使用C#调用Yolo26模型的ONNX

ONNX 和 ONNX Runtime

ONNX，即开放式神经网络交换，是由 Facebook 和 Microsoft 最初开发的社区项目。ONNX 的持续开发是一项协作努力，得到了 IBM、Amazon（通过 AWS）和 Google 等各种组织的支持。该项目旨在创建一种开放文件格式，用于以允许跨不同 AI 框架和硬件使用机器学习模型的方式来表示它们。将 Ultralytics YOLO26 模型导出为 ONNX 格式可简化部署，并确保在各种环境中实现最佳性能。由于讨厌CSDN的收费文章，作者自己研究了如何在C#中使用yolo导出的onnx模型实现图像检测功能，并支持最新的yolo26，免费分享给大家。
演示效果如：

 代码：

1. using OpenCvSharp;
2. using System;
3. using System.Collections.Generic;
4. using System.Drawing;
5. using System.Windows.Forms;
7. namespace onnxRuner
8. {
9.     public partial class Form1 : Form
10.     {
11.         string image_path;
12.         string mode_path= "modes/";//模型文件路径  yolo26n.onnx  yolov8n.onnx yolo11n.onnx
13.         public Form1()
14.         {
15.             InitializeComponent();
16.             cmbModes.SelectedIndex = 0;
17.         }
18.         private void btnOpenFile_Click(object sender, EventArgs e)
19.         {
20.             OpenFileDialog ofd=new OpenFileDialog();
21.             ofd.Filter = "图片文件|*.jpg;*.jpeg;*.png;*.bmp;";
22.             if (ofd.ShowDialog() == DialogResult.OK) {
23.                 image_path = ofd.FileName;
24.                 pictureBox1.Image = new Bitmap(image_path);
25.             }
26.             
27.         }
28.         private void btnRunYoloOnnx_Click(object sender, EventArgs e)
29.         {
30.             if (image_path == "")
31.             {
32.                 return;
33.             }
34.             pictureBox2.Image = null;
35.             lbmsg.Text = "";
36.             Application.DoEvents();
38.             //初始化YOLO实例   参数填你的onnx模型路径即可
39.             using (var yolo = new YoloOnnxDetector(mode_path+cmbModes.Text))  
40.             {
41.                 // 加载待检测图像
42.                 using (var image = new Mat(image_path))
43.                 {
44.                     // 进行推理
45.                     DateTime dt1 = DateTime.Now;
46.                     List<Prediction> predictions = yolo.Predict(image);
48.                     // 在图像上绘制检测结果
49.                     foreach (var pred in predictions)
50.                     {
51.                         Cv2.Rectangle(image, pred.Box, Scalar.Red, 2);
52.                         string label = $"{pred.Label} ({pred.Confidence:P2})";
53.                         Cv2.PutText(image, label, new OpenCvSharp.Point(pred.Box.X, pred.Box.Y - 5),
54.                                     HersheyFonts.HersheySimplex, 0.5, Scalar.Red, 1);
55.                     }
57.                     // 显示或保存结果图像
58.                     pictureBox2.Image = new Bitmap(image.ToMemoryStream());
59.                     lbmsg.Text =$"共检测出{predictions.Count}个结果，耗时:{(DateTime.Now-dt1).TotalMilliseconds}ms";
60.                 }
61.             }
62.         }
63.     }
64. }

