首页 > 编程语言 >C# OnnxRuntime 实现百度网盘AI大赛-表格检测第2名方案第二部分-表格分割

C# OnnxRuntime 实现百度网盘AI大赛-表格检测第2名方案第二部分-表格分割

时间：2024-12-15 15:56:03浏览次数：6  
标签：表格 百度网 using C# image System result path new

目录

说明

效果

模型

项目

代码

参考

下载

说明

百度网盘AI大赛-表格检测的第2名方案。

该算法包含表格边界框检测、表格分割和表格方向识别三个部分，首先，ppyoloe-plus-x 对边界框进行预测，并对置信度较高的表格边界框（box）进行裁剪。裁剪后的单个表格实例会送入到DBNet中进行语义分割，分割结果通过opencv轮廓处理获得表格关键点(point)。之后，我们根据DBNet计算的关键点在裁剪后的单个表格实例上绘制表格边界。最后，PP-LCNet结合表格边界先验和表格实例图像，对表格的方向进行预测，并根据之前定义的几何轮廓点与语义轮廓点的对应关系，将几何轮廓点映射为语义轮廓点。

本文使用C# OnnxRuntime 实现百度网盘AI大赛-表格检测第2名方案第二部分-表格分割

效果

模型

Model Properties
-------------------------
date：2024-10-28T08:16:43.725877
description：Ultralytics YOLO11l-seg model trained on coco-seg.yaml
author：Ultralytics
version：8.3.23
task：segment
license：AGPL-3.0 License (https://ultralytics.com/license)
docs：https://docs.ultralytics.com
stride：32
batch：1
imgsz：[800, 800]
names：{0: 'table'}
---------------------------------------------------------------

Inputs
-------------------------
name：images
tensor：Float[1, 3, 800, 800]
---------------------------------------------------------------

Outputs
-------------------------
name：output0
tensor：Float[1, 37, 13125]
name：output1
tensor：Float[1, 32, 200, 200]
---------------------------------------------------------------

项目

代码

using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Security.Cryptography;
using System.Text;
using System.Web;
using System.Windows.Forms;
using static System.Net.Mime.MediaTypeNames;

namespace Onnx_Yolov8_Demo
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        string fileFilter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";
        string image_path = "";
        string startupPath;
        string classer_path;
        DateTime dt1 = DateTime.Now;
        DateTime dt2 = DateTime.Now;
        string model_path;
        Mat image;
        SegmentationResult result_pro;
        Mat result_image;

        SessionOptions options;
        InferenceSession onnx_session;
        Tensor<float> input_tensor;
        List<NamedOnnxValue> input_container;
        IDisposableReadOnlyCollection<DisposableNamedOnnxValue> result_infer;
        DisposableNamedOnnxValue[] results_onnxvalue;

        Tensor<float> result_tensors_det;
        Tensor<float> result_tensors_proto;

        private void button1_Click(object sender, EventArgs e)
        {
            OpenFileDialog ofd = new OpenFileDialog();
            ofd.Filter = fileFilter;
            if (ofd.ShowDialog() != DialogResult.OK) return;
            pictureBox1.Image = null;
            image_path = ofd.FileName;
            pictureBox1.Image = new Bitmap(image_path);
            textBox1.Text = "";
            image = new Mat(image_path);
            pictureBox2.Image = null;
        }

        private void button2_Click(object sender, EventArgs e)
        {
            if (image_path == "")
            {
                return;
            }

            button2.Enabled = false;

           System.Windows.Forms.Application.DoEvents();

            // 配置图片数据
            image = new Mat(image_path);
            int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
            Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
            Rect roi = new Rect(0, 0, image.Cols, image.Rows);
            image.CopyTo(new Mat(max_image, roi));

            float[] det_result_array = new float[37 * 13125];
            float[] proto_result_array = new float[32 * 200 * 200];
            float[] factors = new float[4];
            factors[0] = factors[1] = (float)(max_image_length / 800.0);
            factors[2] = image.Rows;
            factors[3] = image.Cols;

