### C# 调用 YOLOv5 ONNX 模型示例 以下是基于提供的引用内容和专业知识构建的一个完整的 C# 示例代码，用于调用 YOLOv5 的 ONNX 模型进行目标检测。 #### 1. 准备工作 在开始之前，请确保已安装以下依赖项： - **Visual Studio**: 推荐使用 Visual Studio 2019 或更高版本。 - **ONNX Runtime NuGet 包**: 安装 `Microsoft.ML.OnnxRuntime` 和其他必要的包。 - **OpenCVSharp**: 如果需要处理图像输入或输出，可以安装 OpenCVSharp 库[^3]。 #### 2. 示例代码 下面是一个简单的 C# 控制台应用程序，展示如何加载 YOLOv5 的 ONNX 模型并对图像执行推理： ```csharp using System; using System.Drawing; using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; namespace YoloV5OnnxExample { class Program { static void Main(string[] args) { string modelPath = "yolov5s.onnx"; // 替换为实际的模型路径 using var session = new InferenceSession(modelPath); Bitmap image = new Bitmap("down.jpeg"); // 输入图像路径 float[,] inputTensorData = PreprocessImage(image); // 图像预处理函数 // 创建输入张量 var inputMeta = session.InputMetadata["images"]; // 假设输入名称为 "images" int batchSize = 1; // 批次大小 int channels = 3; // RGB通道 int height = 640; // 输入高度 int width = 640; // 输入宽度 var tensor = new DenseTensor<float>(new[] { batchSize, channels, height, width }); for (int b = 0; b < batchSize; ++b) for (int c = 0; c < channels; ++c) for (int h = 0; h < height; ++h) for (int w = 0; w < width; ++w) tensor[b, c, h, w] = inputTensorData[h * width + w]; // 将数据填充到张量中 // 设置输入 var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor(inputMeta.Name, tensor) }; // 运行推理 using IDisposableReadOnlyCollection<DisposableNamedOnnxValue> results = session.Run(inputs); foreach (var result in results) { Console.WriteLine($"Output Name: {result.Name}, Shape: {string.Join(", ", result.Value.AsTensor<float>().Dimensions)}"); } } /// <summary> /// 预处理图像以适应模型输入需求。 /// </summary> private static float[,] PreprocessImage(Bitmap image) { int targetSize = 640; // 模型期望的尺寸 Bitmap resizedImage = new Bitmap(targetSize, targetSize); Graphics g = Graphics.FromImage(resizedImage); g.InterpolationMode = System.Drawing.Drawing2D.InterpolationMode.HighQualityBicubic; g.DrawImage(image, 0, 0, targetSize, targetSize); float[,] imageData = new float[targetSize, targetSize]; for (int y = 0; y < targetSize; y++) { for (int x = 0; x < targetSize; x++) { Color pixelColor = resizedImage.GetPixel(x, y); imageData[y, x] = (pixelColor.R + pixelColor.G + pixelColor.B) / 3f / 255f; // 归一化像素值 } } return imageData; } } } ``` #### 说明 1. 上述代码展示了如何通过 ONNX Runtime 加载 YOLOv5 模型并运行推理过程。 2. 使用了 `InferenceSession` 类来初始化会话，并指定模型文件路径。 3. 对于输入图像，进行了缩放和归一化操作以便适配模型的要求[^3]。 4. 输出结果可以通过遍历 `results` 来获取预测框和其他信息。 --- ### 注意事项 - 确保模型文件名 (`yolov5s.onnx`) 和输入节点名称 (`images`) 正确无误。这些参数可能因具体模型而异。 - 如果需要进一步解析输出（如边界框、类别标签），则需根据模型的具体结构设计相应的解码逻辑[^1]。 ---