基于C#部署YOLOv5目标检测模型核心技术深度解析

基于C#部署YOLOv5目标检测模型 核心技术深度解析

1. 智能图像预处理：保持长宽比的缩放和填充策略

1.1 技术背景

在深度学习目标检测中，模型通常要求固定尺寸的输入（如320×320、640×640）。然而，实际应用中的图像尺寸往往是任意的，直接拉伸会导致图像变形，影响检测精度。因此需要智能的预处理策略。

1.2 算法原理

长宽比计算与决策

float hw_scale = (float)srch / srcw;  // 计算高宽比

决策逻辑：

• hw_scale > 1：图像高度大于宽度（竖图）
• hw_scale < 1：图像宽度大于高度（横图）
• hw_scale = 1：正方形图像

竖图处理策略（高 > 宽）

if (hw_scale > 1)
{
   
    newh = inpHeight;                    // 高度保持为目标高度
    neww = (int)(inpWidth / hw_scale);   // 按比例计算新宽度
    Cv2.Resize(srcimg, dstimg, new OpenCvSharp.Size(neww, newh), 0, 0, InterpolationFlags.Area);
    
    // 计算左右填充
    left = (int)((inpWidth - neww) * 0.5);
    Cv2.CopyMakeBorder(dstimg, dstimg, 0, 0, left, inpWidth - neww - left, BorderTypes.Constant);
}

数学推导：

原图尺寸: H × W
目标尺寸: inpHeight × inpWidth
高宽比: hw_scale = H / W

当 hw_scale > 1 时：
- 新高度: newh = inpHeight
- 新宽度: neww = inpWidth / hw_scale = inpWidth × W / H
- 左填充: left = (inpWidth - neww) / 2
- 右填充: inpWidth - neww - left

横图处理策略（宽 > 高）

else
{
   
    newh = (int)(inpHeight * hw_scale);  // 按比例计算新高度
    neww = inpWidth;                     // 宽度保持为目标宽度
    Cv2.Resize(srcimg, dstimg, new OpenCvSharp.Size(neww, newh), 0, 0, InterpolationFlags.Area);
    
    // 计算上下填充
    top = (int)((inpHeight - newh) * 0.5);
    Cv2.CopyMakeBorder(dstimg, dstimg, top, inpHeight - newh - top, 0, 0, BorderTypes.Constant);
}

1.3 填充策略详解

BorderTypes.Constant 填充

• 使用常数值（默认为0，即黑色）填充边缘
• 不会引入额外的图像信息，避免干扰模型判断
• 在YOLOv5训练时也采用相同策略，保持一致性

居中填充算法

// 左右填充（竖图）
left = (int