            // 将图片转为RGB通道
            Mat image_rgb = new Mat();
            Cv2.CvtColor(max_image, image_rgb, ColorConversionCodes.BGR2RGB);
            Mat resize_image = new Mat();
            Cv2.Resize(image_rgb, resize_image, new OpenCvSharp.Size(800, 800));

            // 输入Tensor
            for (int y = 0; y < resize_image.Height; y++)
            {
                for (int x = 0; x < resize_image.Width; x++)
                {
                    input_tensor[0, 0, y, x] = resize_image.At<Vec3b>(y, x)[0] / 255f;
                    input_tensor[0, 1, y, x] = resize_image.At<Vec3b>(y, x)[1] / 255f;
                    input_tensor[0, 2, y, x] = resize_image.At<Vec3b>(y, x)[2] / 255f;
                }
            }

            //将 input_tensor 放入一个输入参数的容器，并指定名称
            input_container.Add(NamedOnnxValue.CreateFromTensor("images", input_tensor));

            dt1 = DateTime.Now;
            //运行 Inference 并获取结果
            result_infer = onnx_session.Run(input_container);

            dt2 = DateTime.Now;

            // 将输出结果转为DisposableNamedOnnxValue数组
            results_onnxvalue = result_infer.ToArray();

            // 读取第一个节点输出并转为Tensor数据
            result_tensors_det = results_onnxvalue[0].AsTensor<float>();
            result_tensors_proto = results_onnxvalue[1].AsTensor<float>();

            det_result_array = result_tensors_det.ToArray();
            proto_result_array = result_tensors_proto.ToArray();

            resize_image.Dispose();
            image_rgb.Dispose();

            result_pro = new SegmentationResult(classer_path, factors);
            result_image = result_pro.draw_result(result_pro.process_result(det_result_array, proto_result_array), image.Clone());

            if (!result_image.Empty())
            {
                pictureBox2.Image = new Bitmap(result_image.ToMemoryStream());
                textBox1.Text = "推理耗时:" + (dt2 - dt1).TotalMilliseconds + "ms";
            }
            else
            {
                textBox1.Text = "无信息";
            }

            button2.Enabled = true;
        }

        private void Form1_Load(object sender, EventArgs e)
        {
            startupPath = System.Windows.Forms.Application.StartupPath;
            model_path = startupPath + "\\yolo_edge_det.onnx";
            classer_path = startupPath + "\\lable.txt";

            // 创建输出会话，用于输出模型读取信息
            options = new SessionOptions();
            options.LogSeverityLevel = OrtLoggingLevel.ORT_LOGGING_LEVEL_INFO;
            // 设置为CPU上运行
            options.AppendExecutionProvider_CPU(0);

            // 创建推理模型类，读取本地模型文件
            onnx_session = new InferenceSession(model_path, options);//model_path 为onnx模型文件的路径

            // 输入Tensor
            input_tensor = new DenseTensor<float>(new[] { 1, 3, 800, 800 });

            // 创建输入容器
            input_container = new List<NamedOnnxValue>();

            image_path = "1.jpg";
            pictureBox1.Image = new Bitmap(image_path);

        }
    }
}
 

using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Security.Cryptography;
using System.Text;
using System.Web;
using System.Windows.Forms;
using static System.Net.Mime.MediaTypeNames;

namespace Onnx_Yolov8_Demo
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        string fileFilter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";
        string image_path = "";
        string startupPath;
        string classer_path;
        DateTime dt1 = DateTime.Now;
        DateTime dt2 = DateTime.Now;
        string model_path;
        Mat image;
        SegmentationResult result_pro;
        Mat result_image;

        SessionOptions options;
        InferenceSession onnx_session;
        Tensor<float> input_tensor;
        List<NamedOnnxValue> input_container;
        IDisposableReadOnlyCollection<DisposableNamedOnnxValue> result_infer;
        DisposableNamedOnnxValue[] results_onnxvalue;

