[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dme-compunet--YoloSharp":3,"tool-dme-compunet--YoloSharp":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[14,35],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":91,"env_deps":92,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":150},4251,"dme-compunet\u002FYoloSharp","YoloSharp","🚀 A high performance real-time object detection solution using YOLO11 ⚡️ powered by ONNX-Runtime","YoloSharp 是一款专为 .NET 开发者打造的高性能实时目标检测解决方案。它基于最新的 YOLO11 架构，并依托 ONNX Runtime 引擎，让 C# 应用也能轻松拥有顶尖的视觉识别能力。\n\n在开发中，将强大的 AI 模型集成到 .NET 生态往往面临环境配置复杂或运行效率低下的挑战。YoloSharp 通过深度优化内存管理、复用内存块以减轻垃圾回收（GC）压力，有效解决了高性能推理与资源占用之间的矛盾。它不仅支持检测、姿态估计、实例分割、旋转框检测及图像分类等全套 YOLO 视觉任务，还兼容从 YOLOv8 到 YOLO26 等多个主流版本。\n\n该工具特别适合需要在 Windows、Linux 或 macOS 上构建计算机视觉应用的 .NET 工程师和研究人员。无论是进行原型验证还是部署生产级服务，YoloSharp 都提供了灵活的 NuGet 包选择：既包含开箱即用的 CPU\u002FGPU 推理版本，也提供无依赖的核心库供高级用户定制。此外，它还内置了便捷的绘图功能，可直接在图像上可视化预测结果，极大简化了调试与演示流程。只需将 PyTorch 模型导出为 ONNX 格式，","YoloSharp 是一款专为 .NET 开发者打造的高性能实时目标检测解决方案。它基于最新的 YOLO11 架构，并依托 ONNX Runtime 引擎，让 C# 应用也能轻松拥有顶尖的视觉识别能力。\n\n在开发中，将强大的 AI 模型集成到 .NET 生态往往面临环境配置复杂或运行效率低下的挑战。YoloSharp 通过深度优化内存管理、复用内存块以减轻垃圾回收（GC）压力，有效解决了高性能推理与资源占用之间的矛盾。它不仅支持检测、姿态估计、实例分割、旋转框检测及图像分类等全套 YOLO 视觉任务，还兼容从 YOLOv8 到 YOLO26 等多个主流版本。\n\n该工具特别适合需要在 Windows、Linux 或 macOS 上构建计算机视觉应用的 .NET 工程师和研究人员。无论是进行原型验证还是部署生产级服务，YoloSharp 都提供了灵活的 NuGet 包选择：既包含开箱即用的 CPU\u002FGPU 推理版本，也提供无依赖的核心库供高级用户定制。此外，它还内置了便捷的绘图功能，可直接在图像上可视化预测结果，极大简化了调试与演示流程。只需将 PyTorch 模型导出为 ONNX 格式，即可在 C# 项目中通过几行代码实现高效的异步推理。","# YoloSharp\n\n🚀 A high performance real-time object detection solution using [YOLO11](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fultralytics) ⚡️ powered by ONNX-Runtime\n\n# Features\n\n- **YOLO Tasks** 🌟 Support for all YOLO vision tasks (\n    [Detect](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fdetect) | \n    [OBB](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fobb) | \n    [Pose](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fpose) | \n    [Segment](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fsegment) | \n    [Classify](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fclassify))\n- **High Performance** 🚀 Various techniques and use of .NET features to maximize performance\n- **Reduced Memory Usage** 🧠 By reusing memory blocks and reducing the pressure on the GC\n- **Plotting Options** ✏️ Draw the predictions on the target image to preview the model results\n- **YOLO Versions** 🔧 Includes support for: \n[YOLOv8](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolov8) \n[YOLOv10](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolov10) \n[YOLO11](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo11) \n[YOLO12](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo12)\n[YOLO26](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo26)\n\n# Installation\n\nThe project provides the following NuGet packages:\n\n| Package                                                             | Description                               | Dependencies                                                                 |\n| ------------------------------------------------------------------- | ----------------------------------------- | ---------------------------------------------------------------------------- |\n| [**YoloSharp**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp)           | CPU-based inference                       | Includes all runtime dependencies (all platforms)                            |\n| [**YoloSharp.Gpu**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp.Gpu)   | GPU-based inference                       | Includes all runtime dependencies (all platforms)                            |\n| [**YoloSharp.Core**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp.Core) | Core library without runtime dependencies | None – suitable for lightweight production or for using alternative runtimes |\n\n\n# Usage\n\n### 1. Export model to ONNX format:\n\nFor convert the pre-trained PyTorch model to ONNX format, run the following Python code:\n\n```python\nfrom ultralytics import YOLO\n\n# Load a model\nmodel = YOLO('path\u002Fto\u002Fbest.pt')\n\n# Export the model to ONNX format\nmodel.export(format='onnx')\n```\n\n### 2. Load the ONNX model with C#:\n\nAdd the `YoloSharp` (or `YoloSharp.Gpu`) package to your project:\n\n```shell\ndotnet add package YoloSharp\n```\n\nUse the following C# code to load the model and run basic prediction:\n\n```csharp\nusing Compunet.YoloSharp;\n\n\u002F\u002F Load the YOLO predictor\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F Run model\nvar result = predictor.Detect(\"path\u002Fto\u002Fimage.jpg\");\n\u002F\u002F or\nvar result = await predictor.DetectAsync(\"path\u002Fto\u002Fimage.jpg\");\n\n\u002F\u002F Write result summary to terminal\nConsole.WriteLine(result);\n```\n\n# Plotting\n\nYou can to plot the target image for preview the model results, this code demonstrates how to run a inference, plot the results on image and save to file:\n\n```csharp\nusing Compunet.YoloSharp;\nusing Compunet.YoloSharp.Plotting;\nusing SixLabors.ImageSharp;\n\n\u002F\u002F Load the YOLO predictor\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F Load the target image\nusing var image = Image.Load(\"path\u002Fto\u002Fimage\");\n\n\u002F\u002F Run model\nvar result = await predictor.PoseAsync(image);\n\n\u002F\u002F Create plotted image from model results\nusing var plotted = await result.PlotImageAsync(image);\n\n\u002F\u002F Write the plotted image to file\nplotted.Save(\".\u002Fpose_demo.jpg\");\n```\n\nYou can also predict and save to file in one operation:\n\n```csharp\nusing Compunet.YoloSharp;\nusing Compunet.YoloSharp.Plotting;\nusing SixLabors.ImageSharp;\n\n\u002F\u002F Load the YOLO predictor\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F Run model, plot predictions and write to file\npredictor.PredictAndSaveAsync(\"path\u002Fto\u002Fimage\");\n```\n\n## Example Images:\n\n|         **Detect**         |        **Pose**        |\n| :------------------------: | :--------------------: |\n| ![detect](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_cf16dd37c96b.png) | ![pose](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_1eb001439152.png) |\n|        **Segment**         |        **Obb**         |\n|    ![seg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_b0ba76550ce2.png)    |  ![obb](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_3d6a392e1e47.png)  |\n\n\n# Not Supported:\n\nThe following features are not currently supported, they may be added later\n\n- **Batch Processing:** You have to predict them one by one\n- **Dynamic Size:** The image resized according to `imgsz`\n\n# License\n\nAGPL-3.0 License\n\n**Important Note:** This project depends on ImageSharp, you should check the license details [here](https:\u002F\u002Fgithub.com\u002FSixLabors\u002FImageSharp\u002Fblob\u002Fmain\u002FLICENSE)\n","# YoloSharp\n\n🚀 一款基于 [YOLO11](https:\u002F\u002Fgithub.com\u002Fultralytics\u002Fultralytics) 