【OpenVINO™】在 MacOS 上使用 OpenVINO™ C# API 部署 Yolov5

看那一群煞笔弱智

    [color=34,63,93]         在 MacOS 上使用 OpenVINO™ C# API 部署 Yolov5   

项目介绍YOLOv5 是革命性的 "单阶段"对象检测模型的第五次迭代，旨在实时提供高速、高精度的结果，是世界上最受欢迎的视觉人工智能模型，代表了Ultralytics对未来视觉人工智能方法的开源研究，融合了数千小时研发中积累的经验教训和最佳实践。同时官方发布的模型已经支持 OpenVINO™ 部署工具加速模型推理，因此在该项目中，我们将结合之前开发的 OpenVINO™ C# API 部署 YOLOv5 DET 模型实现物体对象检测。
项目链接为：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API

复制代码

项目源码链接为：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov5/yolov5_det_opencvsharp
2. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov5/yolov5_det_emgucv

复制代码

目录

• 1. 前言
  
  
  
  • 1.1 OpenVINO™ C# API
    
  • 1.2 YOLOv5
    
  
  
• 2. 模型下载与转换
  
  
  
  • 2.1 环境安装
    
  • 2.2 Yolov5 模型下载
    
  • 2.3 转换IR模型
    
  
  
• 3. Yolov5 DET 项目配置(OpenCvSharp版)
  
  
  
  • 3.1 项目创建
    
  • 3.2 添加项目依赖
    
  • 3.3 定义预测方法
    
    
    
    • (1) 使用常规方式部署模型
      
    • (2) 使用模型结构处理处理数据
      
    • (3) 使用 OpenVINO™ C# API 封装的接口
      
    
    
  • 3.4 预测方法调用
    
  
  
• 4. Yolov5 DET 项目配置(Emgu.CV 版)
  
  
  
  • 4.1 添加项目依赖
    
  • 4.2 定义预测方法
    
  
  
• 5. 项目运行与演示
  
  
  
  • 5.1 项目编译
    
  • 5.2 项目文件运行
    
  
  
• 6. 总结
  

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。

OpenVINO™ 2023.2 于 2023 年 11 月 16 日发布，该工具包带来了挖掘生成人工智能全部潜力的新功能。更多的生成式 AI 覆盖和框架集成，以最大限度地减少代码更改，并且扩展了对直接 PyTorch 模型转换的模型支持。支持更多新的模型，包括 LLaVA、chatGLM、Bark 和 LCM 等著名模型。支持更广泛的大型语言模型（LLM）和更多模型压缩技术，支持运行时推理支持以下 Int4 模型压缩格式，通过神经网络压缩框架（NNCF） 进行本机 Int4 压缩等一系列新的功能。
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。
1.2 YOLOv5

​    YOLOv5 是革命性的 "单阶段"对象检测模型的第五次迭代，旨在实时提供高速、高精度的结果，是世界上最受欢迎的视觉人工智能模型，代表了Ultralytics对未来视觉人工智能方法的开源研究，融合了数千小时研发中积累的经验教训和最佳实践。

2. 模型下载与转换

2.1 环境安装

首先创建Yolov5模型下载与转换环境，此处为了更好的管理环境，使用Anaconda创建一个虚拟环境用于安装Yolov5模型下载与转换环境，首先使用conda创建一个虚拟环境，在命令行中依次输入以下指令：

1. conda create -n yolo python=3.10
2. conda activate yolo

复制代码

接下来安装Yolov5模型下载与转换环境，基础的Yolov5模型下载需要通过克隆官方源码实现，在命令行中依次输入以下指令实现环境的安装与配置即可：

1. git clone https://github.com/ultralytics/yolov5
2. cd yolov5
3. pip install -r requirements.txt
4. pip install --upgrade openvino-nightly

复制代码

2.2 Yolov5 模型下载

Yolov5 官方提供了模型导出与转换的方式，用户只需要调用该接口便可以，在命令行中输入以下指令便可以直接导出Yolov5模型：

1. cd yolov5
2. python export.py --weights yolov5s.pt --include onnx

复制代码

结果输出如下图所示：

使用Netron工具打开模型文件，查看模型结构，如下图所示：

官方预训练模型是在COCO数据集上训练的，因此导出的模型可以识别80种物体。模型输入节点为images，输入为归一化后的图像数据，其输入大小为640×640；模型的输出节点为output0，输出大小为25200×85，其中25200(640÷8=80，640÷16=40，640÷32=20，3×80×80+3×40×40+3×20×20=25200)表示识别结果个数，85表示[cx, cy, w, h, confidence, score0, ···，score79]，分别为识别框信息、识别结果中最大置信度以及80中类别结果的分数。
2.3 转换IR模型

