OpenVINO™ C# API部署YOLOv9目标检测和实例分割模型

描述

YOLOv9模型是YOLO系列实时目标检测算法中的最新版本,代表着该系列在准确性、速度和效率方面的又一次重大飞跃。它通过引入先进的深度学习技术和创新的架构设计,如通用ELAN(GELAN)和可编程梯度信息(PGI),显著提升了物体检测的性能。在本文中,我们将结合OpenVINO C# API使用最新发布的OpenVINO 2024.0部署YOLOv9目标检测和实例分割模型。

1. 前言

1.1

OpenVINO C# API

英特尔发行版 OpenVINO 工具套件基于 oneAPI 而开发,可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件,适用于从边缘到云的各种英特尔平台上,帮助用户更快地将更准确的真实世界结果部署到生产系统中。通过简化的开发工作流程,OpenVINO 可赋能开发者在现实世界中部署高性能应用程序和算法。

深度学习

2024年3月7日,英特尔发布了开源OpenVINO 2024.0工具包,用于在各种硬件上优化和部署人工智能推理。OpenVINO是英特尔出色的开源AI工具包,不仅可以在x86_64 CPU上加速AI推断,还可以在ARM CPU和其他架构、英特尔集成显卡和独立显卡等硬件上加速AI推断,包括最近推出的NPU插件,用于利用新酷睿超 “Meteor Lake”系统芯片中的英特尔神经处理单元。OpenVINO 2024.0更注重生成式人工智能(GenAI),为TensorFlow句子编码模型提供了更好的开箱即用体验,支持专家混合(MoE)。同时还提高了LLM的INT4权重压缩质量,增强了LLM在英特尔CPU上的性能,简化了Hugging Face模型的优化和转换,并改进了其他Hugging Face集成。

OpenVINO C# API是一个OpenVINO的.Net wrapper,应用最新的OpenVINO库开发,通过OpenVINO C API实现.Net对OpenVINO Runtime调用,使用习惯与OpenVINO C++ API一致。OpenVINO C# API由于是基于OpenVINO开发,所支持的平台与OpenVINO完全一致,具体信息可以参考OpenVINO。通过使用OpenVINO C# API,可以在.NET、.NET Framework等框架下使用C#语言实现深度学习模型在指定平台推理加速。

下表为当前发布的OpenVINO C# API NuGet Package,支持多个目标平台,可以通过NuGet一键安装所有依赖。

Core Managed Libraries

深度学习

Native Runtime Libraries

深度学习

1.2

YOLOv9

YOLOv9模型是YOLO系列实时目标检测算法中的最新版本,代表着该系列在准确性、速度和效率方面的又一次重大飞跃。它通过引入先进的深度学习技术和创新的架构设计,如通用ELAN(GELAN)和可编程梯度信息(PGI),显著提升了物体检测的性能。

具体来说,YOLOv9解决了深度神经网络中信息丢失的问题,通过整合PGI和GELAN架构,不仅增强了模型的学习能力,还确保了在整个检测过程中保留关键信息。此外,它采用更深的网络结构以提取更丰富的特征,同时引入残差连接和跨层连接等机制以优化训练过程。为了提高模型的泛化能力并降低过拟合风险,YOLOv9还使用了正则化技术,如权重衰减和Dropout。

深度学习

由于YOLOv9在模型架构、训练策略以及数据处理等方面的改进,它在COCO数据集上能够获得更高的AP值,显示出其在复杂和多样化场景下的卓越性能。此外,YOLOv9还注重实时性能,通过优化网络结构和计算效率,实现了在保持高性能的同时减少计算量和提高处理速度。这使得YOLOv9在实时目标检测任务中具有显著优势,能够满足各种应用场景的需求。

深度学习

2. 模型获取

2.1

源码下载

YOLOv9模型可以通过源码进行下载,首先克隆GitHub上的源码,输入以下指令:

 

git clone https://github.com/WongKinYiu/yolov9.git
cd yolov9

 

