C# 代码示例 =============== 本章会详细介绍DaoAI World SDK中包含的C#代码示例。 .. contents:: :local: 引入库 -------------- 在C#示例中，我们引入了以下几个库，其中 ``DaoAI.DeepLearningCLI`` 是用于引入DaoAI World SDK的库。 .. code-block:: C# using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Drawing; using System.Threading.Tasks; using DaoAI.DeepLearningCLI; 读取图片 ----------- DaoAI World SDK 的模型预测函数需要将图片表示为一维数组（1D array）。以下是从文件中读取图片的代码部分： .. code-block:: C# // Test image String root_directory = System.IO.Directory.GetCurrentDirectory(); System.Drawing.Bitmap image = new System.Drawing.Bitmap("C:\\Users\\daoai\\Downloads\\DW_SDK\\DW_SDK Example\\Data\\maskrcnn_data\\daoai_1.png"); //图片文件路径 System.Drawing.Bitmap image_copy = new System.Drawing.Bitmap(image); byte[] pixels = new byte[image.Width * image.Height * 3]; for (int i = 0; i < image.Height; i++) { for (int j = 0; j < image.Width; j++) { System.Drawing.Color color = image.GetPixel(j, i); pixels[(i * image.Width + j) * 3] = (byte)(color.R); pixels[(i * image.Width + j) * 3 + 1] = (byte)(color.G); pixels[(i * image.Width + j) * 3 + 2] = (byte)(color.B); } } 这里做了一个图片的深度拷贝,然后用 `DaoAI.DeepLearningCLI.Image` 函数初始化图像对象以便后续使用： .. code-block:: C# DaoAI.DeepLearningCLI.Image img = new DaoAI.DeepLearningCLI.Image(image.Height, image.Width, DaoAI.DeepLearningCLI.Image.Type.RGB, pixels); DaoAI.DeepLearningCLI.Image img_copy = img.clone(); byte[] image_data = img_copy.data; for (int i = 0; i < image.Width; i++) { for (int j = 0; j < image.Height; j++) { int index_r = i * image.Height + j; int index_g = i * image.Height + j + image.Width * image.Height; int index_b = i * image.Height + j + 2 * image.Width * image.Height; byte r = image_data[index_r]; byte g = image_data[index_g]; byte b = image_data[index_b]; System.Drawing.Color color = Color.FromArgb(r, g, b); image_copy.SetPixel(i, j, color); } } 加载深度学习模型 ------------------- .. code-block:: C# String data_path = "..\\..\\..\\..\\Data\\"; String model_path = data_path + "model.dwm"; // init model DaoAI.DeepLearningCLI.Vision.KeypointDetection model = new DaoAI.DeepLearningCLI.Vision.KeypointDetection(model_path); 注意，这里每一个检测任务都有对应的对象： .. code-block:: C# //实例分割 DaoAI.DeepLearningCLI.Vision.InstanceSegmentation model(model_path) = new DaoAI.DeepLearningCLI.Vision.InstanceSegmentation(model_path); //关键点检测 DaoAI.DeepLearningCLI.Vision.KeypointDetection model(model_path) = new DaoAI.DeepLearningCLI.Vision.KeypointDetection(model_path); //图像分类 DaoAI.DeepLearningCLI.Vision.Classification model(model_path) = new DaoAI.DeepLearningCLI.Vision.Classification(model_path); //目标检测 DaoAI.DeepLearningCLI.Vision.ObjectDetection model(model_path) = new DaoAI.DeepLearningCLI.Vision.ObjectDetection(model_path); //非监督缺陷检测 DaoAI.DeepLearningCLI.Vision.UnsupervisedDefectSegmentation model(model_path) = new DaoAI.DeepLearningCLI.Vision.AnomalyDetection(model_path); //监督缺陷检测 DaoAI.DeepLearningCLI.Vision.SupervisedDefectSegmentation model(model_path) = new DaoAI.DeepLearningCLI.Vision.SemanticSegmentation(model_path); //OCR DaoAI.DeepLearningCLI.Vision.OCR model(model_path) = new