和 ONNX-Runtime 的高性能实时目标检测解决方案 ⚡️\n\n# 特性\n\n- **YOLO 任务** 🌟 支持所有 YOLO 视觉任务（\n    [检测](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fdetect) | \n    [OBB](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fobb) | \n    [姿态估计](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fpose) | \n    [分割](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fsegment) | \n    [分类](https:\u002F\u002Fdocs.ultralytics.com\u002Ftasks\u002Fclassify)）\n- **高性能** 🚀 采用多种技术并充分利用 .NET 特性以最大化性能\n- **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\n- **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\n- **YOLO 版本** 🔧 包含对以下版本的支持：\n[YOLOv8](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolov8) \n[YOLOv10](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolov10) \n[YOLO11](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo11) \n[YOLO12](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo12)\n[YOLO26](https:\u002F\u002Fdocs.ultralytics.com\u002Fmodels\u002Fyolo26)\n\n# 安装\n\n该项目提供了以下 NuGet 包：\n\n| 包                                                             | 描述                               | 依赖项                                                                 |\n| ------------------------------------------------------------------- | ----------------------------------------- | ---------------------------------------------------------------------------- |\n| [**YoloSharp**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp)           | 基于 CPU 的推理                       | 包含所有运行时依赖（跨平台）                            |\n| [**YoloSharp.Gpu**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp.Gpu)   | 基于 GPU 的推理                       | 包含所有运行时依赖（跨平台）                            |\n| [**YoloSharp.Core**](https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FYoloSharp.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 |\n\n# 使用方法\n\n### 1. 将模型导出为 ONNX 格式：\n\n要将预训练的 PyTorch 模型转换为 ONNX 格式，请运行以下 Python 代码：\n\n```python\nfrom ultralytics import YOLO\n\n# 加载模型\nmodel = YOLO('path\u002Fto\u002Fbest.pt')\n\n# 导出模型为 ONNX 格式\nmodel.export(format='onnx')\n```\n\n### 2. 使用 C# 加载 ONNX 模型：\n\n在项目中添加 `YoloSharp`（或 `YoloSharp.Gpu`）包：\n\n```shell\ndotnet add package YoloSharp\n```\n\n然后使用以下 C# 代码加载模型并进行基本预测：\n\n```csharp\nusing Compunet.YoloSharp;\n\n\u002F\u002F 加载 YOLO 预测器\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F 运行模型\nvar result = predictor.Detect(\"path\u002Fto\u002Fimage.jpg\");\n\u002F\u002F 或\nvar result = await predictor.DetectAsync(\"path\u002Fto\u002Fimage.jpg\");\n\n\u002F\u002F 将结果摘要输出到终端\nConsole.WriteLine(result);\n```\n\n# 绘图\n\n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：\n\n```csharp\nusing Compunet.YoloSharp;\nusing Compunet.YoloSharp.Plotting;\nusing SixLabors.ImageSharp;\n\n\u002F\u002F 加载 YOLO 预测器\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F 加载目标图像\nusing var image = Image.Load(\"path\u002Fto\u002Fimage\");\n\n\u002F\u002F 运行模型\nvar result = await predictor.PoseAsync(image);\n\n\u002F\u002F 根据模型结果创建绘制后的图像\nusing var plotted = await result.PlotImageAsync(image);\n\n\u002F\u002F 将绘制后的图像保存到文件\nplotted.Save(\".