接下来直接使用 OpenVINO™ 工具直接进行模型转换，在CMD中输入以下指令即可：

1. ovc yolov5s.onnx

复制代码

3. Yolov5 DET 项目配置(OpenCvSharp版)

3.1 项目创建

如果开发者第一次在MacOS系统上使用C#编程语言，可以参考《在MacOS系统上配置OpenVINO™ C# API》文章进行配置。
首先使用dotnet创建一个测试项目，在终端中输入一下指令：

1. dotnet new console --framework net6.0 --use-program-main -o yolov5-det

复制代码

3.2 添加项目依赖

MacOS系统目前主要分为两类，一类是使用intel处理器的X64位的系统，一类是使用M系列芯片的arm64位系统，目前OpenVINO官方针对这两种系统都提供了编译后的系统，所以目前OpenVINO.CSharp.API针对这两种系统都提供了支持。
此处以M系列处理器的MacOS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：

1. dotnet add package OpenVINO.CSharp.API
2. dotnet add package OpenVINO.runtime.macos-arm64
3. dotnet add package OpenVINO.CSharp.API.Extensions
4. dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp

复制代码

关于在MacOS上搭建 OpenVINO™ C# API 开发环境请参考以下文章： 在MacOS上搭建OpenVINO™C#开发环境
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：

1. dotnet add package OpenCvSharp4
2. dotnet add package OpenCvSharp4.Extensions
3. dotnet add package OpenCvSharp4.runtime.osx_arm64 --prerelease

复制代码

关于在MacOS上搭建 OpenCvSharp 开发环境请参考以下文章： 【OpenCV】在MacOS上使用OpenCvSharp
添加完成项目依赖后，项目的配置文件如下所示：

1. <Project Sdk="Microsoft.NET.Sdk">
3.   <PropertyGroup>
4.     <OutputType>Exe</OutputType>
5.     <TargetFramework>net6.0</TargetFramework>
6.     <RootNamespace>yolov5_det</RootNamespace>
7.     <ImplicitUsings>enable</ImplicitUsings>
8.     <Nullable>enable</Nullable>
9.   </PropertyGroup>
11.   <ItemGroup>
12.     <PackageReference Include="OpenCvSharp4" Version="4.9.0.20240103" />
13.     <PackageReference Include="OpenCvSharp4.Extensions" Version="4.9.0.20240103" />
14.     <PackageReference Include="OpenCvSharp4.runtime.osx_arm64" Version="4.8.1-rc" />
15.     <PackageReference Include="OpenVINO.CSharp.API" Version="2023.2.0.4" />
16.     <PackageReference Include="OpenVINO.CSharp.API.Extensions" Version="1.0.1" />
17.     <PackageReference Include="OpenVINO.CSharp.API.Extensions.OpenCvSharp" Version="1.0.4" />
18.     <PackageReference Include="OpenVINO.runtime.macos-arm64" Version="2023.3.0.1" />
19.   </ItemGroup>
21. </Project>

复制代码

3.3 定义预测方法

(1) 使用常规方式部署模型

Yolov5 属于比较经典单阶段目标检测模型，其模型输入为640*640的归一化处理后的图像数据，输出为未进行NMS的推理结果，因此在获取推理结果后，需要进行NMS，其实现代码如下所示：

