YOLO11 的工程落地遵循一個清晰的“訓(xùn)練在 Python推理在 C#”分離模式。它的安裝與命令行使用集中在 Python 側(cè)而 C# 側(cè)的集成核心是加載 Python 側(cè)導(dǎo)出的 ONNX 模型。 Python 側(cè)安裝與命令行使用YOLO11 的安裝非常簡潔官方推薦的方式是直接通過 pip 安裝ultralytics包。環(huán)境要求Python 3.8PyTorch 1.8。建議在虛擬環(huán)境中操作以避免依賴沖突。安裝命令pipinstallultralytics如果網(wǎng)絡(luò)較慢可以使用國內(nèi)鏡像源加速pipinstallultralytics-ihttps://pypi.tuna.tsinghua.edu.cn/simple命令行CLI使用安裝完成后yolo命令即可直接使用采用yolo TASK MODE的格式。用途命令行示例推理/預(yù)測yolo predict modelyolo11n.pt sourcebus.jpg訓(xùn)練模型yolo train modelyolo11n.pt datacoco8.yaml epochs100 imgsz640導(dǎo)出為 ONNXyolo export modelyolo11n.pt formatonnx運(yùn)行推理命令后結(jié)果會保存在當(dāng)前目錄的runs/文件夾中。首次運(yùn)行時會自動下載預(yù)訓(xùn)練的模型權(quán)重文件如yolo11n.pt。 C# 側(cè)ONNX 模型加載與推理C# 無法直接運(yùn)行 PyTorch 的.pt文件因此必須在 Python 側(cè)先將訓(xùn)練好的模型導(dǎo)出為ONNX 格式然后在 C# 中通過 ONNX Runtime 加載推理。1. 導(dǎo)出 ONNX 模型Python 側(cè)fromultralyticsimportYOLO modelYOLO(path/to/best.pt)# 或 yolo11n.ptmodel.export(formatonnx)# 生成 best.onnx 或 yolo11n.onnx2. C# 側(cè)加載與推理推薦使用封裝庫手動處理 ONNX 的預(yù)處理和后處理比較繁瑣推薦使用成熟的 NuGet 包。YoloSharp是一個高性能、內(nèi)存復(fù)用、生產(chǎn)就緒的 C# YOLO 推理庫支持 YOLO11 的全任務(wù)類型檢測、分割、姿態(tài)、OBB 等。安裝 NuGet 包dotnetaddpackage YoloSharpC# 調(diào)用示例usingCompunet.YoloSharp;// 1. 加載 ONNX 模型usingvarpredictornewYoloPredictor(path/to/model.onnx);// 2. 對圖像進(jìn)行目標(biāo)檢測varresultpredictor.Detect(path/to/image.jpg);// 3. 輸出結(jié)果Console.WriteLine(result);// 打印檢測到的所有目標(biāo)摘要如果你的工控機(jī)有 NVIDIA 顯卡可以安裝YoloSharp.Gpu包只需將YoloPredictor替換為對應(yīng)的 GPU 版本即可啟用 CUDA 加速。?? 關(guān)鍵約束與注意點(diǎn)模型導(dǎo)出時的動態(tài)維度導(dǎo)出 ONNX 時確保模型支持動態(tài)輸入尺寸dynamic_axes否則 C# 側(cè)只能推理固定尺寸如 640×640的圖像靈活性大打折扣。后處理不要手寫YOLO 的輸出包含大量候選框需要 NMS非極大值抑制去重。使用YoloSharp這類封裝庫的好處是它們已經(jīng)內(nèi)部處理好了坐標(biāo)還原、置信度過濾和 NMS你拿到的就是結(jié)構(gòu)化的檢測結(jié)果。性能預(yù)期根據(jù)官方數(shù)據(jù)YOLO11n 在 CPU 上使用 ONNX Runtime 推理 640×640 圖像約需56ms在 T4 GPU 上使用 TensorRT 則僅需1.5ms。對于工業(yè)視覺的實(shí)時性要求建議優(yōu)先使用 GPU 推理。