### C# 使用 YOLOv8 ONNX 模型进行推理的教程与示例代码 在 C# 中使用 YOLOv8 的 ONNX 模型进行推理，主要依赖于 ONNX Runtime 库。以下是一个完整的解决方案，包括所需的步骤和示例代码。 #### 1. 安装 ONNX Runtime 首先需要安装 `Microsoft.ML.OnnxRuntime` NuGet 包，这是 ONNX Runtime 的官方实现。可以通过以下命令安装： ```bash dotnet add package Microsoft.ML.OnnxRuntime ``` #### 2. 加载模型并进行推理 以下是加载 YOLOv8 ONNX 模型并在 C# 中进行推理的完整代码示例： ```csharp using System; using System.Drawing; using System.IO; using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; class Program { static void Main(string[] args) { // 加载 ONNX 模型 string modelPath = "yolov8n.onnx"; // 替换为实际路径 using (var session = new InferenceSession(modelPath)) { Console.WriteLine("Model loaded successfully."); // 加载图像并预处理 Bitmap image = new Bitmap("test_image.jpg"); // 替换为实际路径 var inputTensor = PreprocessImage(image, 640, 640); // 图像大小需匹配模型输入尺寸 // 创建输入数据字典 var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor(session.InputMetadata.First().Key, inputTensor) }; // 运行推理 using (var results = session.Run(inputs)) { // 获取输出张量 var outputTensor = results.First().AsTensor<float>(); // 后处理结果 PostprocessOutput(outputTensor); } } } /// <summary> /// 预处理图像以匹配模型输入要求。 /// </summary> static DenseTensor<float> PreprocessImage(Bitmap image, int width, int height) { image = new Bitmap(image.GetThumbnailImage(width, height, null, IntPtr.Zero)); float[] data = new float[width * height * 3]; for (int y = 0; y < height; y++) { for (int x = 0; x < width; x++) { Color pixel = image.GetPixel(x, y); int index = (y * width + x) * 3; data[index] = pixel.R / 255.0f; // 归一化到 [0, 1] data[index + 1] = pixel.G / 255.0f; data[index + 2] = pixel.B / 255.0f; } } return new DenseTensor<float>(new[] { 1, 3, height, width }, data); // 调整维度顺序为 NCHW } /// <summary> /// 后处理输出张量以提取检测结果。 /// </summary> static void PostprocessOutput(Tensor<float> outputTensor) { // 假设输出形状为 [1, num_boxes, 85]，其中 85 表示类别数 + 边界框坐标 + 置信度 int numBoxes = outputTensor.Dimensions[1]; for (int i = 0; i < numBoxes; i++) { float confidence = outputTensor[i, 4]; // 置信度 if (confidence > 0.5) // 只保留置信度大于 0.5 的预测 { int classIndex = Array.IndexOf(outputTensor[i, 5..], outputTensor[i, 5..].Max()); // 获取类别索引 Console.WriteLine($"Detected object: Class {classIndex}, Confidence {confidence}"); } } } } ``` #### 3. 关键点说明 - **模型路径**：确保提供的 ONNX 模型路径正确[^1]。 - **图像预处理**：YOLOv8 模型通常需要输入图像为固定尺寸（如 640x640），并且像素值归一化到 [0, 1] 范围[^2]。 - **后处理逻辑**：YOLOv8 输出包含边界框坐标、置信度和类别概率。需要根据模型的具体输出格式解析结果[^3]。 #### 4. 注意事项 - 如果模型需要额外的参数（如锚框或缩放因子），请参考模型文档进行调整。 - 确保输入图像的尺寸与模型训练时的输入尺寸一致，否则可能影响推理结果。 --- ###