深度学习

2.2

配置环境

接下来安装模型下载以及转换环境,此处使用Anaconda进行程序集管理,输入以下指令创建一个yolov9环境:

 

conda create -n yolov9 python=3.10
conda activate yolov9

 

然后安装yolov9模型下载以及转换所必需的环境,输入以下指令:

 

pip install -r requirements.txt
pip install openvino==2024.0.0

 

2.3

下载模型

首先导出目标识别模型,此处以官方预训练模型为例,首先下载预训练模型文件,然后调用export.py文件导出ONBNX格式的模型文件,最后使用OpenVINO的模型转换命令将模型转为IR格式,依次输入以下指令即可:

 

wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.p
python export.py --weights ./yolov9-c.pt --imgsz 640 --include onnx
ovc yolov9-c.onnx

 

深度学习

同样的方式可以导出实例分割模型:

wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/gelan-c-seg.ptt
python export.py --weights ./gelan-c-seg.pt --imgsz 640 --include onnx
ovc gelan-c-seg.onnx

模型的结构如下图所示:

深度学习

深度学习

3. Yolov9项目配置

3.1

项目创建与环境配置

在Windows平台开发者可以使用Visual Studio平台开发程序,但无法跨平台实现,为了实现跨平台,此处采用dotnet指令进行项目的创建和配置。

首先使用dotnet创建一个测试项目,在终端中输入一下指令:

 

dotnet new console --framework net6.0 --use-program-main -o yolov9

 

此处以Windows平台为例安装项目依赖,首先是安装OpenVINO C# API项目依赖,在命令行中输入以下指令即可:

 

dotnet add package OpenVINO.CSharp.API
dotnet add package OpenVINO.runtime.win
dotnet add package OpenVINO.CSharp.API.Extensions
dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp

 

接下来安装使用到的图像处理库OpenCvSharp,在命令行中输入以下指令即可:

 

dotnet add package OpenCvSharp4
dotnet add package OpenCvSharp4.Extensions
dotnet add package OpenCvSharp4.runtime.win

 

添加完成项目依赖后,项目的配置文件如下所示:

 




  
    Exe
    net6.0
    enable
    enable
  
  
  
    
    
    
    
    
    
  
  

 

3.2

定义模型预测方法

使用OpenVINO C# API部署模型主要包括以下几个步骤:

初始化 OpenVINO Runtime Core

读取本地模型(将图片数据预处理方式编译到模型)

将模型编译到指定设备

创建推理通道

处理图像输入数据

设置推理输入数据

模型推理

获取推理结果

处理结果数据

01

定义目标检测模型方法

按照OpenVINO C# API部署深度学习模型的步骤,编写YOLOv9模型部署流程,在之前的项目里,我们已经部署了YOLOv5~8等一系列模型,其部署流程是基本一致的,YOLOv9模型部署代码如下所示:

 

