C# 与 C 的模型推理部署路径差异很大但核心原则相同训练在 Python推理在目标语言ONNX 是桥梁。C# 侧YoloSharp 是当前最成熟的方案C# 部署 YOLO11 的首选是YoloSharpNuGet 包名YoloSharp或YoloSharp.Gpu。它封装了 ONNX Runtime支持 YOLO11 的全部任务类型检测、分割、姿态、OBB、分类并且做了内存复用优化减少 GC 压力。安装与基本用法dotnetaddpackage YoloSharp# CPUdotnetaddpackage YoloSharp.Gpu# GPUNVIDIAusingCompunet.YoloSharp;usingvarpredictornewYoloPredictor(yolo11n.onnx);// 同步/异步检测varresultpredictor.Detect(image.jpg);// var result await predictor.DetectAsync(image.jpg);Console.WriteLine(result);// 打印检测结果摘要如果需要把检测框画到图上可以用Plotting扩展usingCompunet.YoloSharp.Plotting;usingSixLabors.ImageSharp;usingvarimageImage.Load(test.jpg);varresultpredictor.Detect(image);usingvarplottedresult.PlotImage(image);plotted.Save(result.jpg);备选方案 YoloSharpOnnx这个库基于 OpenCVSharp ONNX Runtime特色是支持批量推理和多种执行后端CUDA/TensorRT、OpenVINO、DirectML、CoreML。代码风格略有不同usingYoloSharpyolonewYoloSharp(newExecutionProviderCUDA(yolo11n.onnx,0));usingMatimageCv2.ImRead(bus.jpg);ListDetectionResultresyolo.RunDetect(image);yolo.DrawDetections(image,res);C 侧直接使用 ONNX Runtime OpenCVC 没有像 YoloSharp 这样“开箱即用”的封装需要自己写预处理、推理、后处理。核心流程是ONNX Runtime 加载模型 → OpenCV 预处理图像 → 推理 → 解析输出 → NMS → 绘制结果。// 初始化YOLO11Detectordetector(modelPath,labelsPath,true);// true GPU// 推理cv::Mat imagecv::imread(dog.jpg);std::vectorDetectionresultsdetector.detect(image);// 绘制detector.drawBoundingBox(image,results);cv::imshow(Result,image);Ultralytics 官方提供了YOLOv8-ONNXRuntime-CPP示例代码兼容 YOLO11因为 YOLO11 的输出格式与 YOLOv8 一致。关键是在导出 ONNX 时加上simplifyTrue和dynamicFalse让 C 侧的张量解析更简单。性能参考RTX 4070YOLO11n640×640阶段耗时预处理6 ms推理6 ms后处理框掩码4 ms总计约 20 ms50 FPS选型建议C# 上位机项目直接用YoloSharp。它的 API 最简洁内存管理由库内部处理工业上位机集成成本最低。如果工控机有 NVIDIA 显卡换YoloSharp.Gpu包即可。C 高性能场景用 ONNX Runtime OpenCV 自己封装或者参考 Ultralytics 官方示例。好处是可以精确控制每一步的内存和线程适合对延迟有极致要求的嵌入式或实时系统。避免的坑C# 侧不要手写 NMS 和坐标还原YoloSharp 已经正确处理了这些C 侧注意onnxruntime.dll的版本冲突把运行时 DLL 和 exe 放一起避免系统目录的旧版本干扰。
