ONNX Runtime簡介

ONNX Runtime 是一個跨平臺的推理和訓練機器學習加速器。ONNX 運行時推理可以實現(xiàn)更快的客戶體驗和更低的成本，支持來自深度學習框架（如 PyTorch 和 TensorFlow/Keras）以及經(jīng)典機器學習庫（如 scikit-learn、LightGBM、XGBoost 等）的模型。 ONNX 運行時與不同的硬件、驅(qū)動程序和操作系統(tǒng)兼容，并通過利用硬件加速器（如果適用）以及圖形優(yōu)化和轉(zhuǎn)換來提供最佳性能。

ResNet50v2簡介

ResNet50v2 是一種深度卷積神經(jīng)網(wǎng)絡架構(gòu)，是 ResNet（Residual Network，殘差網(wǎng)絡）系列的一部分。ResNet 是由何凱明等人在 2015 年提出的，它通過引入殘差塊（Residual Block）解決了深度神經(jīng)網(wǎng)絡訓練過程中梯度消失和梯度爆炸的問題，使得構(gòu)建非常深的網(wǎng)絡成為可能。ResNet50v2 被廣泛應用于各種計算機視覺任務，如圖像分類、目標檢測、圖像分割等。由于其深度和強大的特征學習能力，ResNet50v2 在眾多基準測試中表現(xiàn)出色，是許多研究和應用中的首選模型之一。

示例

這個示例代碼在

https://github.com/microsoft/onnxruntime/tree/main/csharp/sample/Microsoft.ML.OnnxRuntime.ResNet50v2Sample

fork一份，克隆到本地，在本地打開這個項目，項目結(jié)構(gòu)如下所示：

依賴的包除了OnnxRuntime還有ImageSharp。

ImageSharp簡介

ImageSharp 是一個新的、功能齊全、完全托管的跨平臺 2D 圖形庫。ImageSharp 旨在簡化圖像處理，為您帶來一個非常強大而又非常簡單的 API。

ImageSharp 從頭開始設計，具有靈活性和可擴展性。該庫為常見的圖像處理操作提供了 API 端點，并為開發(fā)其他操作提供了構(gòu)建塊。

ImageSharp 針對 .NET 8 構(gòu)建，可用于設備、云和嵌入式/IoT 方案。

下載 ResNet50 v2 ONNX 模型，下載地址在：

https://github.com/onnx/models/blob/main/validated/vision/classification/resnet/model/resnet50-v2-7.onnx

讀取路徑

首先，源代碼中是通過程序參數(shù)讀取模型的路徑和要測試的圖像的路徑，也可以直接賦值：

// Read paths
//string modelFilePath = args[0];
//string imageFilePath = args[1];
string modelFilePath = @"你的路徑\Microsoft.ML.OnnxRuntime.ResNet50v2Sample\resnet50-v2-7.onnx";
string imageFilePath = @"你的路徑\Microsoft.ML.OnnxRuntime.ResNet50v2Sample\獅子.jpg";

讀取圖像

接下來，我們將使用跨平臺圖像庫 ImageSharp 讀取圖像：

 // Read image
 using Image<Rgb24> image = Image.Load<Rgb24>(imageFilePath);

調(diào)整圖像大小

接下來，我們將圖像大小調(diào)整為模型期望的適當大小;224 像素 x 224 像素：

using Stream imageStream = new MemoryStream();
image.Mutate(x =>
{
    x.Resize(new ResizeOptions
    {
        Size = new Size(224, 224),
        Mode = ResizeMode.Crop
    });
});
image.Save(imageStream, format);

