C#AI系列(3):31mb单文件exe实现姿态检测-将Yolo装进口袋

C#使用Yolo其实简单。相较于Python方案，C# 31 MB单文件以可以单文件独立发布或以AOT编译彻底剥离解释器与运行时依赖，CPU推理性能良好。而且YOLO11n模型权重与原生推理代码一体嵌入，免除Python环境、版本冲突及数百兆依赖包部署，实现零配置、零维护、单文件分发，可以显著降低现场实施与售后成本，满足严肃场景对稳定性、一致性与封闭的刚性要求。

本文所有机器学习模型案例的代码已全部开源，关注 萤火初芒 公众号回复AISharp即可查看仓库地址。
一、环境准备

Nuget拉取 Microsoft.ML.OnnxRuntime.Managed 和 YoloDotNet，库内包含了完整所需的其他如Skia、OnnxRuntime等Native库文件。其中：
Microsoft.ML.OnnxRuntime.Managed: ONNX Runtime 是跨平台机器学习推理加速器，可兼容 PyTorch、TensorFlow/Keras 及 scikit-learn、LightGBM、XGBoost 等经典框架，通过图优化与硬件加速器协同，在异构操作系统与驱动环境下实现低成本、高吞吐、低延迟的统一部署。
YoloDotNet：基于 .NET 8、ONNX Runtime 的 C# 全栈库，把 YOLO 的检测、斜框、分割、分类、姿态、追踪能力一次打包，CUDA/TensorRT 双路 GPU 加速，开箱即跑；图片、视频、直播流全兼容，帧跳、可视化可定制，单库实现“模型到画面”的极速闭环。
二、模型准备

Yolo3-Yolo12预训练好的模型可以在https://docs.ultralytics.com/zh/models/yolo11/#supported-tasks-and-modes下载。
模型分为5大类：对象检测、图像分割、图像分类、姿态检测、目标检测(OBB)
所有模型下载后为.pt的格式，我们在C# 中使用的话需要在python中处理成.onnx格式。代码非常简单：

1. from ultralytics import YOLO
3. # 加载.pt模型
4. model = YOLO("D:/yolo11n-pose.pt")
6. # 输出.onnx模型
7. model.export(format="onnx")

复制代码

三、代码实现

示例代码可参考官方YoloDotNet中的demo文件夹，有各种实现的详细案例。以下是Yolo初始化的示例：

1. //初始化Yolo示例
2. using var yolo = new Yolo(new YoloOptions
3. {
4.   // 设定模型路径
5.   // 不同的任务需加载不同的模型
6.   OnnxModel = @"\yolo11n-pose.onnx",
7.   
8.   // 设定由CPU实现
9.   ExecutionProvider = new CpuExecutionProvider(),
11.   // 推理前应用的缩放模式。Proportional（等比缩放）会保持宽高比（必要时加填充）；Stretch（拉伸缩放）则直接将图片resize到目标尺寸，不保持宽高比。该参数会直接影响推理结果。
12.   ImageResize = ImageResize.Proportional,
14.   // 缩放时可用的采样选项；会影响推理速度与质量。
15.   // 其他采样选项的对比示例，参见基准测试：
16.   SamplingOptions = new(SKFilterMode.Nearest, SKMipmapMode.None) // YoloDotNet default
17. });

复制代码

YoloOptions的参数OnnxModel也可以改成OnnxModelBytes，从而直接加载字节数组，以便实现将模型内嵌。
在这里以姿态检测代码作为例子，非常简单，核心代码也就1-2行，其他部分可按需求增减：

1. // 用Skia加载目标图片
2. using var image = SKBitmap.Decode(args?[0] ?? @"d:\tt2.png");
4. // 使用加载好模型的Yolo示例执行任务
5. var results = yolo.RunPoseEstimation(image, confidence: 0.25, iou: 0.7);
7. // 绘制任务结果
8. image.Draw(results, _drawingOptions);
11. // 保存绘制任务结果
12. var fileName = Path.Combine(_outputFolder, "PoseEstimation.jpg");
13. image.Save(fileName, SKEncodedImageFormat.Jpeg, 80);
15. // 显示输出的图片
16. DisplayOutput(fileName);

复制代码

四、发布选项

由于.Net平台的强大，我们可以任意选择我们的发布形式。以下比较了集中发布情况，所有发布的文件中均内嵌了一个11.2mb的小模型，发布后无需再外挂模型文件。
发布方式（内嵌模型资源）大小文件数量单文件发布47.6MB3单文件发布(Compression)45.6MB3AOT发布37.9MB3单文件发布(Compression)+Native自提取31.0MB1需要注意的是。原生YoloDotNet发布Aot会报错，原因是其在某个函数传参过程中使用了Dynamic类型，我们将原库代码拔下来修改后重新编译即可支持了。
五、效果演示

Yolo的姿态模型可以识别面部头眼及四肢等多个关键点。效果展示如下（视频无加速）：

在最后一幅图大家也发现了，有部分人物未被识别到。这其实与案例中选择的模型大小有关。当我们切换到稍大点的模型时(yolo11x-pose，224mb)，主体人物均可被正常识别了。
yolo11n-pose，11.2mb:

yolo11x-pose，224mb:

六、 最后

本文借助 C# AOT 与 ONNX Runtime，可将 YOLO11 姿态模型及全部依赖压缩为 31 MB 单文件 EXE，现场部署无需 Python 环境与额外组件，显著降低实施、维护与版本漂移风险，可以将落地门槛再降一分，即插即用将AI装进了口袋。
感谢您的阅读，本案例及更加完整丰富的机器学习模型案例的代码已全部开源，关注公众号回复AISharp即可查看仓库地址。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！