C# 通过 OpenCvSharp 和 Yolov8Net 实现图像自动识别

DotNet技术匠 · 2025-7-18 18:10:23

前言

随着人工智能技术的不断发展，目标检测作为计算机视觉领域的核心技术之一，在智能安防、自动驾驶、工业质检等领域发挥着重要作用。

YOLO（You Only Look Once）系列模型凭借其高效性与准确性，成为当前最流行的目标检测框架之一。

YOLOv8 是由 Ultralytics 推出的最新一代 YOLO 模型，它在性能、灵活性和效率方面进行了多项优化，并支持包括目标检测、图像分割、姿态估计、跟踪和分类等多种视觉任务。

本文将以实际项目为例，介绍如何基于 .NET 8 + OpenCvSharp + Yolov8Net 开发一个简单但功能完整的目标检测系统。

YOLO 系列发展

YOLO 系列模型自2015年由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 提出以来，经历了多个版本的迭代：

YOLOv1 (2015)：首次提出单阶段检测思想，实现了实时检测。

YOLOv2 (2016)：引入批量归一化、锚框（Anchor Box）、维度聚类等技术。

YOLOv3 (2018)：改进主干网络结构，使用多尺度预测提升小目标检测效果。

YOLOv4 (2020)：引入 Mosaic 数据增强、无锚检测头和新的损失函数。

YOLOv5 (2020)：由 Ultralytics 维护，增强了训练流程和部署能力。

YOLOv6 (2022)：由美团开源，适用于自动配送机器人等场景。

YOLOv7 (2022)：新增关键点检测、姿态估计等功能。

YOLOv8 (2023)：Ultralytics 的最新版本，集检测、分割、跟踪、分类于一体，具备强大的通用性和扩展性。

系统实现1、开发环境

本系统采用 .NET 8 平台进行开发，结合 Visual Studio 2022 进行界面设计与调试。核心库如下：

Yolov8Net：用于加载 YOLOv8 模型并执行推理；

OpenCvSharp：用于图像处理和结果绘制；

NuGet 包管理器：快速安装所需依赖项。

环境搭建步骤

1、安装 Visual Studio 2022 及 .NET 8 SDK；

2、创建 Windows Forms App (.NET) 项目；

3、使用 NuGet 安装

Yolov8Net

和

OpenCvSharp4

相关包；

4、将训练好的

.onnx

模型文件放入项目目录中（如

models/yolov8n1.onnx

）；

2、功能模块

系统主要包括以下功能模块：

图像选择与显示；

模型加载与推理；

检测结果可视化；

支持用户自定义模型路径（后续可扩展为模型训练引导）。

引用库

using Yolov8Net;using OpenCvSharp;using OpenCvSharp.Extensions;

3、核心代码实现

图像选择功能

private void button1_Click(object sender, EventArgs e){    OpenFileDialog dialog = new OpenFileDialog();    dialog.Title = "请选择文件";    dialog.Filter = "图像文件(*.jpg;*.jpeg)|*.jpg;*.jpeg";    if (dialog.ShowDialog() == System.Windows.Forms.DialogResult.OK)    {        string file = dialog.FileName;        textBox1.Text = file;        Mat PublicMat1 = Cv2.ImRead(file, ImreadModes.AnyColor);        pictureBox1.Image = BitmapConverter.ToBitmap(PublicMat1);        showing(file);    }}

目标检测与结果显示

private void showing(string picPath){    // 加载模型    usingvar yolo = YoloV8Predictor.Create("models\\yolov8n1.onnx");    var img = SixLabors.ImageSharp.Image.Load(picPath);    // 执行推理    var predictions = yolo.Predict(img);    // 图像绘制    Mat PublicMat1 = Cv2.ImRead(picPath, ImreadModes.AnyColor);    Scalar color = Scalar.Red;    foreach (var pred in predictions)    {        int x = (int)Math.Round(Math.Max(pred.Rectangle.X, 0));        int y = (int)Math.Round(Math.Max(pred.Rectangle.Y, 0));        int width = (int)Math.Round(Math.Min(img.Width - x, pred.Rectangle.Width));        int height = (int)Math.Round(Math.Min(img.Height - y, pred.Rectangle.Height));        // 绘制矩形框        Cv2.Rectangle(PublicMat1, new Rect(x, y, width, height), color, 2);        // 添加标签文本        string text = $"{pred.Label.Name} [{pred.Score:F2}]";        Cv2.PutText(PublicMat1, text, new Point(x, y - 8), HersheyFonts.HersheyTriplex, 0.6, color);    }    // 显示结果图像    pictureBox2.Image = BitmapConverter.ToBitmap(PublicMat1);}