[C#][winform]基于yolov11的淡水鱼种类检测识别系统C#源码+onnx模型+评估指标曲线+精美GUI界面

FL16238631292025-12-22 22:49

【算法介绍】

基于YOLOv11的淡水鱼种类检测系统是一种利用深度学习技术，特别是YOLOv11目标检测算法，实现对淡水鱼种类进行自动识别的高效系统，其支持识别的目标种类涵盖：孟加拉鲳鱼（Bangus）、鳙鱼（Big Head Carp）、黑斑鲃（Black Spotted Barb）、鲶鱼（Catfish）、攀鲈（Climbing Perch）、四指马鲅（Fourfinger Threadfish）、淡水鳗鲡（Freshwater Eel）、玻璃鲈鱼（Glass Perchlet）、虾虎鱼（Goby）、金鱼（Gold Fish）、吻口鱼（Gourami）、草鱼（Grass Carp）、绿斑河豚（Green Spotted Puffer）、印度鲤（Indian Carp）、印度鲮（Indo-Pacific Tarpon）、美洲鲈（Jaguar Gapote）、清道夫鱼（Janitor Fish）、刀鱼（Knifefish）、长吻管鳚（Long-Snouted Pipefish）、食蚊鱼（Mosquito Fish）、塘鳢（Mudfish）、鲻鱼（Mullet）、湄公鱼（Pangasius）、鲈鱼（Perch）、油鱼（Scat Fish）、银鲃（Silver Barb）、银鲫（Silver Carp）、银鲈（Silver Perch）、黑鱼（Snakehead）、巨鲶（Tenpounder）及罗非鱼（Tilapia）。

该系统的工作原理是通过训练YOLOv11模型，使其能够准确识别淡水图像或视频中的鱼类种类。YOLOv11作为YOLO系列的最新版本，具有强大的特征提取能力和高效的推理速度，这使得它能够在复杂的水下环境中快速、准确地检测出淡水鱼，并标注出其种类和位置。

在构建该系统时，首先需要准备一个包含各种淡水鱼图像的数据集，并对这些图像进行标注，包括鱼类的位置和类别信息。然后，使用这些数据对YOLOv11模型进行训练，使其学习到淡水鱼的特征。训练完成后，系统就可以对输入的淡水鱼图像或视频进行实时检测，并输出检测结果。

该系统可以广泛应用于淡水渔业资源管理、生态保护、水产养殖等领域。例如，在水产养殖中，通过该系统可以实时监测鱼塘中的鱼类种类和数量，为养殖者提供决策依据。在生态保护方面，该系统可以帮助科研人员更好地了解淡水鱼类的分布和数量，为生态保护提供数据支持。

总之，基于YOLOv11的淡水鱼种类检测系统是一种高效、准确的目标检测系统，具有广泛的应用前景。

【效果展示】

【测试环境】

windows10 x64系统

VS2019

netframework4.7.2

opencvsharp4.9.0

onnxruntime1.22.0

注意使用CPU推理，没有使用cuda推理因此不需要电脑具有nvidia显卡，无需安装安装cuda+dunn

【训练数据集介绍】

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

图片数量(jpg文件个数)：2967

标注数量(xml文件个数)：2967

标注数量(txt文件个数)：2967

标注类别数：31

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Bangus","Big Head Carp","Black Spotted Barb","Catfish","Climbing Perch","Fourfinger Threadfish","Freshwater Eel","Glass Perchlet","Goby","Gold Fish","Gourami","Grass Carp","Green Spotted Puffer","Indian Carp","Indo-Pacific Tarpon","Jaguar Gapote","Janitor Fish","Knifefish","Long-Snouted Pipefish","Mosquito Fish","Mudfish","Mullet","Pangasius","Perch","Scat Fish","Silver Barb","Silver Carp","Silver Perch","Snakehead","Tenpounder","Tilapia"]

