Yolov5学习全过程：训练+运行+c#部署（无理论全实操）_yolo c#

1.Yolov5 理论介绍

      使用一种算法前最好还是先了解它的来龙去脉，这里介绍一篇文章给大家YOLO系列详解

2.Yolov5下载地址

     我在做项目的时候主要用了两个版本的：Yolov5 5.0 和 Yolov5 6.1，至于为什么要用两种后续会说明（主要是有的问题Yolov5 5.0解决不了改用 Yolov5 6.1）。像图片中更换Tag就可以看到不同的版本啦。
     yolov5下载地址：下载地址

3.Yolov5使用方法

     刚开始的时候什么都不会，python基础也不扎实，只能上哔哩哔哩看看有什么好用的资料。分享一个非常好的学习视频yolo实操视频，我就是跟着视频学的。内容包含了如何安装环境、如何打标签、如何训练、如何修改参数等等；而且在评论区留下邮箱，up的爬虫自动发送真的不要太方便！

4.制作训练样本

       网上也有很多LabelImg的资料，不过我觉得挺杂的，下面就直接分享怎么做的就好，方便大家学习。

4.1 labelImg 下载

       制作样本我是用的是labelImg,它的选框都是矩形不可调整的，我们课程项目是制作芯片样本，正方形的，所以非常适用。听同学说labelIme也可以适用，而且还能框选一些不规则的图形（还没尝试过）。
这里分享我的网盘给大家：

4.2 labelImg 注意事项

       1、我给大家的的 labelImg 是Win 10 exe版本（labelImg网盘：提取码abaa），真的非常方便，网上有的资料是github代码，还要配置环境才能运行。
       2、labelImg的exe文件路径一定要没有中文，不然会报错！报错图忘记留下来了，反正更换个路径，创建快捷方式放在桌面就好了！

4.3 labelImg 使用

（1）基本操作
打开之后进行以下操作：
①打开存放大量样本图片的文件
②修改文件保存的路径

       多熟悉上面的快捷键，框选起来才够快。

（2）一些其他操作
　　由于我制作的样本只有一个标签‘chip’，为了以防软件总是弹出让我输入标签名字的窗口，操作②③步之后他就会自动默认所有标签都是‘chip’

5.C#调用yolo的可用方法

我们的任务是使用C#语言调用yolo，网上有好几种方法：

（1）导出onnx模型,c# 部署onnx分类模型。这分享一个github的代码：yolo-net-master。我一直都是在研究这一部分的，下面会详细讲讲。

（2）opencv中调用，c++转c#。网上有一篇教怎么使用opencv调用yolo onnx 模型.openCV调用YOLOv5 ONNX模型。我们后来也用这种方法，不过需要比较扎实的语言基础，通晓两种语言的转换。这一部分是我同学搞定的，我搞不赢，所以就不放别人的成果啦。感兴趣的可以试一下

（3）c#中调用python脚本。试过了，非常慢。调用前必须打开pycharm，并且保证python文件是可运行、编译无错的。调用时间大概在20s左右，不符合要求。调用代码如下：

 private void RunPythonScript(string sArgName, string args = "", params string[] teps)
        {
            Process p = new Process();
            //string path = AppDomain.CurrentDomain.SetupInformation.ApplicationBase + sArgName;// 获得python文件的绝对路径（将文件放在c#的debug文件夹中可以这样操作）
            string path = @"F:\输入自己的路径\detect.py";//"H:\\python_codes\\0331test.py";
            p.StartInfo.FileName = @"F:\输入自己的路径\python.exe";//没有配环境变量的话，可以像我这样写python.exe的绝对路径。如果配了，直接写"python.exe"即可
            string sArguments = path;
            ArrayList arrayList = new ArrayList();
            //arrayList.Add("com4");
            //arrayList.Add(57600);
            //arrayList.Add("password");
            foreach (var param in arrayList)//添加参数
            {
                sArguments += " " + sigstr;
            }
            p.StartInfo.Arguments = sArguments;//python命令的参数
            p.StartInfo.UseShellExecute = false;
            p.StartInfo.RedirectStandardOutput = true;
            p.StartInfo.RedirectStandardInput = true;
            p.StartInfo.RedirectStandardError = true;
            p.StartInfo.CreateNoWindow = true;
            p.Start();//启动进程
            Console.ReadLine();
            Console.WriteLine("执行完毕！");//查看是否执行了
   
