学习C#调用Microsoft.ML.OnnxRuntime+OpenCvSharp+YOLO26进行目标检测的基本用法

使用ultralytics库将YOLO26模型文件yolo26m.pt转换为onnx格式的模型文件，然后调用Microsoft.ML.OnnxRuntime获取模型信息，如下图所示：

yolo26m.onnx模型的输入形状与yolo5相同，但输出形状变成了[1,300,6],第一维还是代表一次处理的图片数量，第二维为预测框的总数量，也即每张图片的预测结果数量，第三维为每个预测框的特征向量长度，由于YOLO26采用端到端无NMS推理，直接输出最终检测结果，因此第三维的长度急剧减少，主要包括x1, y1, x2, y2, confidence, class_id等6个值，前4个值为预测框的左上角和右下角坐标，confidence为置信度分数，class_id为COCO类别的索引值。
基于之前调用Microsoft.ML.OnnxRuntime+OpenCvSharp+YOLO5的源码，调整模型预测结果的后处理函数及坐标变换函数逻辑如下：

public(intx,inty,intw,inth)ScaleCoordinatesOfYolo26(floatxl,floatyl,floatxr,floatyr,intoriginalWidth,intoriginalHeight,intinputSize=640){// 计算缩放比例floatscale=Math.Min((float)inputSize/originalWidth,(float)inputSize/originalHeight);// 计算填充尺寸intpadX=(int)((inputSize-originalWidth*scale)/2);intpadY=(int)((inputSize-originalHeight*scale)/2);// 映射回原始图像坐标intscaledX=(int)((xl-padX)/scale);intscaledY=(int)((yl-padY)/scale);intscaledW=(int)((xr-xl)/scale);intscaledH=(int)((yr-yl)/scale);return(scaledX,scaledY,scaledW,scaledH);}publicList<DetectionResult>ProcessDetectionsOfYolo26(DenseTensor<float>output,intoriginalWidth,intoriginalHeight,floatconfidenceThreshold=0.8f){vardetections=newList<DetectionResult>();// 解析输出张量 (1, 300, 6) - 假设80个类别intnumDetections=output.Dimensions[1];for(inti=0;i<numDetections;i++){// 提取对象置信度floatobjectConfidence=output[0,i,4];// 获取最高概率类别intclassId=Convert.ToInt32(output[0,i,5]);if(objectConfidence>confidenceThreshold){// 提取边界框坐标floatpXl=output[0,i,0];floatpYl=output[0,i,1];floatpXr=output[0,i,2];floatpYr=output[0,i,3];// 映射回原始图像坐标var(x,y,w,h)=ScaleCoordinatesOfYolo26(pXl,pYl,pXr,pYr,originalWidth,originalHeight);// 创建边界框RectboundingBox=newRect(x,y,w,h);detections.Add(newDetectionResult{ClassId=classId,Label=CocoLabels[classId],Confidence=objectConfidence,BoundingBox=boundingBox,OriginalCoordinates=(x,y,w,h)});}}returndetections;}

最后是程序运行效果，如下图所示：

参考文献：
[1]https://docs.ultralytics.com/zh/models/yolo26/