static void yolov9_det(string model_path, string image_path, string device)
{
    // -------- Step 1. Initialize OpenVINO Runtime Core --------
    Core core = new Core();
    // -------- Step 2. Read inference model --------
    Model model = core.read_model(model_path);
    // -------- Step 3. Loading a model to the device --------
    CompiledModel compiled_model = core.compile_model(model, device);
    // -------- Step 4. Create an infer request --------
    InferRequest infer_request = compiled_model.create_infer_request();
    // -------- Step 5. Process input images --------
    Mat image = new Mat(image_path); // Read image by opencvsharp
    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 factor = (float)(max_image_length / 640.0);
    // -------- Step 6. Set up input data --------
    Tensor input_tensor = infer_request.get_input_tensor();
    Shape input_shape = input_tensor.get_shape();
    Mat input_mat = CvDnn.BlobFromImage(max_image, 1.0 / 255.0, new OpenCvSharp.Size(input_shape[2], input_shape[3]), 0, true, false);
    float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];
    Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
    input_tensor.set_data(input_data);
    // -------- Step 7. Do inference synchronously --------
    infer_request.infer();
    // -------- Step 8. Get infer result data --------
    start = DateTime.Now;
    Tensor output_tensor = new Tensor();
    if (model.get_outputs_size() > 1)
    {
        output_tensor = infer_request.get_output_tensor(1);
    }
    else
    {
        output_tensor = infer_request.get_output_tensor();
    }
    int output_length = (int)output_tensor.get_size();
    float[] output_data = output_tensor.get_data(output_length);
    // -------- Step 9. Process reault  --------
    Mat result_data = new Mat(84, 8400, MatType.CV_32F, output_data);
    result_data = result_data.T();
    // Storage results list
    List position_boxes = new List();
    List class_ids = new List();
    List confidences = new List();
    // Preprocessing output results
    for (int i = 0; i < result_data.Rows; i++)
    {
        Mat classes_scores = new Mat(result_data, new Rect(4, i, 80, 1));
        OpenCvSharp.Point max_classId_point, min_classId_point;
        double max_score, min_score;
        // Obtain the maximum value and its position in a set of data
        Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,
            out min_classId_point, out max_classId_point);
        // Confidence level between 0 ~ 1
        // Obtain identification box information
        if (max_score > 0.25)
        {
            float cx = result_data.At(i, 0);
            float cy = result_data.At(i, 1);
            float ow = result_data.At(i, 2);
            float oh = result_data.At(i, 3);
            int x = (int)((cx - 0.5 * ow) * factor);
            int y = (int)((cy - 0.5 * oh) * factor);
            int width = (int)(ow * factor);
            int height = (int)(oh * factor);
            Rect box = new Rect();
            box.X = x;
            box.Y = y;
            box.Width = width;
            box.Height = height;


            position_boxes.Add(box);
            class_ids.Add(max_classId_point.X);
            confidences.Add((float)max_score);
        }
    }
    // NMS non maximum suppression
    int[] indexes = new int[position_boxes.Count];
    CvDnn.NMSBoxes(position_boxes, confidences, 0.5f, 0.5f, out indexes);
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];
        Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);
        Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),
            new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);
        Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),
            new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),
            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);
    }
    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
    Cv2.ImWrite(output_path, image);
    Slog.INFO("The result save to " + output_path);
    Cv2.ImShow("Result", image);
    Cv2.WaitKey(0);
}

 

02

定义实例分割模型方法

实例分割模型部署流程与目标检测基本一致,主要不同点是模型结果的后处理方式,此处只展示了模型结果后处理代码,其他代码与YOLOv9目标检测代码一致,YOLOv9实例分割模型部署代码如下所示:

 

