<think>我们被要求使用C#编写YOLOv8的ONNX部署程序。根据提供的引用信息，特别是引用[1]、[2]、[4]和[5]，我们可以总结出以下关键步骤： 1. 环境准备：需要安装必要的NuGet包（如onnxruntime, OpenCvSharp）。 2. 加载ONNX模型：使用onnxruntime的InferenceSession。 3. 图像预处理：将输入图像调整为模型要求的尺寸，并进行归一化等操作。 4. 运行推理：将预处理后的图像数据输入模型，获取输出。 5. 后处理：解析模型输出，得到检测框、置信度和类别，并应用非极大值抑制（NMS）等。 6. 绘制结果：在原始图像上绘制检测框和标签。 我们注意到引用[5]中展示了图像预处理的部分代码（将图像数据归一化并填充到输入tensor中），引用[2]和[4]提到了使用onnxruntime进行部署的上下文。 由于YOLOv8的输出格式与之前的YOLO版本不同，我们需要根据模型的具体输出结构进行后处理。YOLOv8的实例分割模型输出包括检测结果（如边界框、类别、置信度）和分割掩模（如果使用分割模型），但用户的问题是关于目标检测（从引用中看，用户引用了多个检测模型，如印章检测、牛检测等），因此我们以目标检测为例。 以下是一个基本的步骤和代码框架： 步骤1：创建C#项目并安装必要的NuGet包 - 使用Visual Studio创建一个C#控制台应用或WinForms应用。 - 安装NuGet包：`OnnxRuntime`（建议使用GPU版本，如果需要GPU加速则安装`OnnxRuntime.Gpu`）和`OpenCvSharp4`（或`OpenCvSharp4.runtime.win`）。 步骤2：加载ONNX模型 ```csharp using var session = new InferenceSession("yolov8n.onnx"); ``` 步骤3：图像预处理 - 使用OpenCV读取图像，并将图像大小调整为模型输入尺寸（如640x640）。 - 将图像数据转换为RGB顺序，归一化到[0,1]（除以255），并转换为CHW格式（通道、高度、宽度）。 - 将数据放入一个张量（tensor）中。 引用[5]中的预处理代码（注意：该代码是针对3通道图像，且输入张量形状为[1,3,H,W]）： ```csharp // 假设我们有一个resize_image（大小为640x640） float[] input_tensor_data = new float[1 * 3 * 640 * 640]; // 然后像引用[5]那样循环填充，注意OpenCvSharp中图像通道顺序是BGR，而模型通常需要RGB // 因此需要调整通道顺序 for (int y = 0; y < resize_image.Height; y++) { for (int x = 0; x < resize_image.Width; x++) { // 注意：OpenCV默认读取为BGR，转换为RGB input_tensor_data[0 * 3 * 640 * 640 + 0 * 640 * 640 + y * 640 + x] = resize_image.At<Vec3b>(y, x)[2] / 255.0f; // R input_tensor_data[0 * 3 * 640 * 640 + 1 * 640 * 640 + y * 640 + x] = resize_image.At<Vec3b>(y, x)[1] / 255.0f; // G input_tensor_data[0 * 3 * 640 * 640 + 2 * 640 * 640 + y * 640 + x] = resize_image.At<Vec3b>(y, x)[0] / 255.0f; // B } } // 创建输入Tensor var input_tensor = new DenseTensor<float>(input_tensor_data, new[] { 1, 3, 640, 640 }); ``` 步骤4：创建输入并运行推理 ```csharp var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor("images", input_tensor) }; using var outputs = session.Run(inputs); ``` 步骤5：后处理 - YOLOv8的输出是一个形状为[1,84,8400]的张量（对于检测模型，84=4个边界框坐标+80个类别概率）。 - 我们需要解析这个张量，得到每个检测框的坐标（通常是cx,cy,w,h格式，需要转换为xywh或xyxy）、置信度和类别。 - 然后应用非极大值抑制（NMS）来过滤重叠的框。 步骤6：绘制检测结果 由于实现完整的后处理代码较长，这里提供一个简化的框架，详细的后处理需要根据YOLOv8的输出格式进行调整。 注意：YOLOv8的检测模型输出是一个包含所有预测的张量，我们需要将其拆分成边界框、置信度和类别。 以下是一个简化的后处理示例（未包含NMS）： ```csharp var output = outputs.First().AsTensor<float>(); // 输出形状: [1, 84, 8400] // 第一个维度是batch，第二个维度是84（4个坐标+80个类别的概率），第三个维度是8400个预测框 // 遍历8400个预测框 for (int i = 0; i < 8400; i++) { // 从输出中取出每个框的84个值 float[] boxData = new float[84]; for (int j = 0; j < 84; j++) { boxData[j] = output[0, j, i]; } // 提取边界框坐标（前4个值） float cx = boxData[0]; float cy = boxData[1]; float w = boxData[2]; float h = boxData[3]; // 提取类别概率（从第4个到83） float[] scores = new float[80]; Array.Copy(boxData, 4, scores, 0, 80); float maxScore = scores.Max(); int classId = scores.ToList().IndexOf(maxScore); // 如果置信度大于阈值，则保留 if (maxScore > 0.5f) { // 将cx,cy,w,h转换为xyxy（左上角和右下角坐标） float x1 = cx - w / 2; float y1 = cy - h / 2; float x2 = cx + w / 2; float y2 = cy + h / 2; // 注意：这些坐标是在640x640图像上的，需要映射回原始图像坐标 // 这里省略了坐标映射的步骤 // 将检测框信息存储 // ... } } // 然后应用NMS ``` 步骤7：绘制检测框并显示图像 由于完整代码较长，这里只给出一个框架。实际部署时，还需要注意模型的输出层名称（上面假设输出名称为默认的"output0"，但根据模型导出方式不同可能不同）以及输入输出的具体形状。 另外，根据引用[3]，YOLOv8也可以通过OpenCV直接调用，但这里我们使用onnxruntime。 