C# Onnx Yolov8 Pose 姿态识别

原创 已于 2024-10-16 22:29:13 修改 · 795 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO #姿态识别 #c# #计算机视觉 #人工智能 #目标检测 #机器学习

于 2023-09-13 09:39:22 首次发布
本文详细介绍了如何在.NETFramework4.8环境中使用UltralyticsYOLOv8模型进行人体姿态检测，涉及图像预处理、模型输入输出、OpenCVSharp和Microsoft.ML.OnnxRuntime的整合，以及实际代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

效果

模型信息

项目

代码

下载 

效果

模型信息

Model Properties
-------------------------
date：2023-09-07T17:11:43.091306
description：Ultralytics YOLOv8n-pose model trained on /usr/src/app/ultralytics/datasets/coco-pose.yaml
author：Ultralytics
kpt_shape：[17, 3]
task：pose
license：AGPL-3.0 https://ultralytics.com/license
version：8.0.172
stride：32
batch：1
imgsz：[640, 640]
names：{0: 'person'}
---------------------------------------------------------------

Inputs
-------------------------
name：images
tensor：Float[1, 3, 640, 640]
---------------------------------------------------------------

Outputs
-------------------------
name：output0
tensor：Float[1, 56, 8400]
---------------------------------------------------------------

项目

VS2022

.net framework 4.8

OpenCvSharp 4.8

Microsoft.ML.OnnxRuntime 1.16.2

代码

// 配置图片数据
image = new Mat(image_path);
int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
Rect roi = new Rect(0, 0, image.Cols, image.Rows);
image.CopyTo(new Mat(max_image, roi));

float[] result_array = new float[8400 * 56];
float[] factors = new float[2];
factors[0] = factors[1] = (float)(max_image_length / 640.0);

// 将图片转为RGB通道
Mat image_rgb = new Mat();
Cv2.CvtColor(max_image, image_rgb, ColorConversionCodes.BGR2RGB);
Mat resize_image = new Mat();
Cv2.Resize(image_rgb, resize_image, new OpenCvSharp.Size(640, 640));

// 输入Tensor
// input_tensor = new DenseTensor<float>(new[] { 1, 3, 640, 640 });
for (int y = 0; y < resize_image.Height; y++)
{
    for (int x = 0; x < resize_image.Width; x++)
    {
        input_tensor[0, 0, y, x] = resize_image.At<Vec3b>(y, x)[0] / 255f;
        input_tensor[0, 1, y, x] = resize_image.At<Vec3b>(y, x)[1] / 255f;
        input_tensor[0, 2, y, x] = resize_image.At<Vec3b>(y, x)[2] / 255f;
    }
}

//将 input_tensor 放入一个输入参数的容器，并指定名称
input_ontainer.Add(NamedOnnxValue.CreateFromTensor("images", input_tensor));

dt1 = DateTime.Now;
//运行 Inference 并获取结果
result_infer = onnx_session.Run(input_ontainer);

dt2 = DateTime.Now;

// 将输出结果转为DisposableNamedOnnxValue数组
results_onnxvalue = result_infer.ToArray();

// 读取第一个节点输出并转为Tensor数据
result_tensors = results_onnxvalue[0].AsTensor<float>();

using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Windows.Forms;
using static System.Net.Mime.MediaTypeNames;

namespace Onnx_Yolov8_Demo
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        string fileFilter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";
        string image_path = "";
        string startupPath;
        string classer_path;
        DateTime dt1 = DateTime.Now;
        DateTime dt2 = DateTime.Now;
        string model_path;
        Mat image;
        PoseResult result_pro;
        Mat result_image;

        SessionOptions options;
        InferenceSession onnx_session;
        Tensor<float> input_tensor;
        List<NamedOnnxValue> input_ontainer;
        IDisposableReadOnlyCollection<DisposableNamedOnnxValue> result_infer;
        DisposableNamedOnnxValue[] results_onnxvalue;

