Détection d'objets — YOLOObjectDetectorBlock¶

YOLOObjectDetectorBlock détecte les objets directement dans le flux vidéo. Il capte les images RGBA via un capteur d'échantillons vidéo interne, exécute le détecteur ONNX configuré, dessine éventuellement des boîtes et des étiquettes dans l'image, et déclenche OnObjectsDetected pour les images traitées contenant des détections. Utilisez-le lorsque vous avez besoin de boîtes et d'étiquettes sans suivi, sans lignes de franchissement ni analyse de zones — voir Analytique d'objets pour une détection suivie et sensible aux zones.

graph LR;
    Source-->YOLOObjectDetectorBlock;
    YOLOObjectDetectorBlock-->VideoRendererBlock;
    YOLOObjectDetectorBlock-. OnObjectsDetected .->App[Votre application];

Familles de détecteurs prises en charge¶

Définissez YoloDetectorSettings.Model pour correspondre à la structure du modèle ONNX.

Le SDK ne fournit pas les poids du détecteur dans le paquet NuGet. Le paramètre IoUThreshold ne s'applique qu'aux familles basées sur NMS (YOLOv8, YOLOX) ; RT-DETR n'utilise pas de NMS et l'ignore. NormalizeTo01 n'est respecté que par YOLOv8 — YOLOX et RT-DETR fixent leur normalisation selon leur propre convention d'entraînement.

Autonome ou ObjectAnalyticsBlock ?¶

Utilisez YOLOObjectDetectorBlock lorsque chaque image peut être traitée indépendamment : dessiner des boîtes, collecter des étiquettes, déclencher des alertes simples, ou transmettre les détections à votre propre logique. Utilisez ObjectAnalyticsBlock lorsque vous avez besoin d'identifiants de suivi stables, d'événements de franchissement de ligne, d'occupation de zones polygonales, de traces d'objets et de compteurs. ObjectAnalyticsBlock réutilise en interne YoloDetectorSettings pour son détecteur, mais son moteur de rendu et son modèle d'événements sont conçus autour des objets suivis plutôt que des détections brutes par image.

Utilisation¶

using VisioForge.Core.MediaBlocks;
using VisioForge.Core.MediaBlocks.AI;
using VisioForge.Core.MediaBlocks.VideoRendering;
using VisioForge.Core.Types.VideoProcessing;
using VisioForge.Core.Types.X.AI;

var detectorSettings = new YoloDetectorSettings(modelPath)
{
    Model = ObjectDetectorModel.YOLOX,
    ConfidenceThreshold = 0.6f,
    IoUThreshold = 0.45f,
    DrawDetections = true,
    DrawLabels = true,
    FramesToSkip = 0,
    Provider = OnnxExecutionProvider.Auto,
};

var detector = new YOLOObjectDetectorBlock(detectorSettings);
detector.OnObjectsDetected += (sender, e) =>
{
    foreach (OnnxDetection obj in e.Objects)
    {
        Console.WriteLine($"{obj.Label} #{obj.ClassId} {obj.Confidence:P0} at {obj.Box}");
    }
};

var videoRenderer = new VideoRendererBlock(pipeline, videoView) { IsSync = false };

pipeline.Connect(source.Output, detector.Input);
pipeline.Connect(detector.Output, videoRenderer.Input);

await pipeline.StartAsync();

Console.WriteLine($"Active provider: {detector.ActiveProvider}");

Chaque OnnxDetection contient la boîte englobante Box en coordonnées de pixels de l'image source, ClassId, Label, Confidence, et TrackerId. En détection autonome, TrackerId vaut toujours -1 car aucun tracker n'a attribué d'identité.

Paramètres clés¶

YoloDetectorSettings étend OnnxInferenceSettings.

YOLOObjectDetectorBlock.ActiveProvider indique le fournisseur réellement utilisé une fois le bloc construit.

Utilisation avec VideoCaptureCoreX et MediaPlayerCoreX¶

var detector = new YOLOObjectDetectorBlock(detectorSettings);
detector.OnObjectsDetected += Detector_OnObjectsDetected;

core.Video_Processing_AddBlock(detector); // avant StartAsync (VideoCaptureCoreX)
// player.Video_Processing_AddBlock(detector); // avant OpenAsync/PlayAsync (MediaPlayerCoreX)

await core.StartAsync();

Consultez Utiliser les blocs IA avec VideoCaptureCoreX et MediaPlayerCoreX pour l'API complète des blocs de traitement, l'ordre d'insertion et les règles de cycle de vie communes à chaque bloc IA vidéo.

Cas d'usage¶

• Sécurité et surveillance — signaler la présence de personnes, de véhicules ou de classes d'objets spécifiques dans un flux de caméra.
• Analytique pour le commerce de détail — détecter des produits, des paniers ou des personnes dans une allée de magasin pour une couche de logique métier en aval.
• Surveillance industrielle et sécurité au travail — détecter les équipements de protection individuelle requis, les obstacles ou l'équipement dans une image (avec un modèle entraîné pour ces classes).
• Surveillance de la faune et du trafic — détecter des animaux ou des véhicules dans un flux de caméra fixe.
• Pré-filtrage pour un pipeline plus lourd — utiliser la détection autonome comme première passe peu coûteuse, et n'exécuter un bloc plus coûteux (OCR, reconnaissance faciale) que sur les images ou les régions où quelque chose a été détecté.

Besoin d'identités persistantes entre les images, de comptages de franchissement de ligne ou d'occupation de zones plutôt que de simples boîtes par image ? Utilisez Analytique d'objets — il enveloppe les mêmes familles de détecteurs avec le suivi ByteTrack, les lignes de franchissement et les zones polygonales.

Dépannage¶

Foire aux questions¶

Par quelle famille de détecteurs devrais-je commencer ?¶

YOLOv8 (la valeur par défaut) si vous utilisez des poids Ultralytics standards exportés, mais vérifiez d'abord la remarque sur la licence AGPL-3.0. YOLOX et RT-DETR sont des alternatives sous licence Apache-2.0 ne nécessitant pas de licence commerciale.

Puis-je utiliser mon propre modèle YOLO entraîné ?¶

Oui — à condition qu'il ait été exporté selon la structure de l'une des trois familles prises en charge (YOLOv8/YOLOX/RTDETR) et que vous définissiez Model et Labels en fonction de vos classes d'entraînement.

YOLOObjectDetectorBlock suit-il les objets d'une image à l'autre ?¶

Non — chaque détection est indépendante par image (TrackerId vaut toujours -1). Utilisez ObjectAnalyticsBlock lorsque vous avez besoin d'identités stables, de lignes de franchissement ou de zones.

Un GPU est-il nécessaire pour une détection en temps réel ?¶

Non, mais un fournisseur d'exécution GPU (CUDA, DirectML ou CoreML) réduit la latence par image par rapport au CPU, ce qui compte le plus pour des fréquences d'images élevées ou des modèles de détecteur plus volumineux.

Démos¶

• YOLO Object Detection Demo — démo WPF Media Blocks couvrant à la fois la détection autonome et les modes d'analyse d'objets.
• YOLO Object Detection MB — la même démo Media Blocks pour MAUI.

Des démos dédiées de détection d'objets VideoCaptureCoreX/MediaPlayerCoreX (Capture Object Detection X, Capture Object Detection X WPF, Player Object Detection X, Player Object Detection X WPF) figurent dans l'ensemble de démos du SDK et seront liées ici une fois publiées dans le dépôt d'échantillons public.