\u002Fpose_demo.jpg\");\n```\n\n您也可以在一个操作中完成预测并保存到文件：\n\n```csharp\nusing Compunet.YoloSharp;\nusing Compunet.YoloSharp.Plotting;\nusing SixLabors.ImageSharp;\n\n\u002F\u002F 加载 YOLO 预测器\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F 运行模型、绘制预测结果并保存到文件\npredictor.PredictAndSaveAsync(\"path\u002Fto\u002Fimage\");\n```\n\n## 示例图片：\n\n|         **检测**         |        **姿态估计**        |\n| :------------------------: | :--------------------: |\n| ![detect](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_cf16dd37c96b.png) | ![pose](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_1eb001439152.png) |\n|        **分割**         |        **OBB**         |\n|    ![seg](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_b0ba76550ce2.png)    |  ![obb](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_readme_3d6a392e1e47.png)  |\n\n\n# 不支持的功能：\n\n以下功能目前暂不支持，未来可能会添加：\n\n- **批量处理：** 必须逐个进行预测\n- **动态尺寸：** 图像会根据 `imgsz` 调整大小\n\n# 许可证\n\nAGPL-3.0 许可证\n\n**重要提示：** 本项目依赖于 ImageSharp，您应查看其许可证详情 [此处](https:\u002F\u002Fgithub.com\u002FSixLabors\u002FImageSharp\u002Fblob\u002Fmain\u002FLICENSE)","# YoloSharp 快速上手指南\n\nYoloSharp 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。\n\n## 环境准备\n\n- **操作系统**：Windows、Linux 或 macOS（跨平台支持）\n- **.NET SDK**：建议安装 .NET 6.0 或更高版本\n- **模型文件**：需预先将 PyTorch 模型（`.pt`）导出为 ONNX 格式（`.onnx`）\n- **可选依赖**：若需绘图功能，项目会自动引入 `SixLabors.ImageSharp`\n\n> **注意**：本项目依赖 ImageSharp，请留意其 [许可证详情](https:\u002F\u002Fgithub.com\u002FSixLabors\u002FImageSharp\u002Fblob\u002Fmain\u002FLICENSE)。\n\n## 安装步骤\n\n根据你的硬件环境选择对应的 NuGet 包：\n\n### 1. CPU 推理（通用）\n```shell\ndotnet add package YoloSharp\n```\n\n### 2. GPU 推理（加速）\n```shell\ndotnet add package YoloSharp.Gpu\n```\n\n### 3. 核心库（无运行时依赖，适合高级定制）\n```shell\ndotnet add package YoloSharp.Core\n```\n\n> **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）：\n> ```shell\n> dotnet nuget add source https:\u002F\u002Fnuget.cnpmjs.org\u002Fv3\u002Findex.json -n cnpm\n> ```\n\n## 基本使用\n\n### 第一步：导出模型\n在使用 C# 之前，需先用 Python 将训练好的 YOLO 模型导出为 ONNX 格式：\n\n```python\nfrom ultralytics import YOLO\n\n# 加载模型\nmodel = YOLO('path\u002Fto\u002Fbest.pt')\n\n# 导出为 ONNX 格式\nmodel.export(format='onnx')\n```\n\n### 第二步：C# 推理示例\n在 .NET 项目中加载模型并执行检测：\n\n```csharp\nusing Compunet.YoloSharp;\n\n\u002F\u002F 加载 YOLO 预测器\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\n\n\u002F\u002F 执行检测（同步）\nvar result = predictor.Detect(\"path\u002Fto\u002Fimage.jpg\");\n\n\u002F\u002F 或者执行检测（异步）\n\u002F\u002F var result = await predictor.DetectAsync(\"path\u002Fto\u002Fimage.jpg\");\n\n\u002F\u002F 输出结果摘要\nConsole.WriteLine(result);\n```\n\n### 进阶：绘图与保存\n若需将检测结果绘制在图片上并保存：\n\n```csharp\nusing Compunet.YoloSharp;\nusing Compunet.YoloSharp.Plotting;\nusing SixLabors.ImageSharp;\n\nusing var predictor = new YoloPredictor(\"path\u002Fto\u002Fmodel.onnx\");\nusing var image = Image.Load(\"path\u002Fto\u002Fimage\");\n\n\u002F\u002F 执行姿态估计（也可用 DetectAsync, SegmentAsync 等）\nvar result = await predictor.PoseAsync(image);\n\n\u002F\u002F 绘制结果并保存\nusing var plotted = await result.PlotImageAsync(image);\nplotted.Save(\".\u002Fpose_demo.jpg\");\n```\n\n或者使用一键预测并保存：\n```csharp\nawait predictor.PredictAndSaveAsync(\"path\u002Fto\u002Fimage\");\n```\n\n> **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）。","某智能仓储团队正在开发一套基于 .NET 的实时包裹分拣系统，需要在传送带高速运行中精准识别包裹位置、姿态及分类。\n\n### 没有 YoloSharp 时\n- **推理延迟高**：调用外部 Python 服务进行 YOLO 推理，进程间通信导致每帧处理耗时超过 200ms，无法满足高速分拣需求。\n- **内存压力巨大**：频繁创建图像对象引发 .NET 垃圾回收（GC）卡顿，导致系统在长时间运行后出现间歇性停顿。\n- **功能集成困难**：仅支持基础检测，难以在 C# 原生环境中直接实现旋转框（OBB）或关键点姿态估计，需额外编写复杂桥接代码。\n- **部署依赖繁琐**：生产环境必须捆绑庞大的 Python 运行时和 PyTorch 库，增加了容器体积和维护成本。\n\n### 使用 YoloSharp 后\n- **毫秒级实时响应**：利用 ONNX Runtime 加速及 C# 原生优化，单帧推理压缩至 30ms 以内，完美匹配传送带速度。\n- **内存占用极低**：通过复用内存块大幅减少 GC 压力，系统可连续稳定运行数周无卡顿。\n- **全任务原生支持**：直接在 C# 中调用 Detect、OBB、Pose 等所有 YOLO 视觉任务，并内置绘图功能即时预览结果。