c# 部署yolo11 onnx模型到GPU
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
Python自动化办公工具包 Excel批量合并拆分去重 Word模板替换 PDF合并水印 一键出图表报表
一套命令行就能跑的 Python 办公自动化工具包,不依赖 Office,Windows/Linux 都能用。四组功能: 1) Excel:多簿按列名合并(少列不错位、自动跳过临时锁文件)、按列拆分、跨表去重、数值列统计; 2) Word:占位符批量替换(正文+表格+页眉页脚)、正文提取、文档台账; 3) PDF:合并、按页拆分、文字提取、中文水印(右下/顶部/居中)、PDF 台账; 4) 报表:一张明细表生成概览+分组汇总+条形图三张表,自动挑分组列和金额列。 使用方法:解压后 pip install -r requirements.txt,先跑 python examples/demo.py 看全流程产物,再按 python -m officekit 子命令 --help 查参数;也能 from officekit import excel_tool 当库调用。内置 tests/self_test.py,52 项自检实测全通过。 原创代码,可自由用于个人与商业项目,不含任何第三方版权内容。
CCP协议本地实验台 纯内存模拟从站 6组命令序列验证 登录SeedKey下载DAQ Python源码
纯内存模拟的 CCP 从站 + 最小主站,不需要 CAN 硬件就能验证命令序列。 6 组实验:登录序列、Seed&Key 解锁、块下载与回读、标定页与代码更新、DAQ 配置与启动。 字段位置与返回码按 ASAM MCD-1 CCP V2.1.0 核对,适合学习协议、验证驱动逻辑。原创代码,可直接运行。
【计算机视觉】基于Python与深度学习的园林病虫害检测系统设计:图像识别模型构建与智能养护应用 项目介绍 基于Python和图像识别的园林病虫害检测系统设计与实现(含模型描述及部分示例代码)
内容概要:本文介绍了一个基于Python和图像识别技术的园林病虫害检测系统的设计与实现,旨在通过深度学习模型自动识别园林植物的病害和虫害。系统涵盖图像采集、预处理、病虫害识别、结果展示、数据存储和预警辅助六大环节,利用OpenCV进行图像增强,采用ResNet18和YOLOv8分别实现叶片病害分类与害虫目标检测,并通过Flask搭建Web服务接口,结合SQLite实现检测数据的持久化管理。项目强调模型在真实园林环境中的适应性,提出通过数据增强、CLAHE对比度提升、加权损失函数等手段应对图像质量差异和类别不均衡问题,并支持后续向云端部署、GIS集成和智慧园林平台拓展。; 适合人群:具备Python编程基础,熟悉深度学习、计算机视觉、Web开发及相关工具(如PyTorch、OpenCV、Flask)的高校学生、科研人员及从事智慧农业、园林信息化的工程技术人员;适合用作综合实践项目或毕业设计参考; 使用场景及目标:① 实现园林植物病虫害的快速智能识别,辅助养护人员进行高效诊断;② 提升大面积绿地巡查效率,降低人工巡检成本与漏检风险;③ 构建可扩展的智慧园林技术原型,支撑病虫害数据分析与早期预警决策; 阅读建议:此资源融合了图像处理、深度学习建模、系统集成与工程部署全流程,建议读者结合示例代码动手实践,重点关注数据预处理策略、模型迁移学习方法及系统服务封装逻辑,同时可根据实际需求替换模型、扩展功能模块。
【文化遗产数字化】基于Python与AIGC的非遗工坊内容生成与营销系统:多模态知识建模及智能推荐应用 项目介绍 基于Python和AIGC的非遗工坊集群内容生产与营销辅助系统设计与实现(含模型描述及
内容概要:本文介绍了一个基于Python和生成式人工智能(AIGC)的非遗工坊集群内容生产与营销辅助系统的设计与实现。该系统通过构建多层模型架构,整合数据采集、语义理解、知识建模、检索增强生成、营销预测与内容审核等功能,实现对非物质文化遗产内容的智能化生产与精准化运营。系统依托语义向量检索、主题分类、转化率预测、订单趋势分析等模型,结合知识图谱与多模态内容理解技术,提升非遗内容在多平台传播中的文化准确性与表达质量,同时支持数据驱动的营销决策与风险管控。文中还提供了各核心模型的代码示例及大规模模拟数据生成方案,展示了系统的可实施性与工程化能力。; 适合人群:具备一定Python编程与机器学习基础,从事文化科技、数字人文、AI应用开发或非遗保护相关工作的研发人员、数据科学家及项目管理者。; 使用场景及目标:①解决非遗工坊在内容创作中面临的文化失真、表达单一与人力不足问题;②实现跨平台内容自动生成、质量审核与发布优化;③支撑工坊集群的数据协同、精准营销与经营趋势预测;④为文化类智能系统提供可复用的技术架构与治理范式。; 阅读建议:此资源不仅包含理论架构与模型设计,还附有可运行的代码片段与完整数据生成逻辑,建议结合实际项目需求进行调试与扩展,并重视文化事实的审核机制与人机协同流程的建设。
C#实现YOLOv11推理[源码]
本文详细介绍了如何在Visual Studio 2022环境下使用C#和.NET 8.0框架实现YOLOv11模型的推理部署。内容包括创建C#工程、添加YOLOSharp工具包(支持GPU和非GPU版本)、通过NuGet或直接添加DLL的方式安装必要组件,以及在窗体应用中集成图像窗口和推理功能。文章还提供了代码示例,展示了如何加载ONNX模型、运行目标检测任务并处理检测结果。最后,作者分享了完整的项目源代码资源链接,供读者参考学习。
C# winform部署yolo26-pose姿态估计关键点的onnx模型演示源码+模型+说明.7z