        Tensor<float> result_tensors;

        private void button1_Click(object sender, EventArgs e)
        {
            OpenFileDialog ofd = new OpenFileDialog();
            ofd.Filter = fileFilter;
            if (ofd.ShowDialog() != DialogResult.OK) return;
            pictureBox1.Image = null;
            image_path = ofd.FileName;
            pictureBox1.Image = new Bitmap(image_path);
            textBox1.Text = "";
            image = new Mat(image_path);
            pictureBox2.Image = null;
        }

        private void button2_Click(object sender, EventArgs e)
        {
            if (image_path == "")
            {
                return;
            }

            // 配置图片数据
            image = new Mat(image_path);
            int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
            Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
            Rect roi = new Rect(0, 0, image.Cols, image.Rows);
            image.CopyTo(new Mat(max_image, roi));

            float[] result_array = new float[8400 * 56];
            float[] factors = new float[2];
            factors[0] = factors[1] = (float)(max_image_length / 640.0);

            // 将图片转为RGB通道
            Mat image_rgb = new Mat();
            Cv2.CvtColor(max_image, image_rgb, ColorConversionCodes.BGR2RGB);
            Mat resize_image = new Mat();
            Cv2.Resize(image_rgb, resize_image, new OpenCvSharp.Size(640, 640));

            // 输入Tensor
            // input_tensor = new DenseTensor<float>(new[] { 1, 3, 640, 640 });
            for (int y = 0; y < resize_image.Height; y++)
            {
                for (int x = 0; x < resize_image.Width; x++)
                {
                    input_tensor[0, 0, y, x] = resize_image.At<Vec3b>(y, x)[0] / 255f;
                    input_tensor[0, 1, y, x] = resize_image.At<Vec3b>(y, x)[1] / 255f;
                    input_tensor[0, 2, y, x] = resize_image.At<Vec3b>(y, x)[2] / 255f;
                }
            }

            //将 input_tensor 放入一个输入参数的容器，并指定名称
            input_ontainer.Add(NamedOnnxValue.CreateFromTensor("images", input_tensor));

            dt1 = DateTime.Now;
            //运行 Inference 并获取结果
            result_infer = onnx_session.Run(input_ontainer);

            dt2 = DateTime.Now;

            // 将输出结果转为DisposableNamedOnnxValue数组
            results_onnxvalue = result_infer.ToArray();

            // 读取第一个节点输出并转为Tensor数据
            result_tensors = results_onnxvalue[0].AsTensor<float>();

            result_array = result_tensors.ToArray();

            resize_image.Dispose();
            image_rgb.Dispose();

            PoseResult result_pro = new PoseResult(factors);
           result_image = result_pro.draw_result(result_pro.process_result(result_array), image.Clone());

            if (!result_image.Empty())
            {
                pictureBox2.Image = new Bitmap(result_image.ToMemoryStream());
                textBox1.Text = "推理耗时:" + (dt2 - dt1).TotalMilliseconds + "ms";
            }
            else
            {
                textBox1.Text = "无信息";
            }
        }

        private void Form1_Load(object sender, EventArgs e)
        {
            startupPath = System.Windows.Forms.Application.StartupPath;
            model_path = startupPath + "\\yolov8n-pose.onnx";
            classer_path = startupPath + "\\yolov8-detect-lable.txt";

            // 创建输出会话，用于输出模型读取信息
            options = new SessionOptions();
            options.LogSeverityLevel = OrtLoggingLevel.ORT_LOGGING_LEVEL_INFO;
            // 设置为CPU上运行
            options.AppendExecutionProvider_CPU(0);

            // 创建推理模型类，读取本地模型文件
            onnx_session = new InferenceSession(model_path, options);//model_path 为onnx模型文件的路径

            // 输入Tensor
            input_tensor = new DenseTensor<float>(new[] { 1, 3, 640, 640 });

            // 创建输入容器
            input_ontainer = new List<NamedOnnxValue>();