\n- **轻量化部署**：仅需引入 NuGet 包即可运行，无需安装 Python 环境，显著简化了服务器与边缘设备的交付流程。\n\nYoloSharp 将高性能 AI 推理无缝融入 .NET 生态，让开发者无需跨越语言鸿沟即可构建低延迟、高稳定的工业级视觉应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdme-compunet_YoloSharp_cf16dd37.png","dme-compunet","Compunet","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdme-compunet_ed7c402b.png","C#. Rust. UI\u002FUX. Reverse Engineering.",null,"IL","https:\u002F\u002Fgithub.com\u002Fdme-compunet",[81],{"name":82,"color":83,"percentage":84},"C#","#178600",100,545,91,"2026-04-02T07:43:01","AGPL-3.0","Windows, Linux, macOS","可选。若使用 'YoloSharp.Gpu' 包进行 GPU 推理，需安装对应平台的 ONNX Runtime GPU 依赖（通常指 NVIDIA GPU 及相应 CUDA\u002FcuDNN 环境，具体版本由 ONNX Runtime 决定）；若使用 'YoloSharp' 包则仅支持 CPU。","未说明（文档提及通过重用内存块减少 GC 压力以优化内存使用，但未给出具体数值）",{"notes":93,"python":94,"dependencies":95},"1. 该工具主要作为 .NET (C#) 库运行，推理阶段不需要 Python 环境。2. 使用前需先通过 Python (ultralytics 库) 将 PyTorch 模型 (.pt) 导出为 ONNX 格式 (.onnx)。3. 提供三个 NuGet 包：'YoloSharp' (CPU)、'YoloSharp.Gpu' (GPU) 和 'YoloSharp.Core' (无运行时依赖)。4. 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 调整大小）。5. 注意 ImageSharp 的许可证细节。","用于模型导出阶段（将 PyTorch 模型转为 ONNX），需安装 ultralytics 库；C# 推理阶段无需 Python 环境。",[96,97,98,99],".NET SDK","ONNX Runtime","SixLabors.ImageSharp","ultralytics (仅模型导出用)",[14,15],[102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117],"csharp","dotnet","image-classification","object-detection","onnx-runtime","pose-estimation","ultralytics","yolov8","imagesharp","yolo","instance-segmentation","yolov10","obb","oriented-object-detection","yolo11","yolov12","2026-03-27T02:49:30.150509","2026-04-06T15:10:23.772640",[121,126,131,136,141,146],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},19366,"如何在 YOLOv8 C# 项目中启用 CUDA (GPU) 加速？","要使用 CUDA 进行推理，请执行以下步骤：\n1. 将 CUDA bin 目录路径添加到系统环境变量 PATH 中（例如：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.8\\bin）。\n2. 确保程序目录下存在 zlibwapi.dll 文件，如果缺失会导致程序直接退出且无报错提示。\n3. 在代码中配置 SessionOptions 时添加 CUDA 执行提供者。如果遇到 'LoadLibrary failed with error 126' 错误，通常是因为缺少上述依赖或路径配置不正确。","https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fissues\u002F11",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},19367,"如何防止内存泄漏并优化内存使用？","在使用 ONNX Runtime 相关的对象（如 CreateOrtValue）时，必须正确管理资源释放以避免内存泄漏。请务必对所有创建的对象使用 `using` 语句或手动调用 `.Dispose()` 方法。\n示例代码：\n- 推荐方式：`using var ortValue = CreateOrtValue(...);` （会自动释放）\n- 手动方式：`var val = CreateOrtValue(...); val.Dispose();`\n如果不这样做，内存消耗会随着图像处理迅速增加且无法释放。","https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fissues\u002F73",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},19368,"检测任务中出现误报（False Positives），特别是图像边缘被错误识别怎么办？","这通常是由于图像预处理时未保持原始纵横比导致的。解决方法是在 `YoloV8Parameters` 类中将 `ProcessWithOriginalAspectRatio` 属性设置为 `true`。\n注意：开启此选项虽然能消除误报并提高预测准确性，但会增加约 20~40 毫秒的预处理时间。默认情况下该选项为关闭状态以追求速度。","https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fissues\u002F13",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},19369,"后处理（Postprocess）阶段耗时过长，影响整体性能怎么办？","维护者已针对后处理逻辑（特别是分割任务 Segmentation）进行了优化修复。如果您发现 `OutputParser.Parse()` 方法耗时异常（例如分割任务耗时数秒），请确保您使用的是最新版本的库。更新后，分割任务的后处理时间可从约 4 秒降低至 0.25 秒左右，检测任务也可从 0.5 秒降低至 0.001 秒级别。","https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fissues\u002F1",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},19370,"如何获取推理结果中每个类别的具体名称和数量统计？","虽然默认示例可能只返回总数量或图片，但您可以遍历推理结果对象来获取详细信息。结果对象中包含了每个检测目标的类别索引（Class ID）、置信度以及边界框信息。您需要利用模型对应的标签列表（labels list），通过类别索引映射出具体的类别名称（如 'black', 'green'），然后在代码中自行统计各类别的出现次数以实现分类计数功能。","https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fissues\u002F138",{"id":147,"question_zh":148,"answer_zh":149,"source_url":145},19371,"为什么在某些情况下 GPU 推理速度反而比 CPU 慢？","这是一个已知现象，通常与底层的 ONNX Runtime 库有关，而非 YoloSharp 库本身的问题。