        Tensor<float> result_tensors_det;
        Tensor<float> result_tensors_proto;

        private void button1_Click(object sender, EventArgs e)
        {
            OpenFileDialog ofd = new OpenFileDialog();
            ofd.Filter = fileFilter;
            if (ofd.ShowDialog() != DialogResult.OK) return;
            pictureBox1.Image = null;
            image_path = ofd.FileName;
            pictureBox1.Image = new Bitmap(image_path);
            textBox1.Text = "";
            image = new Mat(image_path);
            pictureBox2.Image = null;
        }

        private void button2_Click(object sender, EventArgs e)
        {
            if (image_path == "")
            {
                return;
            }

            button2.Enabled = false;

           System.Windows.Forms.Application.DoEvents();

            // 配置图片数据
            image = new Mat(image_path);
            int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
            Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
            Rect roi = new Rect(0, 0, image.Cols, image.Rows);
            image.CopyTo(new Mat(max_image, roi));

            float[] det_result_array = new float[37 * 13125];
            float[] proto_result_array = new float[32 * 200 * 200];
            float[] factors = new float[4];
            factors[0] = factors[1] = (float)(max_image_length / 800.0);
            factors[2] = image.Rows;
            factors[3] = image.Cols;

            // 将图片转为RGB通道
            Mat image_rgb = new Mat();
            Cv2.CvtColor(max_image, image_rgb, ColorConversionCodes.BGR2RGB);
            Mat resize_image = new Mat();
            Cv2.Resize(image_rgb, resize_image, new OpenCvSharp.Size(800, 800));

            // 输入Tensor
            for (int y = 0; y < resize_image.Height; y++)
            {
                for (int x = 0; x < resize_image.Width; x++)
                {
                    input_tensor[0, 0, y, x] = resize_image.At<Vec3b>(y, x)[0] / 255f;
                    input_tensor[0, 1, y, x] = resize_image.At<Vec3b>(y, x)[1] / 255f;
                    input_tensor[0, 2, y, x] = resize_image.At<Vec3b>(y, x)[2] / 255f;
                }
            }

            //将 input_tensor 放入一个输入参数的容器，并指定名称
            input_container.Add(NamedOnnxValue.CreateFromTensor("images", input_tensor));

            dt1 = DateTime.Now;
            //运行 Inference 并获取结果
            result_infer = onnx_session.Run(input_container);

            dt2 = DateTime.Now;

            // 将输出结果转为DisposableNamedOnnxValue数组
            results_onnxvalue = result_infer.ToArray();

            // 读取第一个节点输出并转为Tensor数据
            result_tensors_det = results_onnxvalue[0].AsTensor<float>();
            result_tensors_proto = results_onnxvalue[1].AsTensor<float>();

            det_result_array = result_tensors_det.ToArray();
            proto_result_array = result_tensors_proto.ToArray();

            resize_image.Dispose();
            image_rgb.Dispose();

            result_pro = new SegmentationResult(classer_path, factors);
            result_image = result_pro.draw_result(result_pro.process_result(det_result_array, proto_result_array), image.Clone());

            if (!result_image.Empty())
            {
                pictureBox2.Image = new Bitmap(result_image.ToMemoryStream());
                textBox1.Text = "推理耗时:" + (dt2 - dt1).TotalMilliseconds + "ms";
            }
            else
            {
                textBox1.Text = "无信息";
            }

            button2.Enabled = true;
        }

        private void Form1_Load(object sender, EventArgs e)
        {
            startupPath = System.Windows.Forms.Application.StartupPath;
            model_path = startupPath + "\\yolo_edge_det.onnx";
            classer_path = startupPath + "\\lable.txt";

            // 创建输出会话，用于输出模型读取信息
            options = new SessionOptions();
            options.LogSeverityLevel = OrtLoggingLevel.ORT_LOGGING_LEVEL_INFO;
            // 设置为CPU上运行
            options.AppendExecutionProvider_CPU(0);

            // 创建推理模型类，读取本地模型文件
            onnx_session = new InferenceSession(model_path, options);//model_path 为onnx模型文件的路径

            // 输入Tensor
            input_tensor = new DenseTensor<float>(new[] { 1, 3, 800, 800 });

            // 创建输入容器
            input_container = new List<NamedOnnxValue>();

            image_path = "1.jpg";
            pictureBox1.Image = new Bitmap(image_path);

