练时长 内存占用 GPU负载
98 6.92 MB 1920×1080 n: 11 MB 10 min 9 GB -

官方训练集图片及标注示意：

使用官方图片检验预测效果（下图），训练集质量很高，形状特征简单明显，最终效果看着很好：

外部图片检验预测效果（下图），泛化比较差，也与训练集过于单一有关：

4.2 自定义数据集测试

尝试在网上搜集了部分持烟的照片，象征性的进行了训练，能在部分场景下，大致识别出人头部位，说明模型能用，最终效果还得看训练集质量。

训练集大小 文件大小 图像尺寸 模型大小 训练时长 内存占用 GPU 负载
50 3.99 MB 不定 l: 77 MB 30 min 16 GB 99 %

训练集图片示意：

自定义的标注分类（下图），将头部分为smoke(持烟)和nosmoke(未持烟)两类：

：

预测效果，部分图片仅能识别出0类别（即抽烟的头部），且置信度很低：

反过来对训练集的预测效果检查发现（下图），仅仅训练出了头部的识别，可能与训练样本中二者比例相差过大，样本太小，训练不充分有关：

六、 最后

在C# 训练Yolo模型貌似是可行的。尽管语法不如python那么灵活，运行不如脚本化那么方便。但是，C# 开发工具适配工具的能力强啊，说不定分分钟就整出来美观友好全界面操作人人都能上手的UI了。

感谢您的阅读，本案例及更加完整丰富的机器学习模型案例的代码已全部开源，关注公众号回复AISharp即可查看仓库地址，本期相关代码在仓库下面的YoloInSharp_YoloSharp文件夹里可以找到。

热门推荐
01GitHub 镜像站点02BongoCat - 跨平台键盘猫动画工具03UV安装并设置国内源04安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）05Linux下V2Ray安装配置指南06【保姆级教程】免费使用Gemini3的5种方法！免翻墙/国内直连0746个Nano-banana 精选提示词，持续更新中08Meta第三代“分割一切”模型——SAM 3本地部署教程：首支持文本提示分割，400万概念、30毫秒响应，检测分割追踪一网打尽09本地部署阿里最新开源的Z-Image10在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）