### 使用 Microsoft.ML.OnnxRuntime 和 Microsoft.ML 库进行 YOLOv5s.onnx 推理的 C# 示例 以下是一个完整的 C# 程序示例，展示如何使用 `Microsoft.ML.OnnxRuntime` 和 `Microsoft.ML` 库加载 `yolov5s.onnx` 模型并执行推理[^2]。 #### 1. 安装必要的 NuGet 包 在项目中安装以下 NuGet 包： - `Microsoft.ML` - `Microsoft.ML.OnnxRuntime` 可以通过 NuGet 包管理器或命令行安装： ```bash Install-Package Microsoft.ML Install-Package Microsoft.ML.OnnxRuntime ``` #### 2. 加载 ONNX 模型并进行推理 以下是完整的代码示例： ```csharp using System; using System.Collections.Generic; using System.IO; using Microsoft.ML; using Microsoft.ML.Data; namespace YoloV5OnnxInference { public class Program { public static void Main(string[] args) { // 初始化 MLContext var mlContext = new MLContext(); // 定义输入数据类型 var dataView = mlContext.Data.LoadFromTextFile<ImageInputData>("path/to/input.txt", separatorChar: ',', hasHeader: false); // 加载 ONNX 模型 ITransformer loadedModel = mlContext.Model.Load("yolov5s.onnx", out var modelInputSchema); // 创建预测引擎 var predEngine = mlContext.Model.CreatePredictionEngine<ImageInputData, ImageOutputData>(loadedModel); // 准备输入图像数据 var imageData = new ImageInputData { Data = File.ReadAllBytes("path/to/image.jpg") }; // 执行推理 var result = predEngine.Predict(imageData); // 输出结果 Console.WriteLine($"Predicted Class: {result.PredictedClass}"); Console.WriteLine($"Scores: {string.Join(", ", result.Score)}"); } } // 输入数据类 public class ImageInputData { [LoadColumn(0)] public byte[] Data { get; set; } } // 输出数据类 public class ImageOutputData { [ColumnName("output")] public float[] Score { get; set; } [ColumnName("class")] public string PredictedClass { get; set; } } } ``` #### 3. 关键点说明 - **模型加载**：通过 `mlContext.Model.Load` 方法加载 `yolov5s.onnx` 模型[^2]。 - **输入数据准备**：将图像文件读取为字节数组，并传递给预测引擎。 - **预测引擎**：使用 `CreatePredictionEngine` 方法创建一个预测引擎，用于执行推理。 - **输出解析**：YOLOv5 的输出通常包括边界框、类别和置信度分数。需要根据具体模型的输出格式解析结果。 #### 4. 注意事项 - 确保 `yolov5s.onnx` 模型已正确导出并放置在指定路径下。 - 如果模型输出包含多个张量（如边界框和类别），需要调整 `ImageOutputData` 类以匹配实际输出格式。 - 对于复杂的后处理（如非极大值抑制 NMS），可能需要额外实现逻辑。 ---