在小批量数据或特定模型结构下，GPU 初始化和数据传输的开销可能导致其速度慢于 CPU。此外，需检查 GPU 利用率（如任务管理器显示占用率仅为 20%），这可能表明计算未被充分调度。目前库层面暂无特定解决方案，建议对比测试不同硬件环境下的表现。",[151,156,161,166,171,176,181,186,191,196,201,206,211,216,221,226,231,236,241,246],{"id":152,"version":153,"summary_zh":154,"released_at":155},117383,"6.1.0","## 变更内容\n\n* 更新至 .NET 10\n* 增加对 YOLO26 的支持\n* 将 OnnxRuntime 升级至 1.23.2\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.7...6.1.0","2026-02-01T18:30:14",{"id":157,"version":158,"summary_zh":159,"released_at":160},117384,"6.0.7","## 变更内容\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F185 中将 Microsoft.NET.Test.Sdk 从 17.14.1 升级至 18.0.1\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F189 中将 Clipper2 从 1.5.4 升级至 2.0.0\n* @kitsumed 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F190 中修复了 NuGet 健康检查，并提升了构建二进制文件的可追溯性\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F188 中将 SixLabors.ImageSharp 从 3.1.11 升级至 3.1.12\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F177 中将 xunit.runner.visualstudio 从 3.1.1 升级至 3.1.5\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F187 中将 Microsoft.Extensions.DependencyInjection 从 9.0.9 升级至 10.0.1\n\n## 新贡献者\n* @kitsumed 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F190 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.6...6.0.7","2026-01-04T07:29:02",{"id":162,"version":163,"summary_zh":164,"released_at":165},117385,"6.0.6","## 变更内容\n* 由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F155 中升级 Microsoft.Extensions.DependencyInjection 和 SixLabors.ImageSharp\n* 由 @dme-compunet 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F172 中重构 NuGet 包，并引入 `YoloSharp.Core`\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.5...6.0.6","2025-09-10T07:52:44",{"id":167,"version":168,"summary_zh":169,"released_at":170},117386,"6.0.5","## 变更内容\n* 由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F154 中升级了 Clipper2 等 5 个依赖项\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.4...6.0.5","2025-06-09T17:50:12",{"id":172,"version":173,"summary_zh":174,"released_at":175},117387,"6.0.4","## 变更内容\n* 修复：直接将模型路径传递给 ONNX 会话（修复了 TensorRT 缓存问题），由 @dme-compunet 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F134 中完成。\n* 将 \u002FSource 目录下的 Microsoft.Extensions.DependencyInjection 从 9.0.3 升级至 9.0.4，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F137 中完成。\n* 将 \u002FSource 目录下的 SixLabors.ImageSharp 从 3.1.7 升级至 3.1.8，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F141 中完成。\n* 更新 SixLabors.ImageSharp.Drawing 至 2.1.6；更新 xunit.runner.visualstudio 至 3.1.0，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F142 中完成。\n* 更新 Clipper2 至 1.5.3；更新 Microsoft.ML.OnnxRuntime 至 1.22.0，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F144 中完成。\n* 将 Microsoft.Extensions.DependencyInjection 更新至 9.0.5，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F147 中完成。\n* 将 Microsoft.NET.Test.Sdk 更新至 17.14.0，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F149 中完成。\n* 修复超出边界坐标的分割掩码插值问题，由 @dme-compunet 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F152 中完成。