static void yolov9_seg(string model_path, string image_path, string device)
{
    ... ...(代码与上文一致)
    // -------- Step 8. Get infer result data --------
    Tensor output_tensor_0 = infer_request.get_output_tensor(0);
    float[] result_detect = output_tensor_0.get_data((int)output_tensor_0.get_size());
    Tensor output_tensor_1 = infer_request.get_output_tensor(1);
    float[] result_proto = output_tensor_1.get_data((int)output_tensor_1.get_size());
    Mat detect_data = new Mat(116, 8400, MatType.CV_32FC1, result_detect);
    Mat proto_data = new Mat(32, 25600, MatType.CV_32F, result_proto);
    detect_data = detect_data.T();
    List position_boxes = new List();
    List class_ids = new List();
    List confidences = new List();
    List masks = new List();
    for (int i = 0; i < detect_data.Rows; i++)
    {
        Mat classes_scores = new Mat(detect_data, new Rect(4, i, 80, 1));//GetArray(i, 5, classes_scores);
        Point max_classId_point, min_classId_point;
        double max_score, min_score;
        Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,
            out min_classId_point, out max_classId_point);
        if (max_score > 0.25)
        {
            Mat mask = new Mat(detect_data, new Rect(4 + 80, i, 32, 1));//detect_data.Row(i).ColRange(4 + categ_nums, categ_nums + 36);
            float cx = detect_data.At(i, 0);
            float cy = detect_data.At(i, 1);
            float ow = detect_data.At(i, 2);
            float oh = detect_data.At(i, 3);
            int x = (int)((cx - 0.5 * ow) * factor);
            int y = (int)((cy - 0.5 * oh) * factor);
            int width = (int)(ow * factor);
            int height = (int)(oh * factor);
            Rect box = new Rect();
            box.X = x;
            box.Y = y;
            box.Width = width;
            box.Height = height;
            position_boxes.Add(box);
            class_ids.Add(max_classId_point.X);
            confidences.Add((float)max_score);
            masks.Add(mask);
        }
    }
    int[] indexes = new int[position_boxes.Count];
    CvDnn.NMSBoxes(position_boxes, confidences, 0.5f, 0.5f, out indexes);
    SegResult result = new SegResult();
    Mat rgb_mask = Mat.Zeros(new Size((int)image.Size().Width, (int)image.Size().Height), MatType.CV_8UC3);
    Random rd = new Random(); // Generate Random Numbers
    for (int i = 0; i < indexes.Length; i++)
    {
        int index = indexes[i];
        // Division scope
        Rect box = position_boxes[index];
        int box_x1 = Math.Max(0, box.X);
        int box_y1 = Math.Max(0, box.Y);
        int box_x2 = Math.Max(0, box.BottomRight.X);
        int box_y2 = Math.Max(0, box.BottomRight.Y);
        // Segmentation results
        Mat original_mask = masks[index] * proto_data;
        for (int col = 0; col < original_mask.Cols; col++)
        {
            original_mask.Set(0, col, sigmoid(original_mask.At(0, col)));
        }
        // 1x25600 -> 160x160 Convert to original size
        Mat reshape_mask = original_mask.Reshape(1, 160);
        // Split size after scaling
        int mx1 = Math.Max(0, (int)((box_x1 / factor) * 0.25));
        int mx2 = Math.Min(160, (int)((box_x2 / factor) * 0.25));
        int my1 = Math.Max(0, (int)((box_y1 / factor) * 0.25));
        int my2 = Math.Min(160, (int)((box_y2 / factor) * 0.25));
        // Crop Split Region
        Mat mask_roi = new Mat(reshape_mask, new OpenCvSharp.Range(my1, my2), new OpenCvSharp.Range(mx1, mx2));
        // Convert the segmented area to the actual size of the image
        Mat actual_maskm = new Mat();
        Cv2.Resize(mask_roi, actual_maskm, new Size(box_x2 - box_x1, box_y2 - box_y1));
        // Binary segmentation region
        for (int r = 0; r < actual_maskm.Rows; r++)
        {
            for (int c = 0; c < actual_maskm.Cols; c++)
            {
                float pv = actual_maskm.At(r, c);
                if (pv > 0.5)
                {
                    actual_maskm.Set(r, c, 1.0f);
                }
                else
                {
                    actual_maskm.Set(r, c, 0.0f);
                }
            }
        }
        // 预测
        Mat bin_mask = new Mat();
        actual_maskm = actual_maskm * 200;
        actual_maskm.ConvertTo(bin_mask, MatType.CV_8UC1);
        if ((box_y1 + bin_mask.Rows) >= (int)image.Size().Height)
        {
            box_y2 = (int)image.Size().Height - 1;
        }
        if ((box_x1 + bin_mask.Cols) >= (int)image.Size().Width)
        {
            box_x2 = (int)image.Size().Width - 1;
        }
        // Obtain segmentation area
        Mat mask = Mat.Zeros(new Size((int)image.Size().Width, (int)image.Size().Height), MatType.CV_8UC1);
        bin_mask = new Mat(bin_mask, new OpenCvSharp.Range(0, box_y2 - box_y1), new OpenCvSharp.Range(0, box_x2 - box_x1));
        Rect roi1 = new Rect(box_x1, box_y1, box_x2 - box_x1, box_y2 - box_y1);
        bin_mask.CopyTo(new Mat(mask, roi1));
        // Color segmentation area
        Cv2.Add(rgb_mask, new Scalar(rd.Next(0, 255), rd.Next(0, 255), rd.Next(0, 255)), rgb_mask, mask);
        result.add(class_ids[index], confidences[index], position_boxes[index], rgb_mask.Clone());
    }
    Mat masked_img = new Mat();
    // Draw recognition results on the image
    for (int i = 0; i < result.count; i++)
    {
        Cv2.Rectangle(image, result.datas[i].box, new Scalar(0, 0, 255), 2, LineTypes.Link8);
        Cv2.Rectangle(image, new Point(result.datas[i].box.TopLeft.X, result.datas[i].box.TopLeft.Y + 30),
            new Point(result.datas[i].box.BottomRight.X, result.datas[i].box.TopLeft.Y), new Scalar(0, 255, 255), -1);
        Cv2.PutText(image, CocoOption.lables[result.datas[i].index] + "-" + result.datas[i].score.ToString("0.00"),
            new Point(result.datas[i].box.X, result.datas[i].box.Y + 25),
            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);
        Cv2.AddWeighted(image, 0.5, result.datas[i].mask, 0.5, 0, masked_img);
    }
    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
    Cv2.ImWrite(output_path, masked_img);
    Slog.INFO("The result save to " + output_path);
    Cv2.ImShow("Result", masked_img);
    Cv2.WaitKey(0);
}