每个类别标注的框数：

Bangus 框数 = 81

Big Head Carp 框数 = 77

Black Spotted Barb 框数 = 76

Catfish 框数 = 84

Climbing Perch 框数 = 91

Fourfinger Threadfish 框数 = 55

Freshwater Eel 框数 = 77

Glass Perchlet 框数 = 89

Goby 框数 = 118

Gold Fish 框数 = 81

Gourami 框数 = 87

Grass Carp 框数 = 170

Green Spotted Puffer 框数 = 60

Indian Carp 框数 = 75

Indo-Pacific Tarpon 框数 = 86

Jaguar Gapote 框数 = 75

Janitor Fish 框数 = 88

Knifefish 框数 = 83

Long-Snouted Pipefish 框数 = 84

Mosquito Fish 框数 = 91

Mudfish 框数 = 55

Mullet 框数 = 86

Pangasius 框数 = 87

Perch 框数 = 81

Scat Fish 框数 = 67

Silver Barb 框数 = 98

Silver Carp 框数 = 74

Silver Perch 框数 = 80

Snakehead 框数 = 81

Tenpounder 框数 = 104

Tilapia 框数 = 1763

总框数：4304

使用标注工具：labelImg

标注规则：对类别进行画矩形框

重要说明：暂无

特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

图片预览：

标注例子：

【训练信息】

|-----------------|-------|
| 参数 | 值 |
| 训练集图片数 | 2003 |
| 验证集图片数 | 760 |
| 训练map | 75.6% |
| 训练精度(Precision) | 75.6% |
| 训练召回率(Recall) | 69.8% |

验证集评估精度信息：

|-----------------------|--------|-----------|-------|-------|-------|----------|
| Class | Images | Instances | P | R | mAP50 | mAP50-95 |
| all | 760 | 966 | 0.756 | 0.698 | 0.756 | 0.628 |
| Bangus | 8 | 12 | 0.585 | 0.417 | 0.462 | 0.418 |
| Big Head Carp | 15 | 15 | 0.725 | 0.467 | 0.561 | 0.511 |
| Black Spotted Barb | 12 | 13 | 0.606 | 0.593 | 0.584 | 0.513 |
| Catfish | 11 | 11 | 0.546 | 0.636 | 0.531 | 0.345 |
| Climbing Perch | 12 | 12 | 0.713 | 0.917 | 0.882 | 0.713 |
| Fourfinger Threadfish | 9 | 9 | 0.332 | 0.889 | 0.685 | 0.546 |
| Freshwater Eel | 14 | 14 | 0.786 | 0.857 | 0.87 | 0.726 |
| Glass Perchlet | 13 | 13 | 0.61 | 0.723 | 0.663 | 0.565 |
| Goby | 51 | 54 | 0.888 | 0.439 | 0.79 | 0.645 |
| Gold Fish | 6 | 6 | 0.904 | 1 | 0.995 | 0.94 |
| Gourami | 9 | 9 | 0.962 | 1 | 0.995 | 0.83 |
| Grass Carp | 22 | 22 | 0.618 | 0.864 | 0.746 | 0.655 |
| Green Spotted Puffer | 15 | 15 | 0.955 | 0.933 | 0.988 | 0.829 |
| Indian Carp | 11 | 11 | 0.393 | 0.545 | 0.389 | 0.311 |
| Indo-Pacific Tarpon | 8 | 9 | 0.124 | 0.333 | 0.156 | 0.139 |
| Jaguar Gapote | 11 | 11 | 0.771 | 0.921 | 0.968 | 0.906 |
| Janitor Fish | 19 | 21 | 0.84 | 0.619 | 0.749 | 0.543 |
| Knifefish | 10 | 10 | 0.963 | 1 | 0.995 | 0.87 |
| Long-Snouted Pipefish | 18 | 20 | 0.929 | 0.651 | 0.823 | 0.561 |
| Mosquito Fish | 13 | 14 | 1 | 0.627 | 0.786 | 0.595 |
| Mudfish | 13 | 13 | 0.361 | 0.462 | 0.499 | 0.413 |
| Mullet | 13 | 16 | 0.691 | 0.625 | 0.644 | 0.589 |
| Pangasius | 12 | 12 | 0.88 | 0.917 | 0.951 | 0.837 |
| Perch | 29 | 29 | 1 | 0.87 | 0.98 | 0.917 |
| Scat Fish | 46 | 46 | 0.987 | 0.848 | 0.981 | 0.811 |
| Silver Barb | 52 | 54 | 0.87 | 0.371 | 0.693 | 0.585 |
| Silver Carp | 16 | 16 | 0.778 | 0.938 | 0.786 | 0.71 |
| Silver Perch | 39 | 40 | 0.801 | 0.65 | 0.808 | 0.652 |
| Snakehead | 46 | 49 | 0.916 | 0.447 | 0.788 | 0.507 |
| Tenpounder | 75 | 80 | 0.98 | 0.275 | 0.793 | 0.668 |
| Tilapia | 130 | 310 | 0.921 | 0.79 | 0.906 | 0.602 |