\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.3...6.0.4","2025-06-08T10:26:33",{"id":177,"version":178,"summary_zh":179,"released_at":180},117388,"6.0.3","## 变更内容\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.Extensions.DependencyInjection 从 9.0.0 升级至 9.0.1，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F116\n* 在 \u002FSource 中，由 @dependabot 将 coverlet.collector 从 6.0.3 升级至 6.0.4，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F115\n* 在 \u002FSource 中，由 @dependabot 将 xunit.runner.visualstudio 从 3.0.1 升级至 3.0.2，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F118\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.NET.Test.Sdk 从 17.12.0 升级至 17.13.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F120\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.Extensions.DependencyInjection 从 9.0.1 升级至 9.0.2，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F119\n* 由 @dme-compunet 添加了 YOLOv12，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F122\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.ML.OnnxRuntime 从 1.20.1 升级至 1.21.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F126\n* 在 \u002FSource 中，由 @dependabot 将 SixLabors.ImageSharp 从 3.1.6 升级至 3.1.7，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F125\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.Extensions.DependencyInjection 从 9.0.2 升级至 9.0.3，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F129\n* 由 @chiouyazo 添加了对字体大小是否小于等于 0 的检查，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F131\n* 由 @chiouyazo 添加了当 BorderThickness 小于等于 0 时直接返回的逻辑，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F132\n\n## 新贡献者\n* @chiouyazo 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F131 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.2...6.0.3","2025-04-04T11:16:21",{"id":182,"version":183,"summary_zh":184,"released_at":185},117389,"6.0.2","## 变更内容\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.NET.Test.Sdk 从 17.11.1 升级至 17.12.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F95\n* 在 \u002FSource 中，由 @dependabot 将 SixLabors.ImageSharp 从 3.1.5 升级至 3.1.6，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F96\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.ML.OnnxRuntime.Gpu 从 1.20.0 升级至 1.20.1，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F97\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.ML.OnnxRuntime 从 1.20.0 升级至 1.20.1，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F94\n* 在 \u002FSource 中，由 @dependabot 将 xunit.runner.visualstudio 从 2.8.2 升级至 3.0.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F105\n* 在 \u002FSource 中，由 @dependabot 将 coverlet.collector 从 6.0.2 升级至 6.0.3，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F106\n* 在 \u002FSource 中，由 @dependabot 同时升级 SixLabors.ImageSharp 和 SixLabors.ImageSharp.Drawing，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F110\n* 在 \u002FSource 中，由 @dependabot 将 xunit 从 2.9.2 升级至 2.9.3，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F109\n* 在 \u002FSource 中，由 @dependabot 将 xunit.runner.visualstudio 从 3.0.0 升级至 3.0.1，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F108\n* 由 @dme-compunet 修复名称顺序问题，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F114\n\n## 新贡献者\n* @dme-compunet 在 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F114 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F6.0.1...6.0.2","2025-01-14T22:18:52",{"id":187,"version":188,"summary_zh":189,"released_at":190},117390,"6.0.1","## 变更内容\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.ML.OnnxRuntime 从 1.19.2 升级至 1.20.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F92\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.ML.OnnxRuntime.Gpu 从 1.19.2 升级至 1.20.