什么是 YOLO

YOLO（You Only Look Once）是一种先进的实时目标检测系统。它是一个在COCO数据集上预训练的物体检测架构和模型系列，其版本也是在不断优化更新。2022年7月，YOLOv7 来临。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度更快。

论文地址：https://arxiv.org/abs/2207.02696

ONNX 模型

开放神经网络交换 (ONNX) 是 AI 模型的开放源代码格式。 ONNX 支持框架之间的互操作性，常见的机器学习框架都支持该模型的使用。

YOLOv7 的模型我们可以从一作 Chien-Yao Wang 的仓库获取：https://github.com/WongKinYiu/yolov7。在 Releases v0.1 中提供的 onnx 不能直接使用，我们需要下载预训练的 yolov7.pt 然后克隆项目，使用导出工具自行导出 onnx 模型。

python export.py --weights=yolov7.pt --grid --simplify

导出完成我们就可以得到 yolov7.onnx ，你也可以直接前往 CSDN 下载我分享的文件。

执行预测

1. 首先创建控制台应用程序，选择 .NET 6 作为要使用的框架。
2. 安装 Microsoft.ML.OnnxTransformer NuGet 包
3. YOLOv7 整体结构与 YOLOv5 极其相似，我们可以直接使用 Yolov5Net NuGet 包里的分析器来处理模型输出。

剩下的工作，我们只需要编写执行预测的代码即可：

static readonly string assetsPath = GetAbsolutePath(@"../../../assets");
static readonly string modelFilePath = Path.Combine(assetsPath, "Model", "yolov7.onnx");
static readonly string imagesFolder = Path.Combine(assetsPath, "images");
static readonly string outputFolder = Path.Combine(assetsPath, "images", "output");

private static void Main(string[] args)
{
    if (!Directory.Exists(outputFolder))
    {
        Directory.CreateDirectory(outputFolder);
    }
    var imgs = Directory.GetFiles(imagesFolder).Where(filePath => Path.GetExtension(filePath) == ".jpg");

    using var scorer = new YoloScorer<YoloCocoP5Model>(modelFilePath);

    foreach (var imgsFile in imgs)
    {
        using var image = Image.FromFile(imgsFile);
        List<YoloPrediction> predictions = scorer.Predict(image);
        using var graphics = Graphics.FromImage(image);
        foreach (var prediction in predictions)
        {
            double score = Math.Round(prediction.Score, 2);

            graphics.DrawRectangles(new Pen(prediction.Label.Color, 3),
                new[] { prediction.Rectangle });

            var (x, y) = (prediction.Rectangle.X - 3, prediction.Rectangle.Y - 23);

            graphics.DrawString($"{prediction.Label.Name} ({score})",
                new Font("Consolas", 16, GraphicsUnit.Pixel), new SolidBrush(prediction.Label.Color),
                new PointF(x, y));
        }

        image.Save(Path.Combine(outputFolder, $"result{DateTime.Now.Ticks}.jpg"));
    }
}

/// <summary>
/// 获取程序启动目录
/// </summary>
/// <param name="relativePath">之下的某个路径</param>
/// <returns></returns>
private static string GetAbsolutePath(string relativePath)
{
    FileInfo _dataRoot = new FileInfo(typeof(Program).Assembly.Location);
    string assemblyFolderPath = _dataRoot.Directory!.FullName;

    string fullPath = Path.Combine(assemblyFolderPath, relativePath);

    return fullPath;
}

完整的代码样例见：https://github.com/sangyuxiaowu/ml_yolov7

编写完成执行，然后我们就可以在 assets/images/output 目录看到样例图片的预测结果：

示例和参考

微软官方提供了 在 ML.NET 中使用 ONNX 检测对象 的更详细的教程，包含训练和预测，感兴趣的同学可前往查阅。