1. static void yolov5_det(string model_path, string image_path, string device)
2. {
3.     // -------- Step 1. Initialize OpenVINO Runtime Core --------
4.     Core core = new Core();
5.     // -------- Step 2. Read inference model --------
6.     Model model = core.read_model(model_path);
7.     OvExtensions.printf_model_info(model);
8.     // -------- Step 3. Loading a model to the device --------
9.     start = DateTime.Now;
10.     CompiledModel compiled_model = core.compile_model(model, device);
11.     // -------- Step 4. Create an infer request --------
12.     InferRequest infer_request = compiled_model.create_infer_request();
13.     // -------- Step 5. Process input images --------
14.     Mat image = new Mat(image_path); // Read image by opencvsharp
15.     int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
16.     Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
17.     Rect roi = new Rect(0, 0, image.Cols, image.Rows);
18.     image.CopyTo(new Mat(max_image, roi));
19.     float factor = (float)(max_image_length / 640.0);
20.     // -------- Step 6. Set up input data --------
21.     Tensor input_tensor = infer_request.get_input_tensor();
22.     Shape input_shape = input_tensor.get_shape();
23.     Mat input_mat = CvDnn.BlobFromImage(max_image, 1.0 / 255.0, new OpenCvSharp.Size(input_shape[2], input_shape[3]), 0, true, false);
24.     float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];
25.     Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
26.     input_tensor.set_data<float>(input_data);
27.     // -------- Step 7. Do inference synchronously --------
28.     infer_request.infer();
29.     // -------- Step 8. Get infer result data --------
30.     Tensor output_tensor = infer_request.get_output_tensor();
31.     int output_length = (int)output_tensor.get_size();
32.     float[] output_data = output_tensor.get_data<float>(output_length);
34.     // -------- Step 9. Process reault  --------
35.     Mat result_data = new Mat(25200, 85, MatType.CV_32F, output_data);
36.     // Storage results list
37.     List<Rect> position_boxes = new List<Rect>();
38.     List<int> class_ids = new List<int>();
39.     List<float> confidences = new List<float>();
40.     // Preprocessing output results
41.     for (int i = 0; i < result_data.Rows; i++)
42.     {
43.         float confidence = result_data.At<float>(i, 4);
44.         if (confidence < 0.5)
45.         {
46.             continue;
47.         }
48.         Mat classes_scores = new Mat(result_data, new Rect(5, i, 80, 1));
49.         OpenCvSharp.Point max_classId_point, min_classId_point;
50.         double max_score, min_score;
51.         // Obtain the maximum value and its position in a set of data
52.         Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,
53.             out min_classId_point, out max_classId_point);
54.         // Confidence level between 0 ~ 1
55.         // Obtain identification box information
56.         if (max_score > 0.25)
57.         {
58.             float cx = result_data.At<float>(i, 0);
59.             float cy = result_data.At<float>(i, 1);
60.             float ow = result_data.At<float>(i, 2);
61.             float oh = result_data.At<float>(i, 3);
62.             int x = (int)((cx - 0.5 * ow) * factor);
63.             int y = (int)((cy - 0.5 * oh) * factor);
64.             int width = (int)(ow * factor);
65.             int height = (int)(oh * factor);
66.             Rect box = new Rect();
67.             box.X = x;
68.             box.Y = y;
69.             box.Width = width;
70.             box.Height = height;
72.             position_boxes.Add(box);
73.             class_ids.Add(max_classId_point.X);
74.             confidences.Add((float)confidence);
75.         }
76.     }
77.     // NMS non maximum suppression
78.     int[] indexes = new int[position_boxes.Count];
79.     CvDnn.NMSBoxes(position_boxes, confidences, 0.5f, 0.5f, out indexes);
80.     for (int i = 0; i < indexes.Length; i++)
81.     {
82.         int index = indexes[i];
83.         Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);
84.         Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),
85.             new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);
86.         Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),
87.             new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),
88.             HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);
89.     }
90.     string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
91.         Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
92.     Cv2.ImWrite(output_path, image);
93.     Slog.INFO("The result save to " + output_path);
94.     Cv2.ImShow("Result", image);
95.     Cv2.WaitKey(0);
96. }

复制代码

(2) 使用模型结构处理处理数据

目前 OpenVINO™ 已经支持在模型结构中增加数据的前后处理流程，并且在 OpenVINO™ C# API 中也已经实现了该功能接口，所以在此处演示了如何将模型输入数据处理流程封装到模型中，通过 OpenVINO™ 进行数据处理的加速处理，如下面代码所示:

1. static void yolov5_det_with_process(string model_path, string image_path, string device)
2. {
3.     ······
4.     // -------- Step 2. Read inference model --------
5.     start = DateTime.Now;
6.     Model model = core.read_model(model_path);
7.     OvExtensions.printf_model_info(model);
8.     PrePostProcessor processor = new PrePostProcessor(model);
9.     Tensor input_tensor_pro = new Tensor(new OvType(ElementType.U8), new Shape(1, 640, 640, 3));
10.     InputInfo input_info = processor.input(0);
11.     InputTensorInfo input_tensor_info = input_info.tensor();
12.     input_tensor_info.set_from(input_tensor_pro).set_layout(new Layout("NHWC")).set_color_format(ColorFormat.BGR);
13.     PreProcessSteps process_steps = input_info.preprocess();
14.     process_steps.convert_color(ColorFormat.RGB).resize(ResizeAlgorithm.RESIZE_LINEAR)
15.         .convert_element_type(new OvType(ElementType.F32)).scale(255.0f).convert_layout(new Layout("NCHW"));
16.     Model new_model = processor.build();
17.     // -------- Step 3. Loading a model to the device --------
18.     CompiledModel compiled_model = core.compile_model(new_model, device);
19.     // -------- Step 4. Create an infer request --------
20.     InferRequest infer_request = compiled_model.create_infer_request();
21.     // -------- Step 5. Process input images --------
22.     Mat image = new Mat(image_path); // Read image by opencvsharp
23.     int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
24.     Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
25.     Rect roi = new Rect(0, 0, image.Cols, image.Rows);
26.     image.CopyTo(new Mat(max_image, roi));
27.     Cv2.Resize(max_image, max_image, new OpenCvSharp.Size(640, 640));
28.     float factor = (float)(max_image_length / 640.0);
29.     // -------- Step 6. Set up input data --------
30.     Tensor input_tensor = infer_request.get_input_tensor();
31.     Shape input_shape = input_tensor.get_shape();
32.     byte[] input_data = new byte[input_shape[1] * input_shape[2] * input_shape[3]];
33.     Marshal.Copy(max_image.Ptr(0), input_data, 0, input_data.Length);
34.     IntPtr destination = input_tensor.data();
35.     Marshal.Copy(input_data, 0, destination, input_data.Length);
36.     // -------- Step 7. Do inference synchronously --------
37.     ······
38. }

复制代码

由于目前还没有完全实现所有的 OpenVINO™ 的预处理接口，因此只能实现部分预处理过程封装到模型中，此处主要是做了以下处理：

• 数据类型转换：byte->float
  
• 数据维度转换：NHWC->NCHW
  
• 图像色彩空间转换：BGR->RGB
  
• 数据归一化处理：[0,1]->[0,255]
  

因此将一些数据处理流程封装到模型中后，在进行模型推理时，只需要将读取到的图片数据Resize为640*640后，就可以直接将数据加载到模型即可。
(3) 使用 OpenVINO™ C# API 封装的接口

YOLOv5 是当前工业领域十分流行的目标检测模型，因此在封装 OpenVINO™ C# API 时，提供了快速部署 Yolov5 模型的接口，实现代码如下所示：

1. static void yolov5_det_using_extensions(string model_path, string image_path, string device)
2. {
3.     Yolov5DetConfig config = new Yolov5DetConfig();
4.     config.set_model(model_path);
5.     Yolov5Det yolov8 = new Yolov5Det(config);
6.     Mat image = Cv2.ImRead(image_path);
7.     DetResult result = yolov8.predict(image);
8.     Mat result_im = Visualize.draw_det_result(result, image);
9.     Cv2.ImShow("Result", result_im);
10.     Cv2.WaitKey(0);
11. }

复制代码

3.4 预测方法调用

定义好上述方法后，便可以直接在主函数中调用该方法，只需要在主函数中增加以下代码即可：

1. yolov5_det("yolov5s.xml", "test_image.png", "AUTO");
2. yolov5_det_with_process("yolov5s.xml", "test_image.png", "AUTO");
3. yolov5_det_using_extensions("yolov5s.xml", "test_image.png", "AUTO");

复制代码

如果开发者自己没有进行模型下载与转换，又同时想快速体验该项目，我此处提供了在线的转换后的模型以及带预测图片，开发者可以直接在主函数中增加以下代码，便可以直接自动下载模型以及推理数据，并调用推理方法，实现程序直接运行。

