一、概述
本篇文章介绍通过YOLO模型进行目标识别的应用，原始代码来源于：https://github.com/dotnet/machinelearning-samples
实现的功能是输入一张图片，对图片中的目标进行识别，输出结果在图片中通过红色框线标记出来。如下：
YOLO简介
YOLO（You Only Look Once）是一种最先进的实时目标检测系统。官方网站：https://pjreddie.com/darknet/yolo/
本文采用的是TinyYolo2模型，可以识别的目标类型包括："aeroplane", "bicycle", "bird", "boat", "bottle","bus", "car", "cat", "chair", "cow","diningtable", "dog", "horse", "motorbike", "person","pottedplant", "sheep", "sofa", "train", "tvmonitor" 。
ONNX简介
ONNX 即Open Neural Network Exchange（开放神经网络交换格式），是一个用于表示深度学习模型的通用标准，可使模型在不同框架之间进行互相访问，其规范及代码主要由微软，亚马逊 ，Facebook 和 IBM 等公司共同制定与开发。有了ONNX标准，我们就可以在ML.NET代码中使用通过其他机器学习框架训练并保存的模型。
二、代码分析
1、Main方法
static void Main(string[] args)
{
TrainAndSave();
LoadAndPredict(); Console.WriteLine("Press any key to exit!");
Console.ReadKey();
}
第一次运行时需要运行TrainAndSave方法，生成本地模型后，可以直接运行生产代码。
2、训练并保存模型
static readonly string tagsTsv = Path.Combine(trainImagesFolder, "tags.tsv");
private static void TrainAndSave()
{
var mlContext = new MLContext();
var trainData = mlContext.Data.LoadFromTextFile<ImageNetData>(tagsTsv); var pipeline = mlContext.Transforms.LoadImages(outputColumnName: "image", imageFolder: trainImagesFolder, inputColumnName: nameof(ImageNetData.ImagePath))
.Append(mlContext.Transforms.ResizeImages(outputColumnName: "image", imageWidth: ImageNetSettings.imageWidth, imageHeight: ImageNetSettings.imageHeight, inputColumnName: "image"))
.Append(mlContext.Transforms.ExtractPixels(outputColumnName: "image"))
.Append(mlContext.Transforms.ApplyOnnxModel(modelFile: YOLO_ModelFilePath, outputColumnNames: new[] { TinyYoloModelSettings.ModelOutput }, inputColumnNames: new[] { TinyYoloModelSettings.ModelInput })); var model = pipeline.Fit(trainData); using (var file = File.OpenWrite(ObjectDetectionModelFilePath))
mlContext.Model.Save(model, trainData.Schema, file); Console.WriteLine("Save Model success!");
}
ImageNetData类定义如下：
public class ImageNetData
{
[LoadColumn()]
public string ImagePath; [LoadColumn()]
public string Label;
}
tags.tsv文件中仅包含一条样本数据，因为模型已经训练好，不存在再次训练的意义。这里只要放一张图片样本即可，通过Fit方法建立数据处理通道模型。
ApplyOnnxModel方法加载第三方ONNX模型，
public struct TinyYoloModelSettings
{
// input tensor name
public const string ModelInput = "image"; // output tensor name
public const string ModelOutput = "grid";
}
其中，输入、输出的列名称是指定的。可以通过安装Netron这样的工具来查询ONNX文件的详细信息，可以看到输入输出的数据列名称。
3、应用
private static void LoadAndPredict()
{
var mlContext = new MLContext(); ITransformer trainedModel;
using (var stream = File.OpenRead(ObjectDetectionModelFilePath))
{
trainedModel = mlContext.Model.Load(stream, out var modelInputSchema);
}
var predictionEngine = mlContext.Model.CreatePredictionEngine<ImageNetData, ImageNetPrediction>(trainedModel); DirectoryInfo testdir = new DirectoryInfo(testimagesFolder);
foreach (var jpgfile in testdir.GetFiles("*.jpg"))
{
ImageNetData image = new ImageNetData
{
ImagePath = jpgfile.FullName
};
var Predicted = predictionEngine.Predict(image);
PredictImage(image.ImagePath, Predicted);
}
}
代码遍历一个文件夹下面的JPG文件。对每一个文件进行转换，获得预测结果。
ImageNetPrediction类定义如下：
public class ImageNetPrediction
{
[ColumnName(TinyYoloModelSettings.ModelOutput)]
public float[] PredictedLabels;
}
输出的“grid”列数据是一个float数组，不能直接理解其含义，所以需要通过代码将其数据转换为便于理解的格式。
YoloWinMlParser _parser = new YoloWinMlParser();
IList<YoloBoundingBox> boundingBoxes = _parser.ParseOutputs(Predicted.PredictedLabels, 0.4f);
YoloWinMlParser.ParseOutputs方法将float数组转为YoloBoundingBox对象的列表，第二个参数是可信度阙值，只输出大于该可信度的数据。
YoloBoundingBox类定义如下：
class YoloBoundingBox
{
public string Label { get; set; }
public float Confidence { get; set; } public float X { get; set; }
public float Y { get; set; }
public float Height { get; set; }
public float Width { get; set; }
public RectangleF Rect
{
get { return new RectangleF(X, Y, Width, Height); }
}
}
其中：Label为目标类型，Confidence为可行程度。
由于YOLO的特点导致对同一个目标会输出多个同样的检测结果，所以还需要对检测结果进行过滤，去掉那些高度重合的结果。
YoloWinMlParser _parser = new YoloWinMlParser();
IList<YoloBoundingBox> boundingBoxes = _parser.ParseOutputs(Predicted.PredictedLabels, 0.4f);
var filteredBoxes = _parser.NonMaxSuppress(boundingBoxes, , 0.6F);
YoloWinMlParser.NonMaxSuppress第二个参数表示最多保留多少个结果，第三个参数表示重合率阙值，将去掉重合率大于该值的记录。
四、资源获取
源码下载地址：https://github.com/seabluescn/Study_ML.NET
工程名称：YOLO_ObjectDetection
资源获取：https://gitee.com/seabluescn/ML_Assets （ObjectDetection）