复制代码

核心类：
[code]using Microsoft.ML.OnnxRuntime;using Microsoft.ML.OnnxRuntime.Tensors;using OpenCvSharp;using System;using System.Collections.Generic;using System.Linq;namespace onnxRuner{    ///     /// YOLO ONNX 目标检测器类    /// 实现完整的图像预处理、模型推理、后处理流程    ///     public class YoloOnnxDetector : IDisposable    {        private InferenceSession _session;        // ONNX Runtime 推理会话实例        private readonly Size _modelSize = new Size(640, 640); // YOLOv8标准输入尺寸        bool _isYolo26 = false;//yolo26特殊格式        public Dictionary _Names = new Dictionary(0);//类别名称字典        ///         /// 构造函数 - 初始化 YOLOv8 ONNX 检测器        /// 功能：创建ONNX推理会话，加载类别标签，准备模型运行环境        /// 注意：此构造函数会加载整个模型到内存，耗时操作应在程序初始化时执行        ///         /// ONNX模型文件路径（.onnx文件）        public YoloOnnxDetector(string modelPath)        {            // 初始化ONNX Runtime推理会话，加载模型文件            _session = new InferenceSession(modelPath);            var metadata = _session.ModelMetadata.CustomMetadataMap;            if (metadata.ContainsKey("description"))            {                _isYolo26 = metadata["description"].Contains("YOLO26");            }            if (metadata.ContainsKey("names"))            {                _Names = ParseNames(metadata["names"]);            }        }        private  Dictionary ParseNames(string names)        {            var nameList = names.TrimStart('{').TrimEnd('}').Split(',');            var list = new Dictionary(nameList.Length);            foreach (var it in nameList)            {                int index = it.IndexOf(":");                if (int.TryParse(it.Substring(0, index), out int i))                    list.Add(i, it.Substring(index + 2).Trim('\''));            }            return list;        }        ///         /// 主预测函数 - 执行完整的目标检测流程        /// 功能：协调预处理、模型推理、后处理三个核心步骤        /// 这是类的主要对外接口，接收原始图像返回检测结果        ///         /// 输入的OpenCV Mat图像对象        /// 检测结果列表，包含边界框、置信度、类别标签        public List Predict(Mat image)        {            // 步骤1：图像预处理 - 将原始图像转换为模型输入格式            var input = PreprocessImage(image);            // 步骤2：准备模型输入 - 创建ONNX Runtime可识别的输入对象            var inputs = new List {                NamedOnnxValue.CreateFromTensor("images", input) // 输入名称必须与模型匹配            };            // 步骤3：模型推理 - 执行ONNX模型前向计算            using (IDisposableReadOnlyCollection results = _session.Run(inputs))            {                // 步骤4：后处理 - 解析模型输出，应用过滤和优化                return Postprocess(results, image);            }        }        ///         /// 图像预处理函数        /// 功能：将原始BGR图像转换为YOLOv8模型期望的输入格式        /// 处理流程：        /// 1. 调整图像尺寸到640x640（保持长宽比可能会丢失，实际应用可改进）        /// 2. 转换色彩空间BGR→RGB（模型训练通常使用RGB格式）        /// 3. 像素值归一化到[0,1]范围（提高模型数值稳定性）        /// 4. 转换为NCHW格式张量[1,3,640,640]（模型标准输入格式）        ///         /// 原始OpenCV图像（BGR格式，任意尺寸）        /// 预处理后的4维张量，可直接输入ONNX模型        private DenseTensor PreprocessImage(Mat image)        {            // 步骤1：调整图像尺寸到模型输入大小（640x640）            // 注意：此处直接缩放可能失真，生产环境建议保持宽高比            Mat resized = new Mat();            Cv2.Resize(image, resized, _modelSize);            // 步骤2：转换色彩空间 BGR → RGB            // OpenCV默认BGR格式，但大多数模型训练使用RGB格式            Mat rgb = new Mat();            Cv2.CvtColor(resized, rgb, ColorConversionCodes.BGR2RGB);            // 步骤3：创建4维张量 [batch_size=1, channels=3, height=640, width=640]            var tensor = new DenseTensor(new[] { 1, 3, _modelSize.Height, _modelSize.Width });                        // 步骤4：逐像素处理，填充张量数据            // 使用嵌套循环确保数据布局正确，避免内存拷贝错误            for (int y = 0; y < rgb.Height; y++)            {                for (int x = 0; x < rgb.Width; x++)                {                    // 获取RGB像素值                    Vec3b pixel = rgb.At(y, x);                    // 归一化到[0,1]并按照NCHW格式填充                    tensor[0, 0, y, x] = pixel[0] / 255.0f; // R通道                    tensor[0, 1, y, x] = pixel[1] / 255.0f; // G通道                      tensor[0, 2, y, x] = pixel[2] / 255.0f; // B通道                }            }            return tensor;        }        ///         /// 后处理函数 - 解析模型原始输出并提取有意义信息        /// 功能：将模型输出的数值张量转换为实际检测结果        /// 处理流程：        /// 1. 提取模型输出张量（[1,84,8400]格式）        /// 2. 解析每个检测框的坐标和类别置信度        /// 3. 应用置信度阈值过滤低质量检测        /// 4. 将归一化坐标转换回原始图像像素坐标        /// 5. 