测试环境: vs2019 CPU推理,无需安装cuda+cudnn onnxruntime1.22.1 opecvsharp4.11.0 .net framework4.8.0 ultralytics==8.4.0 运行效果参考博文:https://blog.csdn.net/FL1623863129/article/details/156992820
C#部署YOLO模型[可运行源码]
本文详细介绍了在C#上位机中使用ONNX Runtime部署YOLO模型的完整方案,特别针对低配置工控机(4-8核CPU、无独显)的性能优化。文章从ONNX Runtime的优势分析开始,包括部署复杂度低、CPU推理性能强、模型兼容性高、内存占用低等特点。随后提供了从模型获取到上位机部署的7个步骤,包括获取最优ONNX模型、C#项目最小依赖、最简YOLOv8推理类实现等。此外,文章还分享了从8fps提升到25+fps的优化实战经验,包括int8量化、输入尺寸调整、线程数限制等优化策略。最后给出了一个最简WinForms实时检测窗体的实现示例,并提供了2025年底实测的性能对比数据。
在C# WPF项目中使用YOLO26模型进行GPU推理
压缩包里面有使用说明。B站上有详细讲解:https://www.bilibili.com/video/BV1QLGB6fEpr/?spm_id_from=333.1387.homepage.video_card.click&vd_source=f77eab3abea7af9c68785abc4a6f500a
C# WinForm + ONNX Runtime 实现 YOLOv11 离线推理 + ModbusRTU 脉冲触发工业检测
C# WinForm + ONNX Runtime 实现 YOLOv11 离线推理 + ModbusRTU 脉冲触发工业检测
YOLO26+WPF高性能目标检测系统完整源代码
在C#里用CUDA加速的YOLO目标检测。压缩包里有使用说明,B站上有详细讲解:https://www.bilibili.com/video/BV13EGB6ZEwh/?vd_source=f77eab3abea7af9c68785abc4a6f500a
.NET MAUI + YOLO跨平台目标检测[项目代码]
本文详细介绍了如何利用.NET MAUI和YOLO技术打造跨平台目标检测上位机的完整实战指南。方案基于2025-2026年最新实践,支持一次开发、多端部署,包括Windows工控机产线检测、Android平板现场巡检、iOS/macOS远程查看/管理,共享90%以上代码。核心技术栈包括.NET MAUI、SkiaSharp、Microsoft.ML.OnnxRuntime和YOLOv8n/v11n模型,实现实时检测、画框、可视化和统计等工业功能。文章还详细讲解了项目架构设计(MVVM + 服务抽象)、实战开发核心代码、跨平台适配与性能优化策略,以及工业特性扩展和参考资源。
onnxruntime-1.19.2.zip
onnxruntime-1.19.2.zip
C# winform部署yolo26-seg实例分割的onnx模型演示源码+模型+说明.7z
测试环境: vs2019 CPU推理,无需安装cuda+cudnn onnxruntime==1.22.1 opecvsharp==4.11.0 .net framework4.8.0 ultralytics==8.4.0 运行效果图参考博文:https://blog.csdn.net/FL1623863129/article/details/156984032
yolov5中导出的onnx文件部署到c#.net中
yolov5 部署到net
C# winform使用纯opencvsharp部署yolo26-cls图像分类的onnx模型源码.7z
【测试环境】 vs2019 net framework4.7.2 opencvsharp4.8.0 使用opencv作为推理引擎,CPU推理无需安装cuda+cudnn 运行效果参考博文:https://blog.csdn.net/FL1623863129/article/details/157021338
在C中使用onnx运行时deloy模型Yolo_use onnx runtime deloy model Yolo wi
在C中使用onnx运行时deloy模型Yolo_use onnx runtime deloy model Yolo with C#.zip
C# Onnx 使用onnxruntime部署实时视频帧插值 源码
C# Onnx 使用onnxruntime部署实时视频帧插值 源码 博客地址:https://lw112190.blog.csdn.net/article/details/136232915
C#部署yolov8检测分割分类模型源码+使用说明.zip
基于.NET Framework 4.8 开发的深度学习模型部署测试平台,提供了YOLO框架的主流系列模型,包括YOLOv8-v9,以及其系列下的Det、Seg、Pose、Obb、Cls等应用场景,同时支持图像与视频检测。
C# Onnx Yolov10 Detect 源码.rar
C# Onnx Yolov10 Detect 源码.rar 博客地址:https://lw112190.blog.csdn.net/article/details/139239688
C# GPU版 Onnx Yolov26 Detect.rar
C# GPU版 Onnx Yolov26 Detect.rar 博客地址:https://blog.csdn.net/weixin_46771779/article/details/159892263 完整源码带GPU环境
最新推荐



