C# 与 YOLOv8 目标检测实战：从模型部署到性能优化全解析

1次阅读

没有评论

共计 1545 个字符，预计需要花费 4 分钟才能阅读完成。

在实际项目中，我们经常遇到需要将目标检测模型集成到 C# 应用中的需求。传统的 OpenCV+DNN 方案虽然简单，但存在几个明显的痛点：

Python 和 C# 混合开发导致维护成本高，部署复杂
原生 TensorRT 部署需要大量 CUDA 知识，学习曲线陡峭
跨平台支持有限，难以满足不同环境部署需求

经过对比测试，我们最终选择了 ONNX Runtime 作为推理引擎，主要基于以下考虑：

跨平台支持：ONNX Runtime 可以在 Windows/Linux/macOS 上运行，支持 x86/ARM 架构
版本兼容性好：ONNX 模型格式稳定，不同框架导出的模型可以通用
性能优秀：相比 DirectML，ONNX Runtime 在 CPU 上的推理速度更快

测试数据显示，在相同硬件条件下，ONNX Runtime 比 DirectML 快约 15-20%。

使用 Ultralytics 导出 ONNX 模型时，关键参数设置如下：

yolo.export(format='onnx', dynamic=True, simplify=True, opset=12)

dynamic=True 允许输入尺寸可变
simplify=True 自动优化模型结构
opset=12 确保兼容性

try 
{using var session = new InferenceSession("yolov8n.onnx");
    // 获取输入输出信息
    var inputMeta = session.InputMetadata;
    var outputMeta = session.OutputMetadata;
}
catch (Exception ex)
{Console.WriteLine($"模型加载失败: {ex.Message}");
}

预处理阶段的关键是减少内存分配：

使用 Span<T> 操作图像数据
提前分配好输入张量的内存
并行处理多个 ROI 区域

使用 BenchmarkDotNet 测试不同 batch size 的吞吐量：

Batch Size	FPS	内存占用(MB)
1	45	320
4	128	450
8	165	620

对于大尺寸图像处理：

使用对象池复用内存
避免频繁分配大数组
显式调用 GC.Collect() 在空闲时段

var input = session.InputMetadata.First();
if (!input.Value.Dimensions.Contains("batch") || !input.Value.Dimensions.Contains("channel"))
{throw new Exception("模型输入维度不符合预期");
}

OpenCV 默认使用 BGR，而 ONNX 模型通常期望 RGB：

Cv2.CvtColor(image, image, ColorConversionCodes.BGR2RGB);

每个线程应维护独立的 InferenceSession 实例，避免竞争。

所有公开方法都需包含 XML 注释：

/// <summary>
/// 执行目标检测
/// 时间复杂度: O(n) n 为像素数量
/// </summary>
/// <param name="image"> 输入图像 </param>
/// <returns> 检测结果列表 </returns>
public List<DetectionResult> Detect(Mat image)
{// 实现代码}

通过 ONNX Runtime 部署 YOLOv8 模型，我们实现了：