 

03

使用OpenVINO预处理接口编译模型

OpenVINO提供了推理数据预处理接口,用户可以更具模型的输入数据预处理方式进行设置。在读取本地模型后,调用数据预处理接口,按照模型要求的数据预处理方式进行输入配置,然后再将配置好的预处理接口与模型编译到一起,这样便实现了将模型预处理与模型结合在一起,实现OpenVINO对于处理过程的加速。主要是现在代码如下所示:

 

static void yolov9_seg_with_process(string model_path, string image_path, string device)
{
    // -------- Step 1. Initialize OpenVINO Runtime Core --------
    Core core = new Core();
    // -------- Step 2. Read inference model --------
    Model model = core.read_model(model_path);
    OvExtensions.printf_model_info(model);
    PrePostProcessor processor = new PrePostProcessor(model);
    Tensor input_tensor_pro = new Tensor(new OvType(ElementType.U8), new Shape(1, 640, 640, 3));
    InputInfo input_info = processor.input(0);
    InputTensorInfo input_tensor_info = input_info.tensor();
    input_tensor_info.set_from(input_tensor_pro).set_layout(new Layout("NHWC")).set_color_format(ColorFormat.BGR);


    PreProcessSteps process_steps = input_info.preprocess();
    process_steps.convert_color(ColorFormat.RGB).resize(ResizeAlgorithm.RESIZE_LINEAR)
        .convert_element_type(new OvType(ElementType.F32)).scale(255.0f).convert_layout(new Layout("NCHW"));
    Model new_model = processor.build();
    // -------- Step 3. Loading a model to the device --------
    CompiledModel compiled_model = core.compile_model(new_model, device);
    // -------- Step 4. Create an infer request --------
    InferRequest infer_request = compiled_model.create_infer_request();
    // -------- Step 5. Process input images --------
    Mat image = new Mat(image_path); // Read image by opencvsharp
    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));
    Cv2.Resize(max_image, max_image, new OpenCvSharp.Size(640, 640));
    float factor = (float)(max_image_length / 640.0);
    // -------- Step 6. Set up input data --------
    start = DateTime.Now;
    Tensor input_tensor = infer_request.get_input_tensor();
    Shape input_shape = input_tensor.get_shape();
    byte[] input_data = new byte[input_shape[1] * input_shape[2] * input_shape[3]];
    //max_image.GetArray(out input_data);
    Marshal.Copy(max_image.Ptr(0), input_data, 0, input_data.Length);
    IntPtr destination = input_tensor.data();
    Marshal.Copy(input_data, 0, destination, input_data.Length);
    // -------- Step 7. Do inference synchronously --------
  ... ...(后续与上文代码一致)
}

