YoloSharp

🚀 一款基于 YOLO11 和 ONNX-Runtime 的高性能实时目标检测解决方案 ⚡️

特性

• YOLO 任务 🌟 支持所有 YOLO 视觉任务（ 检测 | OBB | 姿态估计 | 分割 | 分类）
• 高性能 🚀 采用多种技术并充分利用 .NET 特性以最大化性能
• 降低内存占用 🧠 通过复用内存块和减少垃圾回收压力来实现
• 绘图选项 ✏️ 将预测结果绘制到目标图像上，以便预览模型效果
• YOLO 版本 🔧 包含对以下版本的支持： YOLOv8 YOLOv10 YOLO11 YOLO12 YOLO26

安装

该项目提供了以下 NuGet 包：

包	描述	依赖项
YoloSharp	基于 CPU 的推理	包含所有运行时依赖（跨平台）
YoloSharp.Gpu	基于 GPU 的推理	包含所有运行时依赖（跨平台）
YoloSharp.Core	核心库，不含运行时依赖	无 – 适用于轻量级生产环境或使用替代运行时环境

使用方法

1. 将模型导出为 ONNX 格式：

要将预训练的 PyTorch 模型转换为 ONNX 格式，请运行以下 Python 代码：

from ultralytics import YOLO

# 加载模型
model = YOLO('path/to/best.pt')

# 导出模型为 ONNX 格式
model.export(format='onnx')

2. 使用 C# 加载 ONNX 模型：

在项目中添加 YoloSharp（或 YoloSharp.Gpu）包：

dotnet add package YoloSharp

然后使用以下 C# 代码加载模型并进行基本预测：

using Compunet.YoloSharp;

// 加载 YOLO 预测器
using var predictor = new YoloPredictor("path/to/model.onnx");

// 运行模型
var result = predictor.Detect("path/to/image.jpg");
// 或
var result = await predictor.DetectAsync("path/to/image.jpg");

// 将结果摘要输出到终端
Console.WriteLine(result);

绘图

您可以绘制目标图像以预览模型结果。以下代码演示如何执行推理、将结果绘制到图像上并保存到文件：

using Compunet.YoloSharp;
using Compunet.YoloSharp.Plotting;
using SixLabors.ImageSharp;

// 加载 YOLO 预测器
using var predictor = new YoloPredictor("path/to/model.onnx");

// 加载目标图像
using var image = Image.Load("path/to/image");

// 运行模型
var result = await predictor.PoseAsync(image);

// 根据模型结果创建绘制后的图像
using var plotted = await result.PlotImageAsync(image);

// 将绘制后的图像保存到文件
plotted.Save("./pose_demo.jpg");

您也可以在一个操作中完成预测并保存到文件：

using Compunet.YoloSharp;
using Compunet.YoloSharp.Plotting;
using SixLabors.ImageSharp;

// 加载 YOLO 预测器
using var predictor = new YoloPredictor("path/to/model.onnx");

// 运行模型、绘制预测结果并保存到文件
predictor.PredictAndSaveAsync("path/to/image");

示例图片：

检测	姿态估计
分割	OBB

不支持的功能：

以下功能目前暂不支持，未来可能会添加：

• 批量处理： 必须逐个进行预测
• 动态尺寸： 图像会根据 imgsz 调整大小

许可证

AGPL-3.0 许可证

重要提示： 本项目依赖于 ImageSharp，您应查看其许可证详情 此处

YoloSharp 快速上手指南

YoloSharp 是一个基于 .NET 的高性能实时目标检测解决方案，支持 YOLO11 及多个 YOLO 版本，底层由 ONNX Runtime 驱动。

环境准备

• 操作系统：Windows、Linux 或 macOS（跨平台支持）
• .NET SDK：建议安装 .NET 6.0 或更高版本
• 模型文件：需预先将 PyTorch 模型（.pt）导出为 ONNX 格式（.onnx）
• 可选依赖：若需绘图功能，项目会自动引入 SixLabors.ImageSharp

注意：本项目依赖 ImageSharp，请留意其 许可证详情。

安装步骤

根据你的硬件环境选择对应的 NuGet 包：

1. CPU 推理（通用）

dotnet add package YoloSharp

2. GPU 推理（加速）

dotnet add package YoloSharp.Gpu

3. 核心库（无运行时依赖，适合高级定制）

dotnet add package YoloSharp.Core

提示：国内开发者若遇到 NuGet 下载缓慢，可配置国内镜像源（如清华源或阿里云源）：

dotnet nuget add source https://nuget.cnpmjs.org/v3/index.json -n cnpm

基本使用

第一步：导出模型

在使用 C# 之前，需先用 Python 将训练好的 YOLO 模型导出为 ONNX 格式：

from ultralytics import YOLO

# 加载模型
model = YOLO('path/to/best.pt')

# 导出为 ONNX 格式
model.export(format='onnx')

第二步：C# 推理示例

在 .NET 项目中加载模型并执行检测：

using Compunet.YoloSharp;

// 加载 YOLO 预测器
using var predictor = new YoloPredictor("path/to/model.onnx");

// 执行检测（同步）
var result = predictor.Detect("path/to/image.jpg");

// 或者执行检测（异步）
// var result = await predictor.DetectAsync("path/to/image.jpg");

// 输出结果摘要
Console.WriteLine(result);

进阶：绘图与保存

若需将检测结果绘制在图片上并保存：

using Compunet.YoloSharp;
using Compunet.YoloSharp.Plotting;
using SixLabors.ImageSharp;

using var predictor = new YoloPredictor("path/to/model.onnx");
using var image = Image.Load("path/to/image");

// 执行姿态估计（也可用 DetectAsync, SegmentAsync 等）
var result = await predictor.PoseAsync(image);

// 绘制结果并保存
using var plotted = await result.PlotImageAsync(image);
plotted.Save("./pose_demo.jpg");

或者使用一键预测并保存：

await predictor.PredictAndSaveAsync("path/to/image");

当前限制：暂不支持批量处理（需逐张预测）和动态输入尺寸（图像会根据 imgsz 固定缩放）。