C#中结合YOLO算法实现高效目标检测：从模型集成到性能优化

1次阅读

共计 2477 个字符，预计需要花费 7 分钟才能阅读完成。

在 C# 项目中直接使用 Python 实现的 YOLO 算法会面临几个典型问题：

进程间通信开销 ：通过 Python 进程调用模型，每次推理都需要序列化 / 反序列化数据，导致延迟显著增加
依赖冲突 ：Python 环境与.NET 运行时的库依赖可能产生冲突，特别是涉及 CUDA 等底层依赖时
部署复杂度 ：需要同时维护 Python 和.NET 两套环境，增加运维成本

对比主流方案：

ONNX Runtime 优势
跨平台支持（Windows/Linux/macOS）
轻量级推理引擎（仅需 15MB 左右 DLL）
支持硬件加速（CUDA/DirectML）
模型优化工具链完善
TensorFlow.NET 劣势
依赖完整的 TensorFlow 运行时
GPU 版本需要复杂的环境配置
对新型模型架构支持滞后

using OpenCvSharp;

Mat Preprocess(Mat image, int targetSize)
{
    // 保持长宽比的缩放
    var scale = Math.Min((float)targetSize / image.Width, (float)targetSize / image.Height);
    var newWidth = (int)(image.Width * scale);
    var newHeight = (int)(image.Height * scale);

    using var resized = new Mat();
    Cv2.Resize(image, resized, new Size(newWidth, newHeight));

    // 填充到正方形
    var padded = new Mat(targetSize, targetSize, MatType.CV_8UC3, Scalar.Black);
    resized.CopyTo(padded[new Rect(0, 0, newWidth, newHeight)]);

    // 归一化并转换通道顺序
    padded.ConvertTo(padded, MatType.CV_32FC3, 1.0 / 255);
    return padded;
}

using Microsoft.ML.OnnxRuntime;

class YoloModel : IDisposable
{
    private InferenceSession _session;

    public YoloModel(string modelPath)
    {
        var options = new SessionOptions
        {
            GraphOptimizationLevel = GraphOptimizationLevel.ORT_ENABLE_ALL,
            EnableCpuMemArena = true
        };

        // GPU 加速配置（可选）if (OrtEnv.Instance.GetAvailableProviders().Contains("CUDA"))
        {options.AppendExecutionProvider_CUDA();
        }

        _session = new InferenceSession(modelPath, options);
    }
}

List<Detection> Postprocess(float[] outputs, float confThreshold = 0.5f, float iouThreshold = 0.4f)
{var detections = new List<Detection>();

    // 解析输出维度（假设为 1x25200x85 格式）for (int i = 0; i < outputs.Length; i += 85)
    {float confidence = outputs[i + 4];
        if (confidence < confThreshold) continue;

        // 解析类别概率
        var classes = new float[80];
        Array.Copy(outputs, i + 5, classes, 0, 80);
        var maxScore = classes.Max();
        if (maxScore < confThreshold) continue;

        detections.Add(new Detection
        {Box = ParseBoundingBox(outputs, i),
            Confidence = confidence * maxScore,
            ClassId = Array.IndexOf(classes, maxScore)
        });
    }

    // 非极大值抑制
    return ApplyNMS(detections, iouThreshold);
}

模型类型	推理速度 (FPS)	内存占用	mAP@0.5
FP32	45	1.2GB	0.68
INT8	120	600MB	0.65

class TensorPool : IDisposable
{private ConcurrentBag<NamedOnnxValue> _pool = new();

    public NamedOnnxValue Rent(DenseTensor<float> tensor, string inputName)
    {if (!_pool.TryTake(out var item))
        {item = NamedOnnxValue.CreateFromTensor(inputName, tensor);
        }
        return item;
    }

    public void Return(NamedOnnxValue value)
    {_pool.Add(value);
    }
}