        }
    }
}

下载 

Demo下载

将yolov8权重文件转为onnx格式并在c#中使用
二十多岁的你迷茫又着急，想要车子，想要房子，想要享受旅行，你那么浮躁，拿什么看透人生！
02-20 2970
将训练结果的.pt权重文件转换为onnx格式，并在c#中使用转换后的onnx进行目标检测
机器视觉-使用C#进行Yolov8推理
诸葛建站
02-17 1913
Windows 窗体应用可以使用一些现成的C#类库实现yolov8的predict功能, 本文使用https://github.com/dme-compunet/YoloV8 项目的nuget包. 集成方法非常简单, 但发现这种方式预测准确度下降了很多, 看来还是使用Python API预测更好一些. GPU版环境准备 选定 Onnx runtime 版本, https://onnxrunti...
YOLOv8 的简介 及C#中如何简单应用YOLOv8
Hellc007的博客
06-26 2697
YOLOv8 是 YOLO（You Only Look Once）系列中的最新版本，是一种用于目标检测和图像分割的深度学习模型。YOLO模型以其快速和准确的目标检测性能而著称，广泛应用于实时应用程序中。
YOLOv8 模型转换 ONNX 后 C# 调用异常：一个参数引发的跨平台适配难题
最新发布
www376422613的博客
07-03 1153
​作为一名 C# 开发者，我在完成 YOLOv8 模型训练（使用 Ultralytics 官方框架，训练数据为自定义目标检测数据集，输入尺寸 640x640，训练轮次 100 轮）后，希望将训练好的best.pt模型部署到 C# 开发的桌面应用中。按照常规流程，我通过以下代码将模型转换为 ONNX后，无法在C#中正确识别结果，针对这一问题我是如何一步步解决的，如果你也遇到了类似问题，相信肯定可以帮到你。
C# winform部署yolov8-onnx手势识别模型源码(含pt模型)
01-03
测试环境： vs2019 net framework4.7.2 onnxruntime1.16.3 博客地址： blog.csdn.net/FL1623863129/article/details/135354713 视频演示： bilibili.com/video/BV1L64y1E7Fc/
Onnx Yolov8 Detect - Poker2.rar
09-19
C# Onnx Yolov8 Detect Poker 扑克牌识别 博客地址： https://blog.csdn.net/lw112190/article/details/133037169
Onnx Yolov8 Pose.rar 姿态识别
09-13
C# Onnx Yolov8 Pose.rar 姿态识别 自带模型，可直接运行 博客地址： https://blog.csdn.net/lw112190/article/details/132845722
基于YOLOv8-Pose的姿态识别项目，带数据集可直接跑通的源码
12-26
这个项目是一个基于YOLOv8-Pose的姿态识别系统，专门用于识别和分析人体姿态。项目采用了最新的YOLOv8-Pose算法，结合了COCO数据集的8种常见姿态，能够快速准确地识别人体的各种姿态。这个可以作为一个简单的项目...
C# opencvsharp部署yolov8-pose onnx模型源码
01-02
【测试环境】 vs2019 net framework4.7.2 【视频演示】 bilibili.com/video/BV1T64y1E7ws/ 【博客地址】 https://blog.csdn.net/FL1623863129/article/details/135338650
C# winform部署yolov11-pose姿态估计onnx模型源码.7z
10-06
本文所讨论的项目是基于C#语言开发的Winform应用程序，该项目成功部署了YOLOv11-Pose模型，这是YOLO（You Only Look Once）网络的一个变种，专门用于姿态估计任务。YOLOv11-Pose模型使用了ONNX（Open Neural Network...
C# Onnx Yolov8 Detect 烟雾检测 源码
10-19
C# Onnx Yolov8 Detect 烟雾检测 源码 博客地址： https://blog.csdn.net/lw112190/article/details/133924926
C# Onnx Yolov8 Detect 戴安全帽检测 源码
10-23
C# Onnx Yolov8 Detect 戴安全帽检测 源码 博客地址： https://blog.csdn.net/lw112190/article/details/133981375
C# Onnx CenterNet目标检测 源码
12-06
C# Onnx CenterNet目标检测 源码 博客地址： https://lw112190.blog.csdn.net/article/details/134834244
C# winform yolov8-onnx图像分类模型部署源码
01-03
【视频演示】 bilibili.com/video/BV1Se411v7oy/ 【博客地址】 blog.csdn.net/FL1623863129/article/details/135359963 【测试环境】 vs2019 net framework4.7.2 opencvsharp4.8.0
在C＃中使用可移植的ONNX AI模型
04-08
在本文中，我简要介绍了ONNX运行时和ONNX格式。
yolov8n-pose.pt 用 yolov8n-pose.onnx下载
03-29
