【官方框架地址】

https://github.com/WongKinYiu/yolov7.git

【框架介绍】

Yolov7是一种目标检测算法，全称You Only Look Once version 7。它是继Yolov3和Yolov4之后的又一重要成果，是目标检测领域的一个重要里程碑。

Yolov7在算法结构上继承了其前作Yolov3和Yolov4的设计思想，但在许多方面进行了优化和改进。它采用了深度学习技术，利用卷积神经网络对图像进行特征提取，并通过一系列的算法步骤，实现对目标物体的检测和识别。

相比于之前的版本，Yolov7在检测精度和速度上都有了显著的提升。它采用了更深的网络结构，增加了更多的特征层次，提高了特征提取的精度。同时，Yolov7还采用了多尺度特征融合技术，将不同尺度的特征进行融合，增强了模型对不同大小目标的检测能力。

此外，Yolov7还引入了一些新的技术手段，如注意力机制和上下文信息编码等，进一步提高了检测的准确性和鲁棒性。这些技术的引入，使得Yolov7在各种复杂场景下都能表现出色，成为目标检测领域的一个重要里程碑。

总的来说，Yolov7是一种高效、准确的目标检测算法，它在速度和精度上都达到了较高的水平。随着深度学习技术的不断发展，我们有理由相信，Yolov7将继续引领目标检测领域的发展，为人们的生活和工作带来更多的便利和价值

CRNN（Convolutional Recurrent Neural Network）是一种常用于序列化文本识别的深度学习模型，由卷积神经网络（CNN）、循环神经网络（RNN）和转录层（CTC）组成。CRNN模型通过结合CNN和RNN的优点，能够有效地处理图像中的序列化文本，包括识别、转录和校正等任务。

CRNN模型的主要结构包括三个部分：卷积神经网络（CNN）、循环神经网络（RNN）和转录层（CTC）。

1. 卷积神经网络（CNN）用于提取输入图像的特征。通过卷积操作，CNN能够从图像中提取局部特征，并通过池化操作降低特征图的维度，从而减少计算量并提高模型的泛化能力。
2. 循环神经网络（RNN）用于处理序列化数据。在CRNN模型中，RNN通常采用LSTM（Long Short-Term Memory）或GRU（Gated Recurrent Unit）等变体，能够有效地捕获序列中的长期依赖关系。
3. 转录层（CTC）用于将RNN的输出转换为文本序列。CTC通过动态规划算法，将RNN的输出序列转换为最可能的文本序列。

CRNN模型在文本识别任务中具有广泛的应用，包括车牌识别、路标识别、光学字符识别等。此外，CRNN模型还可以与其他技术相结合，如注意力机制、Transformer等，进一步提高模型的性能和准确率。
【效果展示】

【实现部分代码】

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
using OpenCvSharp;namespace FIRC
{public partial class Form1 : Form{Bitmap bmp = null;PlateManager pm = new PlateManager();public Form1(){InitializeComponent();}private void button1_Click(object sender, EventArgs e){OpenFileDialog openFileDialog = new OpenFileDialog();openFileDialog.Filter = "图文件(*.*)|*.jpg;*.png;*.jpeg;*.bmp";openFileDialog.RestoreDirectory = true;openFileDialog.Multiselect = false;if (openFileDialog.ShowDialog() == DialogResult.OK){if(bmp!=null){bmp.Dispose();}bmp = new Bitmap(openFileDialog.FileName);pictureBox1.Image = bmp;}}private void button2_Click(object sender, EventArgs e){if(pictureBox1.Image==null){return;}Stopwatch sw = new Stopwatch();sw.Start();var result = pm.Inference(bmp);sw.Stop();this.Text = "耗时" + sw.Elapsed.TotalSeconds + "秒";var resultImg = pm.DrawImage(bmp,result);pictureBox2.Image = resultImg;}private void Form1_Load(object sender, EventArgs e){pm.LoadWeights();}private void btn_video_Click(object sender, EventArgs e){VideoCapture capture = new VideoCapture(0);if (!capture.IsOpened()){Console.WriteLine("video not open!");return;}Mat frame = new Mat();var sw = new Stopwatch();int fps = 0;while (true){capture.Read(frame);if (frame.Empty()){Console.WriteLine("data is empty!");break;}sw.Start();var bmp = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(frame);var result = pm.Inference(bmp);var resultImg = pm.DrawImage(bmp, result);var resultMat = OpenCvSharp.Extensions.BitmapConverter.ToMat(resultImg);sw.Stop();fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);sw.Reset();Cv2.PutText(resultMat, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);//显示结果Cv2.ImShow("Result", resultMat);int key = Cv2.WaitKey(10);if (key == 27)break;}capture.Release();}}
}

【视频演示】

https://www.bilibili.com/video/BV1i5411y7FK/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee
【源码下载】

https://download.csdn.net/download/FL1623863129/88781345
【测试环境】

VS2019.netframework4.7.2