        }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

6.C# 部署onnx分类模型（我的学习全过程）

       网上其实有很多参考资料，具体理论我不讲了，仅分享我的实现过程，里面有我踩过的坑，也有成功实现的过程，大家选着看就行。

6.1 导出 onnx 模型

       打开yolov5 5.0中的 export文件，修改以下代码，选择自己训练出来的模型路径（导出onnx前要提前配置环境，可能要下载很多东西，这部分大家就自己查资料吧~），然后运行就能导出一个onnx模型。

       导出后的模型大概长这样的，是带有切片的。我是下载Netron软件查看的，大家也可以直接到Netron网页查看Netron网页版本。

6.2 yolov5-net-master使用

6.2.1使用yolov5 5.0导出模型

       这个c#文件本身是能运行的，运行结果：

　　于是，我刚开始非常单纯的直接把他的测试图片路径和onnx文件路径改了就直接用了，所以非常顺利地报错了（报错为超出索引）。


　　所以，我就读一下代码，改一下主要参数。只要大概学一下yolo框架，改起来就挺简单，就那几个参数。打开其一，使用5.0的改P5，使用6.0+的改P6。由于我刚开始时使用的是yolov5 5.0，所以我下面示范怎么改P5Models

　　主要改的参数就这两个，其他都是默认参数，如果在python文件里面修改过其他参数的话这里就要一一对应的。 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
　　改好之后我满怀期待，这次一定能跑了吧！于是——好的，继续报错，超出索引。好家伙，给我整不会了。后面改了好久，都是这个错误，真的要哭了。

　　后来看了一篇教程（onnx调用相关问题），不能成功调用的原因在于Pytorch2ONNX不支持对slice对象赋值，所以我就按照教程，修改了yolo中的部分文件，再次导出yolo onnx 模型，导出的模型如下图：

　　于是！我再次满心期待调用！依旧超出索引…晕了，这下真没辙了。这项工作也滞后了一段时间，觉得此路不通，所以我们组的其他成员就开始另谋出路，把c++代码硬转成c#来用（前面提到过的，也有放链接，我的小伙伴太强了）。
　　后来，听其他组的同学汇报，他们也弄yolov5-net-master这个代码，做出来了，所以我就请教他们。和他们交流的过程中发现，他们改的参数不也和我一样吗？也没什么特别啊。所以我就开始找不同。

6.2.2使用yolov5 6.1导出模型

上面报了那么多次错，和同学讨论之后，我就怀疑是不是yolov5 5.0这个版本导出来的模型有问题而不能用在yolov5-net-master。于是我就吭哧吭哧下载yolov5 6.1重新训练。过程步骤都是差不多的，会5.0肯定也能搞定6.1.

　　按照常规思路，肯定要像第一次一样，去掉onnx模型中的切片（这些上面都是有讲的）。于是去掉切片后它又又又又报错了！可怕的超出索引，又是他！
　　　
　　后面无意中发现，不切片就能调用！！！！！！（就是不要修改common和yolo代码了，直接用export导出onnx就行！）说的非常轻描淡写，实际探索了好久…至于为什么我也不太清楚，不过现在能用真的是谢天谢地！
不过这里要提醒一点，yolov5-net-master修改参数过程和上面讲过的是一样的，但是这次要改的是P6模型，不是P5，大家别搞错啦！

　　最后还要再改多一个地方，就可以成功调用啦！图片识别效果不太好请见谅，还没有加大轮数训练。