DaoAI.DeepLearningCLI.Vision.OCR(model_path); //定位模型 (只在工业版支持) DaoAI.DeepLearningCLI.Vision.Positioning model(model_path) = new DaoAI.DeepLearningCLI.Vision.Positioning(model_path); //漏错装检测 (只在工业版支持) DaoAI.DeepLearningCLI.Vision.PresenceChecking model(model_path) = new DaoAI.DeepLearningCLI.Vision.PresenceChecking(model_path); 使用深度学习模型进行预测 -------------------------- 这里定义了 置信度阈值(CONFIDENT_THRESHOLD)为 0.5, 并调用 model.inferece() 函数来使用模型进行推理，再使用 .toJSONString()方法 打印为 json .. code-block:: C# Dictionary post_params = new Dictionary(); post_params[DaoAI.DeepLearningCLI.PostProcessType.CONFIDENT_THRESHOLD] = 0.5; Console.WriteLine(model.inference(img, post_params).toJSONString()); 后处理参数 ~~~~~~~~~~~~~~ 模型的预测 可以接受后处理参数： - DaoAI.DeepLearningCLI.PostProcessType.CONFIDENCE_THRESHOLD: 置信度阈值，会过滤掉结果中置信度低于设定值的结果 - post_params[DaoAI.DeepLearningCLI.PostProcessType.IOU_THRESHOLD: IOU阈值，会过滤掉结果中IOU低于设定值的结果 - post_params[DaoAI.DeepLearningCLI.PostProcessType.SENSITIVITY_THRESHOLD: 非监督缺陷分割（异常检测）模型中使用敏感度，控制模型对于缺陷的敏感度，越高则模型会检测出越多的缺陷，但是容易误检 .. code-block:: C# Dictionary post_params = new Dictionary(); post_params[DaoAI.DeepLearningCLI.PostProcessType.CONFIDENCE_THRESHOLD] = 0.5; //置信度阈值，会过滤掉结果中置信度低于设定值的结果 post_params[DaoAI.DeepLearningCLI.PostProcessType.IOU_THRESHOLD] = 0.5; //IOU阈值，会过滤掉结果中IOU低于设定值的结果 Console.WriteLine(model.inference(img, post_params)); 获取预测结果 ------------------ Box（边界框） ~~~~~~~~~~~~~~~~~~~~~ Box 是模型预测结果中的边界框，可通过以下方式获取： .. code-block:: C# // 获取预测结果 DaoAI.DeepLearningCLI.Vision.KeypointDetectionResult prediction = model.Inference(daoaiImage); // 访问边界框坐标 double x1 = prediction.boxes[0].x1(); // 左上角 x 坐标 double y1 = prediction.boxes[0].y1(); // 左上角 y 坐标 double x2 = prediction.boxes[0].x2(); // 右下角 x 坐标 double y2 = prediction.boxes[0].y2(); // 右下角 y 坐标 Mask（掩码） ~~~~~~~~~~~~~~~~ Mask 是预测结果中目标物体的外轮廓信息，可以通过以下方式提取多边形区域的顶点： .. code-block:: C# // 获取预测结果 DaoAI.DeepLearningCLI.Vision.KeypointDetectionResult prediction = model.Inference(daoaiImage); // 获取多边形区域的第一个顶点 double x = prediction.masks[0].toPolygons()[0].points[0].x; // 顶点的 X 坐标 double y = prediction.masks[0].toPolygons()[0].points[0].y; // 顶点的 Y 坐标 - **`masks[0]`**：提取第一个目标物体的掩码。 - **`toPolygons()`**：将掩码转换为多边形外轮廓。 - **`points[0]`**：获取多边形的第一个顶点坐标。 通过顺序连接多边形的所有顶点，可以形成完整的轮廓区域，用于目标检测、区域分析等应用场景。 所有顶点按顺序连接，形成目标物体的完整多边形区域。此方法适合需要详细外轮廓信息的场景，如区域分析或精细标注。 可视化输出 ~~~~~~~~~~~~ 生成并保存预测结果与原图叠加的可视化图像： .. code-block:: C# DaoAI.DeepLearningCLI.Image result = DaoAI.DeepLearningCLI.Utils.visualize(img, prediction); result.save(root_directory + "daoai_output.png"); 返回结果示例 ------------------ 以下是实例分割模型预测后返回的结果示例。 这个结果展示了预测的数量，标签名称，置信度，以及预测框，和多边形掩膜。 .. code-block:: json { "Number of detecions": 1, "Detections": [ { "Label": "zheng", "Confidence": 0.9523001313209534, "Box": [ 955.1925659179688, 316.0162048339844, 1064.072021484375, 426.4408264160156 ], "Mask": [ [990.0, 316.0], [988.0, 318.0], [987.0, 318.0], [985.0, 320.0], [982.0, 320.0], [980.0, 322.0], [979.0, 322.0], [974.0, 327.0], [972.0, 327.0], [972.0, 328.0], [1040.0, 316.0] ] } ], "ImageHeight": 1200, "ImageWidth": 1920 }