【DeploySharp】DeploySharp开源发布：让C#部署深度学习模型更加简单

椒颜皮皮虾྅

1433人浏览 · 2025-10-02 22:47:26

椒颜皮皮虾྅ · 2025-10-02 22:47:26 发布

1. 简介

DeploySharp 是一个专为 C# 开发者设计的跨平台模型部署框架，提供从模型加载、配置管理到推理执行的端到端解决方案。其核心架构采用模块化命名空间设计，显著降低了 C# 生态中深度学习模型的集成复杂度，

1. 架构设计与功能分层

根命名空间 DeploySharp 作为统一入口，集成模型加载、推理执行等核心功能
通过子命名空间（如 DeploySharp.Engine）实现模块化分层设计
关键类采用泛型设计，支持图像处理/分类/检测等多任务标准数据交互

2. 多引擎支持与扩展能力

原生支持 OpenVINO（通过OpenVinoSharp）、ONNX Runtime 推理引擎
支持 YOLOv5-v12全系列模型、Anomaly及其他主流模型部署

3. 跨平台运行时支持

兼容 .NET Framework 4.8 及 .NET 6/7/8/9
深度集成 .NET 运行时生态（NuGet 包管理）

4. 高性能推理能力

异步推理支持（System.Threading.Tasks）
支持单张/批量图片推理模式
丰富的预处理（ImageSharp/OpenCvSharp）和后处理操作

5. 开发者支持体系

中英双语代码注释与技术文档
log4net 分级日志系统（错误/警告/调试）
提供可视化结果展示方案
提供完善的示例代码库

该项目开源遵循 Apache License 2.0 协议，开发者可通过 QQ 群、微信公众号等渠道获取支持。未来版本计划扩展 TensorRT 支持并优化现有引擎的异构计算能力。

项目链接：

https://github.com/guojin-yan/DeploySharp.git

2. 模型支持列表

Model Name	Model Type	OpenVINO	ONNX Runtime	TensorRT
YOLOv5	Detection	✅	✅	ing…
YOLOv5	Segmentation	✅	✅	ing…
YOLOv6	Detection	✅	✅	ing…
YOLOv7	Detection	✅	✅	ing…
YOLOv8	Detection	✅	✅	ing…
YOLOv8	Segmentation	✅	✅	ing…
YOLOv8	Pose	✅	✅	ing…
YOLOv8	Oriented Bounding Boxes	✅	✅	ing…
YOLOv9	Detection	✅	✅	ing…
YOLOv9	Segmentation	✅	✅	ing…
YOLOv10	Detection	✅	✅	ing…
YOLOv11	Detection	✅	✅	ing…
YOLOv11	Segmentation	✅	✅	ing…
YOLOv11	Pose	✅	✅	ing…
YOLOv11	Oriented Bounding Boxes	✅	✅	ing…
YOLOv12	Detection	✅	✅	ing…
Anomalib	Segmentation	✅	✅	ing…

3. NuGet Package

3.1 Core Managed Libraries

Package	Description	Link
JYPPX.DeploySharp	DeploySharp API core libraries	https://www.nuget.org/packages/JYPPX.DeploySharp/

3.2 Native Runtime Libraries

Package	Description	Link
JYPPX.DeploySharp.ImageSharp	An assembly that uses ImageSharp as an image processing tool.	https://www.nuget.org/packages/JYPPX.DeploySharp.ImageSharp/
JYPPX.DeploySharp.OpenCvSharp	An assembly that uses OpenCvSharp as an image processing tool.	https://www.nuget.org/packages/JYPPX.DeploySharp.OpenCvSharp/

4. 如何安装

4.1 获取方式

大家可以直接在NuGet Gallery官网上进行查找使用：

或者在Visual Studio的NuGet程序包中进行查找安装：

4.2 NuGet Package组合使用方式

DeploySharp包含了OpenCvSharp、ImageSharp等图像处理方式，同时支持OpenVINO、ONNX Runtime模型部署引擎，因此用户可以根据自己需求自行组合，并安装对应的NuGet Package即可开箱使用。以下总结了常用的一些使用情况的NuGet Package安装场景：

OpenVINO推理+OpenCvSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.OpenCvSharp

OpenVINO.runtime.win
OpenCvSharp4.runtime.win

OpenVINO推理+ImageSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.ImageSharp

OpenVINO.runtime.win

ONNX Runtime推理+OpenCvSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.OpenCvSharp