        }
    }
}

参考

https://github.com/hpc203/TableDetection

百度网盘AI大赛-表格检测第2名方案 - 飞桨AI Studio星河社区

下载

源码下载

标签：表格,百度网,using,C#,image,System,result,path,new
From： https://blog.csdn.net/lw112190/article/details/144487874

相关文章

  • R ：MetaCyc路径名称提取脚本
    #清空环境变量rm(list=ls())#设置工作目录，请修改为你的文件实际路径setwd("C:\\Users\\Administrator\\Desktop\\machinelearning\\Heatmap\\MetaCyc")#读取路径数据Pathway_raw<-read.table(file="Pathway.txt",sep="\t",header=TRU......
  • vs编译cpp时设置排除项
    cpp编译排除一个c++文件不需要被编译但还保留在工程中(阅读)，可使用ExcludedFromBuild，有两种方法实现：图形化操作改vs的项目配置文件图形化操作在vs的资源管理器选中文件-右键-属性-切到当前的编译配置项（debug/release)，有个选项【从生成中排除】，选择为是vcxproj文......
  • c++小结之字符串字面量
    存储区域字符串字面量是形如"Thisisabook.\n"这样的一组明确的字符串。字符串字面量通常存储在内存的静态存储区。静态存储区大小固定，不受操作系统影响，但是一般比较小。多个相同的字符串字面量多个相同的字符串字面量在内存是存储在同一个位置。比如：constchar*a="This......
  • css第三天案例练习
    案例一：新闻详情字体颜色：color字体大小:font-size段落开头空两行:font-indent:2em水平居中：图片（出错点）/文字text-align:center字体粗细：font-weight:400(取消加粗)               案例二：css简介超链接设置格式       ......
  • 专业版对标office，一站式AI办公
    在众多的办公套件中，微软的Office和wpS无疑成为了最受欢迎的选择。微软Office凭借其强大的功能和广泛的应用场景，赢得了全球用户的青睐。而wpS则以其轻量级和高性价比而受到许多用户的喜爱。软件不仅拥有与MicrosoftOffice相似的界面和功能，还提供了丰富的模板和格式选项，尤其......
  • C# 委托（Delegate）
    在C#中，委托（Delegate）是一种类型安全的函数指针，它允许将方法作为参数传递给其他方法。C#中的委托（Delegate）类似于C或C++中函数的指针。委托（Delegate） 是存有对某个方法的引用的一种引用类型变量，引用可在运行时被改变。委托在C#中非常常见，用于事件处理、回调函数、LINQ......
  • 18.Java Lambda 表达式(Lambda 表达式练习与原理分析、@FunctionalInterface 注解)
    一、问题引入1、问题案例开启一个新的线程，指定线程要执行的任务newThread(newRunnable(){publicvoidrun(){System.out.println("HelloWorld");}}).start();2、问题分析Thread类需要一个Runnable接口作为参数，其中抽象方法run是用来指......
  • [BZOJ3569] DZY Loves Chinese II 题解
    考虑不联通的情况。图不好做，就造一棵生成树出来，由于是无向图，所以只有树边和返祖边。发现在一条树边断开后，生成树会分成两个连通块，由覆盖这条树边的返祖边链接，只有这些返祖边也全部断开，原图才会不联通。想到异或的优良性质。我们给所有返祖边在\([0,2^{63})\)中随机一个值作为......
  • 【无标题】minio报minio API responded with message=Access denied on the resource
    确认MinIO服务状态首先，确保MinIO服务正在运行且可以访问。您可以通过直接访问MinIO的HTTP端口（默认为9000）来检查服务状态。例如，在浏览器中访问http://<MinIO服务IP>:9000或使用命令行工具如curl来进行测试。curlhttp://<MinIO服务IP>:9000/minio/health/live如果服......
  • React 框架性能优化：代码分割与 SEO 改善
    React框架性能优化：代码分割与SEO改善React是构建现代前端应用的首选框架之一，但在项目规模不断扩大、功能复杂度逐步提升时，性能和SEO往往成为开发者关注的核心问题。本文将聚焦React的性能优化，探讨如何通过代码分割提升加载效率，并改善单页应用（SPA）的SEO表现。......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99