将YOLOv8n-Pose模型转换为ONNX格式，可以使得该模型能在不支持PyTorch的环境中运行，比如C++、C#或JavaScript，或者在其他支持ONNX的框架如TensorFlow中使用。 下载YOLOv8n-Pose的`.pt`和`.onnx`文件后，你可以进行...
C#调用Onnx模型
xeliven的专栏
05-06 8079
前言 前段时间玩了把yolo,结果卡在用winform调用模型实识别的过程.从网络上找了很长一段时间代码,结果总不尽人意.今天隔离结束,回到工位,继续撸代码. 环境 vs2019,Net5,ML.OnnxRuntime,SixLabors. 准备 nuget下载如下包, 下载onnx权重文件 models/FasterRCNN-10.onnx at main · onnx/models · GitHub 代码 using System; using System.Collections.
C# onnx资料
qq_38239133的博客
03-28 1665
onnx查看网址：https://lutzroeder.github.io/netron 或Netron24年3月最新 exe 版下载，网页卡住的要本地看，本地也要等很久caffe查看网址：http://ethereon.github.io/netscope/#/editoropenvino :
C# Onnx Yolov8 水果识别
02-12
### 加载并运行YOLOv8模型用于水果识别 为了在C#环境中使用ONNX Runtime加载并运行YOLOv8模型来实现水果识别，需遵循一系列配置与编程实践。 #### 安装依赖库 确保项目中已经安装了`Microsoft.ML.OnnxRuntime` NuGet包。这可以通过NuGet Package Manager或命令行完成： ```shell dotnet add package Microsoft.ML.OnnxRuntime ``` #### 准备模型文件 首先，需要准备一个适用于水果识别的YOLOv8 ONNX模型文件。如果已有预训练好的`.pt`格式模型，则可通过Python脚本将其转换为ONNX格式[^1]。对于特定类别（如水果），可能还需要重新训练模型以适应新的数据集需求。 #### 编写C#代码 以下是利用ONNX Runtime执行推理过程的一个简单例子，在此之前假设已经有了名为`model.onnx`的ONNX模型以及相应的标签列表`label.txt`: ```csharp using System; using System.IO; using Microsoft.ML.OnnxRuntime; class Program { static void Main(string[] args) { var sessionOptions = new SessionOptions(); using (var sess = new InferenceSession("path/to/model.onnx", sessionOptions)) { // Prepare input data as a tensor. var inputData = File.ReadAllBytes("path/to/image.jpg"); // Convert image bytes into an appropriate format expected by the model. // This step depends on how your model expects its inputs formatted. // Create dictionary with named parameters matching those defined when exporting the model from PyTorch. var inputs = new List<NamedOnnxValue>(); inputs.Add(NamedOnnxValue.CreateFromTensor<float>("input_name", /* processed_image_tensor */)); // Run inference and get outputs. IDisposableReadOnlyCollection<IDisposable> dispColl = null; try { using (IDisposableEnumerable<DisposableNamedOnnxValue> results = sess.Run(inputs)) foreach (var result in results) Console.WriteLine($"Output name={result.Name}, shape={string.Join(", ", result.Value.AsEnumerable<object>().Select(o => o.ToString()))}"); dispColl?.Dispose(); } catch(Exception e){ Console.Error.WriteLine(e.Message); } } } } ``` 注意上述代码中的输入处理部分取决于具体的模型要求；通常情况下，图像会被调整大小、归一化，并转化为浮点数数组的形式传递给模型。 此外，由于YOLO系列算法输出的是边界框坐标和置信度分数，因此还需解析这些信息并与预先定义好的分类名称关联起来显示最终的结果。 关于NMS（Non-Maximum Suppression）操作，现代版本的ONNX OpSet支持直接将该功能集成到模型内部[^2]。这意味着只要正确设置了导出参数，就无需再单独编写额外的过滤逻辑。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

天天代码码天天

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值