yolov5 onnx模型推理c#

https://blog.csdn.net/weixin_40671962/article/details/128277041

gpu推理

https://zhuanlan.zhihu.com/p/492040015

python gpu推理

https://blog.csdn.net/m0_50786932/article/details/147199619

 

YOLOv5中的‌cls_conf‌指‌类别置信度‌，即目标属于某一类别的概率。在模型输出中，每个预测框会同时输出‌目标置信度（obj_conf）‌和‌类别置信度（cls_conf）‌。

具体作用

1. ‌目标置信度（obj_conf）‌：表示预测框包含目标的概率。
2. ‌类别置信度（cls_conf）‌：表示预测框属于某一具体类别的概率。例如，若模型预测目标为“汽车”，则对应类别的cls_conf值为该目标属于“汽车”的概率。

筛选机制

在后处理中，通常需要同时考虑两者：

• 仅当obj_conf > conf_thres（目标检测阈值）时，认为可能存在目标；
• 再结合cls_conf（最大类别概率）与obj_conf的乘积是否大于阈值进行筛选。 ‌mul_conf = obj_conf*cls_conf,mul(multiply乘法)，，MulConfidence阈值

public override float Confidence { get; set; } = 0.20f;
public override float MulConfidence { get; set; } = 0.25f;
public override float Overlap { get; set; } = 0.45f; //重叠

默认参数

• ‌置信度阈值‌（conf_thres）默认值为0.25，可通过调整该值控制检测严格程度。
• ‌
  • public override int Dimensions { get; } = 85; 
  • 每个单元格输出x,y,w,h,objectness这5项再加80个类别（预训练权重pt或者onnx,COCO（Common Objects in Context）数据集）的置信度总共85项内容，
  • YOLOv5是一种基于深度学习的目标检测算法，它能够在图像中识别和定位多种物体。YOLOv5在COCO（Common Objects in Context）数据集上进行了预训练，该数据集包含了80个类别的物体
  • 自己训练的如果只有3个类别，则5+3 = 8，public override int Dimensions { get; } = 8

  • 

     

  • （二）C# 类库实现差异
    通过反编译 Yolov8Net 源码发现，其核心处理逻辑假设：

    1、原始输出模式（nms=False）：

    解析 85 维向量时，前 4 维为 xywh 归一化坐标，第 5 维为目标置信度，后 80 维为类别概率
    手动执行 NMS 时使用目标置信度 × 类别概率作为最终得分
    2、集成 NMS 模式（nms=True）：

    直接读取 6 维向量作为最终结果，但误将第 5 维（目标置信度）当作综合得分，未考虑类别概率
    这种设计差异导致：

    当模型内置 NMS 时（nms=True），类库误用了错误的置信度计算方式
    当模型未内置 NMS 时（nms=False），类库按 YOLOv5/YOLOv8 原生逻辑正确计算综合得分
    ————————————————
    版权声明：本文为CSDN博主「AI、少年郎」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
    原文链接：https://blog.csdn.net/www376422613/article/details/149096554