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F91\n* 在 \u002FSource 中，由 @dependabot 将 Microsoft.Extensions.DependencyInjection 从 8.0.1 升级至 9.0.0，详见 https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fpull\u002F93\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcommits\u002F6.0.1","2024-11-19T19:16:03",{"id":192,"version":193,"summary_zh":194,"released_at":195},117391,"6.0.0","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloSharp\u002Fcompare\u002F5.3.0...6.0.0","2024-10-31T07:42:02",{"id":197,"version":198,"summary_zh":199,"released_at":200},117392,"5.3.0","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.2.0...5.3.0","2024-10-30T15:19:51",{"id":202,"version":203,"summary_zh":204,"released_at":205},117393,"5.2.0","## What's Changed\n* Bump Microsoft.ML.OnnxRuntime from 1.19.1 to 1.19.2 in \u002FSource by @dependabot in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F83\n* Bump Microsoft.Extensions.DependencyInjection from 8.0.0 to 8.0.1 in \u002FSource by @dependabot in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F81\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.1.1...5.2.0","2024-10-16T08:56:31",{"id":207,"version":208,"summary_zh":209,"released_at":210},117394,"5.1.1","## What's Changed\n* Bump Microsoft.ML.OnnxRuntime.Gpu from 1.19.1 to 1.19.2 in \u002FSource by @dependabot in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F79\n* Bump xunit from 2.9.0 to 2.9.2 in \u002FSource by @dependabot in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F82\n* Bump Microsoft.NET.Test.Sdk from 17.10.0 to 17.11.1 in \u002FSource by @dependabot in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F80\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.1.0...5.1.1","2024-10-15T15:49:12",{"id":212,"version":213,"summary_zh":214,"released_at":215},117395,"5.1.0","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.0.4...5.1.0","2024-10-08T07:24:48",{"id":217,"version":218,"summary_zh":219,"released_at":220},117396,"5.0.4","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.0.3...5.0.4","2024-09-29T10:11:12",{"id":222,"version":223,"summary_zh":224,"released_at":225},117397,"5.0.3","## What's Changed\n* Update README.md. Fix Error CS1002 by @daniliammo in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F70\n\n## New Contributors\n* @daniliammo made their first contribution in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F70\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.0.2...5.0.3","2024-09-26T20:47:21",{"id":227,"version":228,"summary_zh":229,"released_at":230},117398,"5.0.2","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.0.1...5.0.2","2024-09-24T19:12:17",{"id":232,"version":233,"summary_zh":234,"released_at":235},117399,"5.0.1","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F5.0.0...5.0.1","2024-09-15T14:53:59",{"id":237,"version":238,"summary_zh":239,"released_at":240},117400,"5.0.0","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F4.2.0...5.0.0","2024-09-15T14:36:53",{"id":242,"version":243,"summary_zh":244,"released_at":245},117401,"4.2.0","**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F4.1.7...4.2.0","2024-08-23T14:29:01",{"id":247,"version":248,"summary_zh":249,"released_at":250},117402,"4.1.7","## What's Changed\n* Support CUDA, TensorRT & ROCm execution provider advanced settings by @KiwiBryn in https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fpull\u002F62\n\n\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fdme-compunet\u002FYoloV8\u002Fcompare\u002F4.1.6...4.1.7","2024-06-27T15:26:49"]