### 如何在C#中调用已训练好的YOLO模型 要在 C# 中成功调用已经训练好的 YOLO 模型，可以采用多种方式实现这一目标。以下是基于现有技术的解决方案。 #### 使用 Python 和 C# 交互的方式 一种常见方法是通过 C# 调用 Python 脚本来加载并运行 YOLO 模型。这种方法适用于大多数版本的 YOLO（如 YOLOv5 和 YOLOv8）。Python 提供了强大的机器学习库支持，而 C# 可以借助外部工具与之通信[^2]。 ```csharp using System; using System.Diagnostics; class Program { static void Main() { string pythonScriptPath = @"path\to\your_script.py"; // 替换为实际路径 string modelWeightsPath = @"path\to\model.pt"; // 替换为实际权重文件路径 ProcessStartInfo start = new ProcessStartInfo(); start.FileName = "python.exe"; start.Arguments = $"{pythonScriptPath} --weights {modelWeightsPath}"; start.RedirectStandardOutput = true; start.UseShellExecute = false; using (Process process = Process.Start(start)) { using (System.IO.StreamReader reader = process.StandardOutput) { string result = reader.ReadToEnd(); Console.WriteLine(result); } } } } ``` 上述代码展示了如何通过 `Process` 类启动一个 Python 进程，并传递必要的参数给 Python 脚本。此脚本应负责加载 YOLO 模型并对输入数据进行推理。 --- #### 借助 ONNX Runtime 实现无依赖部署 另一种更高效的方法是将 YOLO 模型导出为 ONNX 格式，然后直接在 C# 应用程序中使用 ONNX Runtime 加载该模型。这种方式无需安装额外的 Python 环境，适合生产环境下的高性能需求[^3]。 ##### 导出 YOLO 模型到 ONNX 格式 首先需要确保 YOLO 模型能够被转换成 ONNX 文件。对于 YOLOv5，可以通过官方命令完成： ```bash python export.py --include onnx --weights path/to/model.pt ``` 这会生成对应的 `.onnx` 文件用于后续操作[^1]。 ##### 在 C# 中集成 ONNX Runtime 接下来，在 C# 工程中引入 Microsoft 的 ONNX Runtime NuGet 包 (`Microsoft.ML.OnnxRuntime`) 并编写如下代码片段： ```csharp using System; using System.Collections.Generic; using OnnxRuntime; using OnnxRuntime.Tensors; class Program { static void Main(string[] args) { var sessionOptions = new SessionOptions(); using (var session = new InferenceSession(@"path\to\model.onnx", sessionOptions)) { // 准备输入张量 float[,] inputData = new float[,] { { /* 输入图像像素值 */ }, { /* 更多样本... */ } }; DenseTensor<float> inputTensor = new DenseTensor<float>(inputData, new int[] { batchSize, channels, height, width }); // 定义输入和输出名称 IDictionary<string, IDisposableReadOnlyTensor> inputs = new Dictionary<string, IDisposableReadOnlyTensor> { { session.InputMetadata.Keys[0], inputTensor } // 'session.InputMetadata' 获取输入节点名 }; using (var results = session.Run(inputs)) // 执行推理 { foreach (DisposableNamedOnnxValue output in results) { Console.WriteLine(output.Name); // 输出节点名 var tensor = output.AsTensor<float>(); // 处理结果... } } } } } ``` 以上示例演示了如何加载 ONNX 模型并通过指定输入获取预测结果。注意调整输入形状以及预处理逻辑以匹配具体任务的需求。 --- #### 利用 IronPython 集成 Python 脚本至 .NET 程序 如果希望完全嵌入 Python 功能而不单独开启进程，则可以选择 IronPython 解决方案。IronPython 是针对 .NET Framework 设计的一个兼容性良好的 Python 实现。 简单来说，可以在项目里添加对 IronPython 的引用之后执行类似以下的操作： ```csharp using System; using IronPython.Hosting; using Microsoft.Scripting.Hosting; class Program { static void Main() { ScriptEngine engine = Python.CreateEngine(); // 创建引擎实例 ScriptScope scope = engine.CreateScope(); string scriptCode = @" import torch from yolov5 import load_model def predict(image_path): model = load_model('yolov5s.pt') return model.predict(image_path) result = predict('test.jpg')"; engine.Execute(scriptCode, scope); dynamic result = scope.GetVariable("result"); Console.WriteLine($"Prediction Result: {result}"); } } ``` 不过需要注意的是，由于性能原因，推荐仅当无法避免时才考虑这种途径。 --- ### 总结 综上所述，有三种主要策略可供选择：一是通过子进程调用 Python 脚本；二是利用 ONNX Runtime 将深度学习模型移植到纯 C# 环境下工作；三是尝试结合 IronPython 来无缝衔接两者之间的功能差异。每种办法各有优劣，请依据实际情况权衡选用最合适的选项。