为了更完整，我们可以参考引用[1]和[4]中的博客链接获取详细代码。 注意：以上代码仅为示例，实际应用中需要根据具体模型和需求调整。 由于用户要求的是方法，我们提供关键步骤和代码片段。如果需要完整示例，可以参考提供的引用链接中的博客或视频。 下面我们将按照步骤整理一个更详细的指南。 </think> ### 使用 C# 部署 YOLOv8 ONNX 模型的完整指南 以下是基于引用资料的 C# 实现 YOLOv8 ONNX 部署的核心步骤和代码框架： #### 1. **环境配置** ```csharp // NuGet 包安装 Install-Package OpenCvSharp4 Install-Package OpenCvSharp4.runtime.win Install-Package OnnxRuntime Install-Package OnnxRuntime.Gpu // 如需GPU加速 ``` **环境要求**： - .NET Framework 4.7.2+ 或 .NET Core 3.1+ - ONNX Runtime 1.16.3+ - OpenCVSharp 4.8.0+ [^1][^3] #### 2. **模型加载与初始化** ```csharp using var session = new InferenceSession("yolov8n.onnx"); var inputName = session.InputNames[0]; var outputName = session.OutputNames[0]; var inputShape = session.InputMetadata[inputName].Dimensions; // e.g. [1,3,640,640] ``` #### 3. **图像预处理** ```csharp // 读取并调整图像尺寸 using var src = Cv2.ImRead("input.jpg"); using var resized = new Mat(); Cv2.Resize(src, resized, new Size(inputShape[3], inputShape[2])); // 归一化并转换为Tensor var inputTensor = new DenseTensor<float>(new[] { 1, 3, inputShape[2], inputShape[3] }); for (int y = 0; y < resized.Height; y++) { for (int x = 0; x < resized.Width; x++) { var pixel = resized.At<Vec3b>(y, x); inputTensor[0, 0, y, x] = pixel[2] / 255f; // R inputTensor[0, 1, y, x] = pixel[1] / 255f; // G inputTensor[0, 2, y, x] = pixel[0] / 255f; // B } } ``` > 关键点：BGR→RGB转换和归一化 [^5] #### 4. **模型推理** ```csharp using var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor(inputName, inputTensor) }; using var outputs = session.Run(inputs); var results = outputs.First().AsTensor<float>(); ``` #### 5. **后处理（关键步骤）** ```csharp // 解析输出 (形状通常为 [1,84,8400]) var detections = new List<Detection>(); for (int i = 0; i < results.Dimensions[2]; i++) // 遍历8400个预测框 { // 提取置信度和类别 float confidence = results[0, 4, i]; if (confidence < confidenceThreshold) continue; // 提取边界框 (cx,cy,w,h 格式) float cx = results[0, 0, i]; float cy = results[0, 1, i]; float width = results[0, 2, i]; float height = results[0, 3, i]; // 转换坐标到原始图像尺寸 var rect = new Rect( (int)((cx - width/2) * scaleX), (int)((cy - height/2) * scaleY), (int)(width * scaleX), (int)(height * scaleY) ); // 添加检测结果 detections.Add(new Detection(rect, confidence, classId)); } // 应用非极大值抑制 (NMS) CvDnn.NMSBoxes(detections, nmsThreshold); ``` #### 6. **结果可视化** ```csharp foreach (var det in detections) { Cv2.Rectangle(src, det.Rect, Scalar.Red, 2); Cv2.PutText(src, $"{det.Class}:{det.Confidence:F2}", new Point(det.Rect.X, det.Rect.Y - 5), HersheyFonts.HersheySimplex, 0.7, Scalar.Green); } Cv2.ImShow("Result", src); Cv2.WaitKey(0); ``` #### 完整流程示意图 ```mermaid graph TD A[加载图像] --> B[预处理] B --> C[创建输入张量] C --> D[ONNX推理] D --> E[解析输出] E --> F[坐标转换] F --> G[应用NMS] G --> H[绘制结果] ``` ### 关键注意事项 1. **模型输出解析**： - YOLOv8 输出格式为 `[batch, channels, num_anchors]`（如 `[1,84,8400]`） - 前4通道为边界框坐标（cx,cy,w,h），后续为类别概率 [^4] 2. **性能优化**： ```csharp // 启用GPU加速 var options = SessionOptions.MakeSessionOptionWithCudaProvider(); using var session = new InferenceSession("model.onnx", options); ``` 3. **部署建议**： - 使用 `Span<T>` 替代循环提升预处理速度 - 对连续帧复用 `InferenceSession` 对象 - 启用ONNX Runtime的图优化 [^1][^3] > 完整示例代码参考：[YOLOv8 ONNX C#部署示例](https://blog.csdn.net/FL1623863129/article/details/142727953)