【界面代码】

复制代码 
using DeploySharp.Data;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Drawing;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading;
using System.Threading.Tasks;
using System.Windows.Forms;
 
namespace FIRC
{
    public partial class Form1 : Form
    {
 
        public bool videoStart = false;//视频停止标志
        string weightsPath = Application.StartupPath + "\\weights";//模型目录
        YoloDetector detetor = new YoloDetector();//推理引擎
        public Form1()
        {
            InitializeComponent();
            CheckForIllegalCrossThreadCalls = false;//线程更新控件不报错
        }
        private void LoadWeightsFromDir()
        {
            var di = new DirectoryInfo(weightsPath);
            foreach(var fi in di.GetFiles("*.onnx"))
            {
                comboBox1.Items.Add(fi.Name);
            }
            if(comboBox1.Items.Count>0)
            {
                comboBox1.SelectedIndex = 0;
            }
            else
            {
                tssl_show.Text = "未找到模型,请关闭程序，放入模型到weights文件夹!";
                tsb_pic.Enabled = false;
                tsb_video.Enabled = false;
                tsb_camera.Enabled = false;
            }
        }
        private void Form1_Load(object sender, EventArgs e)
        {
            LoadWeightsFromDir();//从目录加载模型
                               
        }
        public string GetResultString(DetResult[] result)
        {
            Dictionary<string, int> resultDict = new Dictionary<string, int>();
            for (int i = 0; i < result.Length; i++)
            {
                if(resultDict.ContainsKey( result[i].Category) )
                {
                    resultDict[result[i].Category]++;
                }
                else
                {
                    resultDict[result[i].Category] =1;
                }
            }
 
            var resultStr = "";
            foreach(var item in resultDict)
            {
                resultStr += string.Format("{0}:{1}\r\n",item.Key,item.Value);
            }
            return resultStr;
        }
        private void tsb_pic_Click(object sender, EventArgs e)
        {
            OpenFileDialog ofd = new OpenFileDialog();
            ofd.Filter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";
            if (ofd.ShowDialog() != DialogResult.OK) return;
            tssl_show.Text = "正在检测中...";
            Task.Run(() => {
                var sw = new Stopwatch();
                sw.Start();
                Mat image = Cv2.ImRead(ofd.FileName);
                detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
                var results=detetor.Inference(image);
                
                var resultImage = detetor.DrawImage(image, results);
    
                sw.Stop();
                pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImage);
                tb_res.Text = GetResultString(results);
                tssl_show.Text = "检测已完成!总计耗时"+sw.Elapsed.TotalSeconds+"秒";
            });
           
 
 
        }
 
        public void VideoProcess(string videoPath)
        {
            Task.Run(() => {
 
                detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
                VideoCapture capture = new VideoCapture(videoPath);
                if (!capture.IsOpened())
                {
                    tssl_show.Text="视频打开失败!";
                    return;
                }
                Mat frame = new Mat();
                var sw = new Stopwatch();
                int fps = 0;
                while (videoStart)
                {
 
                    capture.Read(frame);
                    if (frame.Empty())
                    {
                        Console.WriteLine("data is empty!");
                        break;
                    }
                    sw.Start();
                    var results = detetor.Inference(frame);
                    var resultImg = detetor.DrawImage(frame,results);
                    sw.Stop();
                    fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
                    sw.Reset();
                    Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
                    //显示结果
                    pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);
                    tb_res.Text = GetResultString(results);
                    Thread.Sleep(5);
 
 
                }
 
                capture.Release();
 
                pb_show.Image = null;
                tssl_show.Text = "视频已停止!";
                tsb_video.Text = "选择视频";
 
            });
        }
        public void CameraProcess(int cameraIndex=0)
        {
            Task.Run(() => {
 
                detetor.SetParams(Convert.ToSingle(numericUpDown1.Value), Convert.ToSingle(numericUpDown2.Value));
                VideoCapture capture = new VideoCapture(cameraIndex);
                if (!capture.IsOpened())
                {
                    tssl_show.Text = "摄像头打开失败!";
                    return;
                }
                Mat frame = new Mat();
                var sw = new Stopwatch();
                int fps = 0;
                while (videoStart)
                {
 
                    capture.Read(frame);
                    if (frame.Empty())
                    {
                        Console.WriteLine("data is empty!");
                        break;
                    }
                    sw.Start();
                    var results = detetor.Inference(frame);
                    var resultImg = detetor.DrawImage(frame, results);
                    sw.Stop();
                    fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);
                    sw.Reset();
                    Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);
                    //显示结果
                    pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);
                    tb_res.Text = GetResultString(results);
                    Thread.Sleep(5);
 
 
                }
 
                capture.Release();
 
                pb_show.Image = null;
                tssl_show.Text = "摄像头已停止!";
                tsb_camera.Text = "打开摄像头";
 
