机器学习框架ML.NET学习笔记【8】目标检测（采用YOLO2模型）

一个通过TinyYolo2模型实现目标检测的例子。

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

 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

  ImageNetData类定义如下：

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，

 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。

 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.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：

 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.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）

点击查看机器学习框架ML.NET学习笔记系列文章目录

签名区：

如果您觉得这篇博客对您有帮助或启发，请点击右侧【推荐】支持，谢谢！