应用非极大值抑制去除重复检测        ///         /// ONNX Runtime推理结果集合        /// 原始图像（用于坐标映射）        /// 结构化检测结果列表        private List Postprocess(IDisposableReadOnlyCollection results, Mat originalImage)        {            var predictions = new List();            float confidenceThreshold = 0.5f;  // 置信度阈值，过滤不可靠检测            // 步骤1：获取模型输出张量（假设第一个输出包含检测结果）            if (_isYolo26)            {                if (results[0].Value is DenseTensor tensor)                {                    // 检查维度: [1, 300, 6]，YOLO26模型输出格式                    if (tensor.Dimensions.Length < 3 || tensor.Dimensions[2] != 6) return null;                    int detectionsCount = tensor.Dimensions[1]; // 检测框数量                    int featureSize = 6; // 每个检测框的特征数量：x1,y1,x2,y2,confidence,class                    var tensorSpan = tensor.Buffer.Span;                    for (int i = 0; i < detectionsCount; i++)                    {                        int offset = i * featureSize;                        float score = tensorSpan[offset + 4]; // 置信度                        if (score  maxConfidence)                        {                            maxConfidence = confidence;                            classId = j - 4;  // 减去4个坐标维度得到类别索引                        }                    }                    // 步骤2.2：应用置信度阈值过滤                    if (maxConfidence > confidenceThreshold && classId >= 0)                    {                        // 步骤2.3：解析边界框坐标 [center_x, center_y, width, height]                        float cx = output[0, 0, i];  // 边界框中心x坐标（归一化）                        float cy = output[0, 1, i];  // 边界框中心y坐标（归一化）                          float w = output[0, 2, i];   // 边界框宽度（归一化）                        float h = output[0, 3, i];   // 边界框高度（归一化）                        // 步骤2.4：将归一化坐标转换为原始图像像素坐标                        // 从中心点格式转换为左上角坐标格式                        float x1 = (cx - w / 2) * originalImage.Width / _modelSize.Width;                        float y1 = (cy - h / 2) * originalImage.Height / _modelSize.Height;                        float x2 = (cx + w / 2) * originalImage.Width / _modelSize.Width;                        float y2 = (cy + h / 2) * originalImage.Height / _modelSize.Height;                        // 步骤2.5：确保坐标在图像边界内（防止越界错误）                        x1 = Math.Max(0, Math.Min(x1, originalImage.Width));                        y1 = Math.Max(0, Math.Min(y1, originalImage.Height));                        x2 = Math.Max(0, Math.Min(x2, originalImage.Width));                        y2 = Math.Max(0, Math.Min(y2, originalImage.Height));                        // 步骤2.6：创建检测结果对象并添加到列表                        predictions.Add(new Prediction                        {                            Box = new Rect((int)x1, (int)y1, (int)(x2 - x1), (int)(y2 - y1)),                            Confidence = maxConfidence,                            Label = _Names[classId]                        });                    }                }            }            // 步骤3：应用非极大值抑制去除重叠检测框            return ApplyNMS(predictions);        }        ///         /// 非极大值抑制函数 (NMS - Non-Maximum Suppression)        /// 功能：消除重叠的检测框，保留每个物体最好的检测结果        /// 算法原理：        /// 1. 按置信度降序排序所有检测框        /// 2. 选择置信度最高的框作为基准        /// 3. 计算其他框与基准框的IoU（交并比）        /// 4. 移除IoU超过阈值的框（认为检测的是同一物体）        /// 5. 重复2-4步骤直到处理完所有框        ///         /// 原始检测结果列表（可能包含重叠框）        /// IoU阈值，默认0.5（超过此值认为重叠需要抑制）        /// 过滤后的检测结果列表（无重叠框）        private List ApplyNMS(List predictions, float iouThreshold = 0.5f)        {            // 步骤1：按置信度降序排序（置信度高的优先处理）            var sorted = predictions.OrderByDescending(p => p.Confidence).ToList();            var selected = new List();  // 最终选择的检测框            // 步骤2：迭代处理，直到所有框都被检查            while (sorted.Count > 0)            {                // 取出当前置信度最高的框（总是列表第一个）                var current = sorted[0];                selected.Add(current);      // 添加到最终结果                sorted.RemoveAt(0);         // 从待处理列表移除                // 步骤3：检查剩余框与当前框的重叠度                // 倒序遍历避免索引错位问题                for (int i = sorted.Count - 1; i >= 0; i--)                {                    // 计算当前框与待检查框的IoU                    if (CalculateIoU(current.Box, sorted.Box) > iouThreshold)                    {                        // IoU超过阈值，认为检测的是同一物体，移除置信度较低的框                        sorted.RemoveAt(i);                    }                }            }            return selected;        }        ///         /// 交并比计算函数 (IoU - Intersection over Union)        /// 功能：计算两个矩形框的重叠程度，用于衡量检测框的相似性        /// 数学公式：IoU = 交集面积 / 并集面积        /// 取值范围：[0, 1]，0表示无重叠，1表示完全重叠        ///         /// 第一个矩形框        /// 第二个矩形框        /// IoU值，范围0-1，值越大表示重叠越多        private float CalculateIoU(Rect a, Rect b)        {            // 步骤1：计算两个矩形的交集区域            var inter = a.Intersect(b);            // 步骤2：检查是否有有效交集（宽度或高度为0表示无交集）            if (inter.Width