            });
        }
        private void tsb_video_Click(object sender, EventArgs e)
        {
            if(tsb_video.Text=="选择视频")
            {
                OpenFileDialog ofd = new OpenFileDialog();
                ofd.Filter = "视频文件(*.*)|*.mp4;*.avi";
                if (ofd.ShowDialog() != DialogResult.OK) return;
                videoStart = true;
                VideoProcess(ofd.FileName);
                tsb_video.Text = "停止";
                tssl_show.Text = "视频正在检测中...";
 
            }
            else
            {
                videoStart = false;
               
            }
        }
 
        private void tsb_camera_Click(object sender, EventArgs e)
        {
            if (tsb_camera.Text == "打开摄像头")
            {
                videoStart = true;
                CameraProcess(0);
                tsb_camera.Text = "停止";
                tssl_show.Text = "摄像头正在检测中...";
 
            }
            else
            {
                videoStart = false;
 
            }
        }
 
        private void tsb_exit_Click(object sender, EventArgs e)
        {
            videoStart = false;
            this.Close();
        }
 
        private void trackBar1_Scroll(object sender, EventArgs e)
        {
            numericUpDown1.Value = Convert.ToDecimal(trackBar1.Value / 100.0f);
        }
 
        private void trackBar2_Scroll(object sender, EventArgs e)
        {
            numericUpDown2.Value = Convert.ToDecimal(trackBar2.Value / 100.0f);
        }
 
        private void numericUpDown1_ValueChanged(object sender, EventArgs e)
        {
            trackBar1.Value = (int)(Convert.ToSingle(numericUpDown1.Value) * 100);
        }
 
        private void numericUpDown2_ValueChanged(object sender, EventArgs e)
        {
            trackBar2.Value = (int)(Convert.ToSingle(numericUpDown2.Value) * 100);
        }
 
        private void comboBox1_SelectedIndexChanged(object sender, EventArgs e)
        {
            tssl_show.Text="加载模型:"+comboBox1.Text;
            detetor.LoadWeights(weightsPath+"\\"+comboBox1.Text);
            tssl_show.Text = "模型加载已完成!";
        }
    }
}

【常用评估参数介绍】

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

  1. Class ：
    • 这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
  2. Images ：
    • 表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
  3. Instances ：
    • 在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
  4. P（精确度Precision） ：
    • 精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
  5. R（召回率Recall） ：
    • 召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
  6. mAP50 ：
    • 表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
  7. mAP50-95 ：
    • 表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。

这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

【使用步骤】

使用步骤：

（1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并根据官方export命令将自己pt模型转成onnx模型,然后去github仓库futureflsl/firc-csharp-projects找到源码

（2）使用vs2019打开sln项目，选择x64 release并且修改一些必要的参数，比如输入shape等，点击运行即可查看最后效果

特别注意如果运行报错了，请参考我的博文进行重新引用我源码的DLL：[C#]opencvsharp报错System.Memory，Version=4.0.1.2，Culture=neutral，PublicKeyToken=cc7b13fcd2ddd51"版本高于所引_未能加载文件或程序集"system.memory, version=4.0.1.2, culture-CSDN博客

【提供文件】

C#源码

yolo11n.onnx模型（提供pytorch模型）

训练的map,P,R曲线图(在weights\results.png)

测试图片（在test_img文件夹下面）

特别注意这里不提供训练数据集

相关推荐
爱笑的眼睛112 小时前
从 Seq2Seq 到 Transformer++：深度解构与自构建现代机器翻译核心组件
java·人工智能·python·ai
小润nature2 小时前
AI时代对编程技能学习方式的根本变化（1）
人工智能
AI即插即用3 小时前
即插即用系列 | ECCV 2024 WTConv：利用小波变换实现超大感受野的卷积神经网络
图像处理·人工智能·深度学习·神经网络·计算机视觉·cnn·视觉检测
愚公搬代码4 小时前
【愚公系列】《扣子开发 AI Agent 智能体应用》003-扣子 AI 应用开发平台介绍（选择扣子的理由）
人工智能
lhrimperial4 小时前
AI工程化实践指南：从入门到落地
人工智能
jifengzhiling4 小时前
零极点对消：原理、作用与风险
人工智能·算法
音沐mu.4 小时前
【36】行人红绿灯数据集(有v5/v8模型)/YOLO行人红绿灯检测
yolo·目标检测·数据集·行人红绿灯数据集·行人红绿灯检测·闯红灯检测
科技看点4 小时前
想帮帮服务智能体荣获2025 EDGE AWARDS「最佳AI创新应用」大奖
人工智能
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03Linux下V2Ray安装配置指南04在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）05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）06Labelme从安装到标注：零基础完整指南07BongoCat - 跨平台键盘猫动画工具08jdk21下载、安装（Windows、Linux、macOS）09CentOS的ISO镜像下载10NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南