# YoloDeployCsharp **Repository Path**: ctpactwangke/YoloDeployCsharp ## Basic Information - **Project Name**: YoloDeployCsharp - **Description**: YoloDeployCsharp - **Primary Language**: Unknown - **License**: Apache-2.0 - **Default Branch**: yolov1 - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-11-19 - **Last Updated**: 2025-11-19 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README
基于C#(.NET Framework)的YOLO系列深度学习模型部署平台
## 1. 项目介绍    基于.NET Framework 4.8 开发的深度学习模型部署测试平台，提供了YOLO框架的主流系列模型，包括YOLOv8~v9，以及其系列下的Det、Seg、Pose、Obb、Cls等应用场景，同时支持图像与视频检测。模型部署引擎使用的是OpenVINO™、TensorRT、ONNX runtime以及OpenCV DNN，支持CPU、IGPU以及GPU多种设备推理。   其中，OpenVINO™以及TensorRT的C#接口均为自行开发，项目链接为： OpenVINO™ C# API ： ``` https://github.com/guojin-yan/OpenVINO-CSharp-API.git ``` TensorRT C# API ： ``` https://github.com/guojin-yan/TensorRT-CSharp-API.git ```   演示视频： - 微信：[C#模型部署平台：基于YOLOv8目标检测模型的视频检测](https://mp.weixin.qq.com/s/tT_21llcfGvkkq-HjdEOiw) - 哔哩哔哩：[C#模型部署平台：基于YOLOv8目标检测模型的视频检测_哔哩哔哩_bilibili](https://www.bilibili.com/video/BV1yf421m7Hr)   C#&YOLO系列深度学习模型部署平台页面主要包括四个区域，分别为：模型选择和加载区域、推理区域、输入图像展示区域以及输出结果图像展示区域。如下图所示：
  如下图所示，演示的是使用YOLOv5 Det模型的推理情况，
  同样的方式，我们可以实现多种模型在不同平台的上的推理，如下图所示： | | | | ------------------------------------------------------------ | ------------------------------------------------------------ | | | | ## 2. 支持模型   项目在开发时，同时开发了YOLOv5~v9以及YOLO World等YOLO系列模型，模型部署工具使用的是OpenVINO 、TensorRT 、ONNX runtime、OpenCV DNN，但有一些模型部署工具对模型的算子存在不支持情况，因此，对该项目中所使用的所有模型进行了测试，如下表所示： | Model | OpenVINO CPU | OpenVINO GPU | TensorRT GPU | ONNX runtime CPU | ONNX runtime GPU | OpenCV DNN | | :-------------: | :----------: | :----------: | :----------: | :--------------: | :--------------: | :--------: | | **YOLOv5 Det** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv5 Seg** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv5 Cls** | ✅ | | ✅ | ✅ | ✅ | ✅ | | **YOLOv6 Det** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv7 Det** | ✅ | ✅ | | ✅ | ✅ | | | **YOLOv8 Det** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv8 Seg** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv8 Pose** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv8 Obb** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv8 Cls** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLOv9 Det** | ✅ | ✅ | ✅ | ✅ | ✅ | | | **YOLOv9 Seg** | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | | **YOLO World** | ✅ | | ✅ | ✅ | ✅ | | ## 3. 时间测试   在开发的模型部署平台上进行时间测试，当前的测试环境为： - CPU：11th Intel Core i7-1165G7 2.8GHz - IGPU：Intel Iris Xe Graphics - GPU：NVIDIA GeForce RTX 2060 在同一环境下，对其中一些模型进行了测试，如下表所示： | Model | OpenVINO CPU | OpenVINO IGPU | TensorRT GPU | ONNX runtime CPU | ONNX runtime GPU | OpenCV DNN | | :-------------: | :----------: | :-----------: | :----------: | :--------------: | :--------------: | :--------: | | **YOLOv5s Det** | 53.78 ms | 28.84 ms | 22.95 ms | 95.68 ms | 29.22 ms | 178.53 ms | | **YOLOv5s Seg** | 119.53 ms | 43.49 ms | 31.17 ms | 144.68 ms | 42.27 ms | 500.26 ms | | **YOLOv6s Det** | 98.66 ms | 43.50 ms | 19.93 ms | 147.14 ms | 25.90 msd | 155.20 ms | | **YOLOv8s Det** | 77.06 ms | 37.54 ms | 20.04 ms | 134.05 ms | 25.82 ms | 191.34 ms | | **YOLOv8s Seg** | 105.55 ms | 48.45 ms | 25.91 ms | 200.01 ms | 37.24 ms | 532.16 ms |   通过测试结果可以看出： - 在GPU上：使用独立显卡加速的TensorRT在推理速度上表现是十分优秀的，但使用集成显卡加速的OpenVINO其推理速度也不容小觑，如果上到英特尔的独立显卡，其推理速度应该还会有很大程度上的提升，而ONNX runtime使用独立显卡加速，其推理性能上与TensorRT相比稍逊色； - 在CPU上，OpenVINO 的表现时十分突出的，在使用极少的CPU占用上，其推理速度已经有了很大的提升，而ONNX runtime以及OpenCV DNN占用CPU很大的情况下，其推理速度远不如OpenVINO。 ## 4. 总结   项目源码目前已经在GitHub上开源，项目链接为： ``` https://github.com/guojin-yan/YoloDeployCsharp.git ```   各位开发者可以根据自己情况加逆行下载，并进行项目配置，其中一些内容的配置可以参考一下文章： - [最新发布！TensorRT C# API ：基于C#与TensorRT部署深度学习模型](https://mp.weixin.qq.com/s/Sw9ukiM9ZKOuzzGePVV4mg) - [在 Windows 上使用 OpenVINO™ C# API 部署 Yolov8-obb 实现任意方向的目标检测 | 开发者实战](https://mp.weixin.qq.com/s/Cj18ih8G1aw4lrOUqW-06w)   最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。