OpenCvSharp4.runtime.win

ONNX Runtime推理+ImageSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.OpenCvSharp

ONNX Runtime(OpenVINO加速)推理+ImageSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.ImageSharp

Intel.ML.OnnxRuntime.OpenVino

ONNX Runtime(DML加速)推理+ImageSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.ImageSharp

Microsoft.ML.OnnxRuntime.DirectML

ONNX Runtime(CUDA加速)推理+ImageSharp图像处理

JYPPX.DeploySharp
JYPPX.DeploySharp.ImageSharp

Microsoft.ML.OnnxRuntime.DirectML

由于使用CUDA对ONNX Runtime加速受GPU设备型号以及软件版本影响，因此需要按照ONNX Runtime官方提供的版本对应关系进行下载使用，其中ONNX Runtime与CUDA、cuDNN对应关系请参考一下以下链接：

https://runtime.onnx.org.cn/docs/execution-providers/CUDA-ExecutionProvider.html#requirements

以上所列出的使用方式均可以通过NuGet Package一键安装，同样的，ONNX Runtime还支持更多加速方式，但需要用户自己进行代码构建，其构建流程与方式，参考官方教程即可，链接为：

https://runtime.onnx.org.cn/docs/execution-providers/

5. 开始使用

如果你不知道如何使用，通过下面代码简单了解使用方法。

5.1 ImageSharp图像处理

using DeploySharp.Data;
using DeploySharp.Engine;
using DeploySharp.Model;
using SixLabors.ImageSharp;
using SixLabors.ImageSharp.PixelFormats;
using System;

namespace DeploySharp.ImageSharp.Demo
{
    public class YOLOv5DetDemo
    {
        public static void Run()
        {
            // 模型和测试图片可以前往QQ群(945057948)下载
            // 将下面的模型路径替换为你自己的模型路径
            string modelPath = @"E:\Model\Yolo\yolov5s.onnx";
            // 将下面的图片路径替换为你自己的图片路径
            string imagePath = @"E:\Data\image\bus.jpg";
            Yolov5DetConfig config = new Yolov5DetConfig(modelPath);
            //config.SetTargetInferenceBackend(InferenceBackend.OnnxRuntime);
            Yolov5DetModel model = new Yolov5DetModel(config);
            var img = Image.Load(imagePath);
            var result = model.Predict(img);
            model.ModelInferenceProfiler.PrintAllRecords();
            var resultImg = Visualize.DrawDetResult(result, img as Image<Rgb24>, new VisualizeOptions(1.0f));
            resultImg.Save(@$"./result_{ModelType.YOLOv5Det.ToString()}.jpg");
        }
    }
}

5.2 OpenCvSharp图像处理

using OpenCvSharp;
using System.Diagnostics;
using DeploySharp.Model;
using DeploySharp.Data;
using DeploySharp.Engine;
using DeploySharp;
using System.Net.Http.Headers;

namespace DeploySharp.OpenCvSharp.Demo
{
    public class YOLOv5DetDemo
    {
        public static void Run()
        {
            // 模型和测试图片可以前往QQ群(945057948)下载
            // 将下面的模型路径替换为你自己的模型路径
            string modelPath = @"E:\Model\Yolo\yolov5s.onnx";
            // 将下面的图片路径替换为你自己的图片路径
            string imagePath = @"E:\Data\image\bus.jpg";
            Yolov5DetConfig config = new Yolov5DetConfig(modelPath);
            config.SetTargetInferenceBackend(InferenceBackend.OnnxRuntime);
            Yolov5DetModel model = new Yolov5DetModel(config);
            Mat img = Cv2.ImRead(imagePath);
            var result = model.Predict(img);
            model.ModelInferenceProfiler.PrintAllRecords();
            var resultImg = Visualize.DrawDetResult(result, img, new VisualizeOptions(1.0f));
            Cv2.ImShow("image", resultImg);
            Cv2.WaitKey();
        }
    }
}

6.应用案例

获取更多应用案例请参考：

案例类型	框架	链接
桌面应用	.NET Framework 4.8	https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/applications/.NET%20Framework%204.8/DeploySharp.ImageSharp-ApplicationPlatform
桌面应用	.NET 6.0	https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/applications/.NET%206.0/DeploySharp.OpenCvSharp-ApplicationPlatform
控制台应用	.NET Framework 4.8、.NET 6.0-9.0	https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/samples