預處理圖像

接下來，我們將根據(jù)模型的要求對圖像進行預處理，具體要求見：

https://github.com/onnx/models/tree/main/validated/vision/classification/resnet

// We use DenseTensor for multi-dimensional access to populate the image data
var mean = new[] { 0.485f, 0.456f, 0.406f };
var stddev = new[] { 0.229f, 0.224f, 0.225f };
DenseTensor<float> processedImage = new(new[] { 1, 3, 224, 224 });
image.ProcessPixelRows(accessor =>
{
    for (int y = 0; y < accessor.Height; y++)
    {
        Span<Rgb24> pixelSpan = accessor.GetRowSpan(y);
        for (int x = 0; x < accessor.Width; x++)
        {
            processedImage[0, 0, y, x] = ((pixelSpan[x].R / 255f) - mean[0]) / stddev[0];
            processedImage[0, 1, y, x] = ((pixelSpan[x].G / 255f) - mean[1]) / stddev[1];
            processedImage[0, 2, y, x] = ((pixelSpan[x].B / 255f) - mean[2]) / stddev[2];
        }
    }
});

在這里，我們正在創(chuàng)建一個所需大小 (batch-size, channels, height, width) 的張量，訪問像素值，對其進行預處理，最后將它們分配給適當指示的張量。

設置輸入

接下來，我們將創(chuàng)建模型的輸入：

using var inputOrtValue = OrtValue.CreateTensorValueFromMemory(OrtMemoryInfo.DefaultInstance,
    processedImage.Buffer, new long[] { 1, 3, 224, 224 });
var inputs = new Dictionary<string, OrtValue>
{
    { "data", inputOrtValue }
}

要檢查 ONNX 模型的輸入節(jié)點名稱，您可以使用 Netron 可視化模型并查看輸入/輸出名稱。在本例中，此模型具有 data 作為輸入節(jié)點名稱。

運行推理

接下來，我們將創(chuàng)建一個推理會話并通過它運行輸入：

using var session = new InferenceSession(modelFilePath);
using var runOptions = new RunOptions();
using IDisposableReadOnlyCollection<OrtValue> results = session.Run(runOptions, inputs, session.OutputNames);

后處理輸出

接下來，我們需要對輸出進行后處理以獲得 softmax 向量，因為這不是由模型本身處理的：

var output = results[0].GetTensorDataAsSpan<float>().ToArray();
float sum = output.Sum(x => (float)Math.Exp(x));
IEnumerable<float> softmax = output.Select(x => (float)Math.Exp(x) / sum);

其他型號可能會在輸出之前應用 Softmax 節(jié)點，在這種情況下，您不需要此步驟。同樣，您可以使用 Netron 查看模型輸出。

提取前10個預測結(jié)果

IEnumerable<Prediction> top10 = softmax.Select((x, i) => new Prediction { Label = LabelMap.Labels[i], Confidence = x })
                   .OrderByDescending(x => x.Confidence)
                   .Take(10);

打印結(jié)果

Console.WriteLine("Top 10 predictions for ResNet50 v2...");
Console.WriteLine("--------------------------------------------------------------");
foreach (var t in top10)
{
    Console.WriteLine($"Label: {t.Label}, Confidence: {t.Confidence}");
}

本例的示例圖片是一只獅子，如下所示：

查看預測結(jié)果：

在LabelMap類中可以查看該模型可以識別的物體：

例如cock是公雞的意思，我們可以現(xiàn)場找一張公雞的圖片，查看效果。

找到的一張公雞圖片如下所示：

修改測試圖片為這種圖片，再次運行，結(jié)果如下所示：

成功識別出了公雞。

總結(jié)

以上就完成了ONNX Runtime的入門示例，可以根據(jù)興趣與需求嘗試使用其他的模型。

參考

1、Image recognition with ResNet50v2 in C# | onnxruntime

2、models/validated/vision/classification/resnet/model/resnet50-v2-7.onnx at main · onnx/models (github.com)

3、microsoft/onnxruntime: ONNX Runtime: cross-platform, high performance ML inferencing and training accelerator (github.com)

4、SixLabors/ImageSharp: ?? A modern, cross-platform, 2D Graphics library for .NET (github.com)

到此這篇關(guān)于在C#中使用ResNet50v2進行圖像識別的文章就介紹到這了,更多相關(guān)C# ResNet50v2圖像識別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論