 

4. 模型预测方法调用

定义完模型推理接口后,便可以在主函数里进行调用。此处为了让大家更好的复现本文代码,提供了在线模型,用户只需要运行以下代码,便可以直接下载转换好的模型进行模型推理,无需再自行转换,主函数代码如下所示:

 

static void Main(string[] args)
{
    string model_path = "";
    string image_path = "";
    string device = "AUTO";
    if (args.Length == 0)
    {
        if (!Directory.Exists("./model"))
        {
            Directory.CreateDirectory("./model");
        }
        if (!File.Exists("./model/yolov9-c-converted.xml") && !File.Exists("./model/yolov9-c-converted.bin"))
        {
            if (!File.Exists("./model/yolov9-c-converted.tar"))
            {
                _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/yolov9-c-converted.tar",
                    "./model/yolov9-c-converted.tar").Result;
            }
            Download.unzip("./model/yolov9-c-converted.tar", "./model/");
        }
        if (!File.Exists("./model/test_det_01.jpg"))
        {
            _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_01.jpg",
                "./model/test_det_01.jpg").Result;
        }
        model_path = "./model/yolov9-c-converted.xml";
        image_path = "./model/test_det_01.jpg";
    }
    else if (args.Length >= 2)
    {
        model_path = args[0];
        image_path = args[1];
        device = args[2];
    }
    else
    {
        Console.WriteLine("Please enter the correct command parameters, for example:");
        Console.WriteLine("> 1. dotnet run");
        Console.WriteLine("> 2. dotnet run   ");
    }
    // -------- Get OpenVINO runtime version --------
    OpenVinoSharp.Version version = Ov.get_openvino_version();
    Slog.INFO("---- OpenVINO INFO----");
    Slog.INFO("Description : " + version.description);
    Slog.INFO("Build number: " + version.buildNumber);
    Slog.INFO("Predict model files: " + model_path);
    Slog.INFO("Predict image  files: " + image_path);
    Slog.INFO("Inference device: " + device);
    Slog.INFO("Start yolov9 model inference.");
    yolov9_det(model_path, image_path, device);
    yolov9_det_with_process(model_path, image_path, device);
}

 

5. 项目运行与演示

5.1

项目编译和运行

接下来输入项目编译指令进行项目编译,输入以下指令即可:

 

dotnet build

 

接下来运行编译后的程序文件,在CMD中输入以下指令,运行编译后的项目文件:

 

dotnet run --no-build

 

5.2

YOLOv9目标检测模型运行结果

下图为YOLOv9 目标检测模型运行输出信息,此处我们使用在线转换好的模型进行推理。,首先会下载指定模型以及推理数据到本地,这样避免了开发者在自己配置环境和下载模型;接下来是输出打印 OpenVINO 版本信息,此处我们使用NuGet安装的依赖项,已经是OpenVINO 2024.0最新版本;接下来就是打印相关的模型信息,并输出每个过程所消耗时间。

深度学习

下图为使用YOLOv9目标检测模型推理结果:

深度学习

深度学习

5.3

YOLOv9实例分割模型运行结果

下图为YOLOv9实例分割模型运行输出信息,此处我们使用在线转换好的模型进行推理。首先会下载指定模型以及推理数据到本地,这样避免了开发者在自己配置环境和下载模型;接下来是输出打印OpenVINO版本信息,此处我们使用NuGet安装的依赖项,已经是OpenVINO 2024.0最新版本;接下来就是打印相关的模型信息,并输出每个过程所消耗时间。

深度学习

下图为使用YOLOv9实例分割模型推理结果:

深度学习

深度学习

6. 总结

在该项目中,我们结合之前开发的OpenVINO C# API 项目部署YOLOv9模型,成功实现了对象目标检测与实例分割,并且根据不同开发者的使用习惯,同时提供了OpenCvSharp以及Emgu.CV两种版本,供各位开发者使用。


 

审核编辑:刘清

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分