1. static void Main(string[] args)
2. {
3.     string model_path = "";
4.     string image_path = "";
5.     string device = "AUTO";
6.     if (args.Length == 0)
7.     {
8.         if (!Directory.Exists("./model"))
9.         {
10.             Directory.CreateDirectory("./model");
11.         }
12.         if (!File.Exists("./model/yolov5s.bin") && !File.Exists("./model/yolov5s.bin"))
13.         {
14.             if (!File.Exists("./model/yolov5s.tar"))
15.             {
16.                 _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/yolov5s.tar",
17.                     "./model/yolov5s.tar").Result;
18.             }
19.             Download.unzip("./model/yolov585s.tar", "./model/");
20.         }
22.         if (!File.Exists("./model/test_image.jpg"))
23.         {
24.             _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_02.jpg",
25.                 "./model/test_image.jpg").Result;
26.         }
27.         model_path = "./model/yolov5s.xml";
28.         image_path = "./model/test_image.jpg";
29.     }
30.     else if (args.Length >= 2)
31.     {
32.         model_path = args[0];
33.         image_path = args[1];
34.         device = args[2];
35.     }
36.     else
37.     {
38.         Console.WriteLine("Please enter the correct command parameters, for example:");
39.         Console.WriteLine("> 1. dotnet run");
40.         Console.WriteLine("> 2. dotnet run <model path> <image path> <device name>");
41.     }
42.     // -------- Get OpenVINO runtime version --------
44.     OpenVinoSharp.Version version = Ov.get_openvino_version();
46.     Slog.INFO("---- OpenVINO INFO----");
47.     Slog.INFO("Description : " + version.description);
48.     Slog.INFO("Build number: " + version.buildNumber);
50.     Slog.INFO("Predict model files: " + model_path);
51.     Slog.INFO("Predict image  files: " + image_path);
52.     Slog.INFO("Inference device: " + device);
53.     Slog.INFO("Start yolov8 model inference.");
55.     yolov5_det(model_path, image_path, device);
56.     //yolov5_det_with_process(model_path, image_path, device);
57.     //yolov5_det_using_extensions(model_path, image_path, device);
58. }

复制代码

为了减少文章篇幅，所以此处只提供了有差异的代码，如果想获取完整代码，请访问GitHub代码仓库，获取项目源码，链接为：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov5/yolov5_det_opencvsharp

复制代码

4. Yolov5 DET 项目配置(Emgu.CV 版)

同样地，为了满足Emgu.CV开发者的需求，此处同样地提供了Emgu.CV版本的Yolov5的模型部署代码以及使用流程，此处为了简化文章内容，对于和上文重复的步骤不在进行展开讲述。
4.1 添加项目依赖

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：

1. dotnet add package OpenVINO.CSharp.API
2. dotnet add package OpenVINO.runtime.macos-arm64
3. dotnet add package OpenVINO.CSharp.API.Extensions
4. dotnet add package OpenVINO.CSharp.API.Extensions.EmguCV

复制代码

接下来安装使用到的图像处理库 Emgu.CV，在命令行中输入以下指令即可：

1. dotnet add package Emgu.CV
2. dotnet add package Emgu.CV.runtime.mini.macos

复制代码

关于在MacOS上搭建 OpenCvSharp 开发环境请参考以下文章： 【OpenCV】在MacOS上使用Emgu.CV
添加完成项目依赖后，项目的配置文件如下所示：

1. <Project Sdk="Microsoft.NET.Sdk">
3.   <PropertyGroup>
4.     <OutputType>Exe</OutputType>
5.     <TargetFramework>net6.0</TargetFramework>
6.     <RootNamespace>yolov5_det</RootNamespace>
7.     <ImplicitUsings>enable</ImplicitUsings>
8.     <Nullable>enable</Nullable>
9.   </PropertyGroup>
11.   <ItemGroup>
12.     <PackageReference Include="Emgu.CV" Version="4.8.1.5350" />
13.     <PackageReference Include="Emgu.CV.runtime.mini.macos" Version="4.8.1.5350" />
14.     <PackageReference Include="OpenVINO.CSharp.API" Version="2023.2.0.4" />
15.     <PackageReference Include="OpenVINO.CSharp.API.Extensions" Version="1.0.1" />
16.     <PackageReference Include="OpenVINO.CSharp.API.Extensions.EmguCV" Version="1.0.4.1" />
17.     <PackageReference Include="OpenVINO.runtime.macos-arm64" Version="2023.3.0.1" />
18.   </ItemGroup>
20. </Project>

复制代码

4.2 定义预测方法

模型部署流程与上一节中使用OpenCvSharp的基本一致，主要是替换了图像处理的工具，同时提供了如上一节中所展示的三种部署方式。此处为了减少文章篇幅，此处不在展示详细的部署代码，如果想获取相关代码，请访问项目GitHub，下载所有的测试代码，项目链接为：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov5/yolov5_det_emgucv

复制代码

5. 项目运行与演示

5.1 项目编译

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：

1. dotnet build

复制代码

程序编译后输出为：

5.2 项目文件运行

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：

1. dotnet run --no-build

复制代码

运行后项目输出为：

6. 总结

在该项目中，我们结合之前开发的 OpenVINO C# API 项目部署YOLOv5模型，成功实现了对象目标检测，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。最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。

来源:https://www.cnblogs.com/guojin-blogs/p/18009621
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！