### 使用 OpenCvSharp 加载并运行 YOLOv11-ONNX 模型实现图像分类 要在 C# 中使用 OpenCvSharp 部署 YOLOv11-ONNX 图像分类模型，可以按照以下方法操作： #### 1. **准备开发环境** 确保已经安装了所需的工具和库。具体包括： - Visual Studio 2019 或更高版本。 - .NET Framework 4.7.2 或更高版本。 - 安装 NuGet 包 `OpenCvSharp4` 和 `OpenCvSharp4.runtime.win`。 此外，还需要准备好以下文件： - ONNX 格式的 YOLOv11 模型文件（`.onnx`）。 - 类别名称文件（通常是 `.txt` 文件），用于映射预测结果到具体的类别标签[^1]。 --- #### 2. **加载 YOLOv11-ONNX 模型** 使用 OpenCvSharp 的 DNN 模块来加载 ONNX 模型。以下是代码示例： ```csharp using OpenCvSharp; using System; class Program { static void Main(string[] args) { // 载入 YOLOv11-ONNX 模型 string modelPath = "path_to_your_model/yolov11.onnx"; var net = CvDnn.ReadNetFromONNX(modelPath); Console.WriteLine("Model loaded successfully."); } } ``` 此代码片段展示了如何通过 `ReadNetFromONNX` 方法加载 ONNX 模型[^1]。 --- #### 3. **预处理输入图像** YOLOv11 对输入图像有特定的要求，因此需要对其进行预处理。常见的预处理步骤包括调整大小、归一化以及通道排列转换（BGR 到 RGB）。下面是一个完整的预处理流程： ```csharp // 输入图像路径 string imagePath = "path_to_image/input.jpg"; // 读取图像 Mat image = Cv2.ImRead(imagePath); if (image.Empty()) { throw new Exception("Image not found or unable to load!"); } // 获取模型的输入尺寸（假设为 640x640） int inputWidth = 640; int inputHeight = 640; // 缩放图像至指定尺寸 Mat resizedImage = new Mat(); Cv2.Resize(image, resizedImage, new Size(inputWidth, inputHeight)); // 归一化像素值范围 [0, 1] resizedImage.ConvertTo(resizedImage, MatType.CV_32F, 1.0 / 255.0); // 将 BGR 转换为 RGB（如果必要） Cv2.CvtColor(resizedImage, resizedImage, ColorConversionCodes.BGR2RGB); Console.WriteLine("Image preprocessed successfully."); ``` 以上代码实现了图像缩放、归一化和颜色空间转换的操作[^1]。 --- #### 4. **执行推理并获取输出** 将预处理后的图像作为输入传递给模型，并提取其输出数据。 ```csharp // 创建 blob 并设置为网络输入 var blob = CvDnn.BlobFromImage(resizedImage, 1.0, new Size(inputWidth, inputHeight), new Scalar(0, 0, 0), swapRB: true, crop: false); net.SetInput(blob); // 执行前向传播 Mat outputBlob = net.Forward(); Console.WriteLine("Inference completed."); ``` 这里的关键在于创建一个适合模型输入的数据结构（blob），并通过 `Forward()` 方法触发推理过程[^1]。 --- #### 5. **后处理与解析结果** YOLO 输出的结果可能包含多个维度的信息，例如置信度分数、边界框坐标等。对于图像分类任务，通常只需要关注最高概率对应的类别索引及其得分。 ```csharp // 假设输出形状为 [batch_size, num_classes] int batchSize = outputBlob.Rows; int numClasses = outputBlob.Cols; for (int i = 0; i < batchSize; ++i) { double maxScore = Double.MinValue; int predictedClassIndex = -1; for (int j = 0; j < numClasses; ++j) { double score = outputBlob.At<double>(i, j); if (score > maxScore) { maxScore = score; predictedClassIndex = j; } } // 映射类别索引到实际标签 string labelFilePath = "path_to_labels/classes.txt"; List<string> classLabels = File.ReadAllLines(labelFilePath).ToList(); string predictedLabel = classLabels[predictedClassIndex]; Console.WriteLine($"Predicted Class: {predictedLabel}, Confidence: {maxScore:F2}"); } ``` 这段代码遍历输出张量中的每一行，找到最大值对应的位置，并将其转化为可解释的类别标签[^1]。 --- #### 6. **显示结果** 最后一步是将分类结果显示出来。可以通过简单的控制台打印或更高级的方式展示在图形界面上。 ```csharp // 可选：绘制文本标注于原始图片上 Point textPosition = new Point(10, 30); // 文本位置 Scalar textColor = new Scalar(0, 255, 0); // 字体颜色 (绿色) Cv2.PutText(image, $"Class: {predictedLabel}", textPosition, HersheyFonts.HersheySimplex, 1.0, textColor, 2); Cv2.ImShow("Classification Result", image); Cv2.WaitKey(0); ``` 上述代码会在原图左上方添加文字说明，并打开窗口显示结果[^1]。 --- ### 总结 通过上述步骤，可以在 C# 环境下利用 OpenCvSharp 成功部署 YOLOv11-ONNX 模型进行图像分类任务。整个过程中需要注意的是模型的具体输入要求（如分辨率、归一化方式）、类别标签文件的正确性以及性能优化的可能性。 ---