基于 ONNX Runtime 的 C# 模型封装与推理实现

1. 定义常量与成员变量

首先定义图片尺寸常量，这取决于模型训练时的输入规格。本示例假设模型输入为 224x224 像素。

// 使用 Netron 等工具查看模型，确认模型的输入应为 224*224 大小的图片
private const int imageSize = 224;

2. 按钮点击事件处理

双击界面上的'识别'按钮，自动生成 button1_Click 方法。在此方法中编写核心逻辑。

重置界面状态

每次点击识别前，先清除上一次的结果和预览图。

// 识别之前先重置界面显示的内容
label1.Text = string.Empty;
pictureBox1.Image = null;
pictureBox1.Refresh();

加载图片

尝试从 TextBox 中输入的地址加载图片。需处理可能的异常（如网络错误、无效路径）。

bool isSuccess = false;
try
{
    // 注意：Load 方法支持 URL 和本地路径，但需确保权限和网络连通性
    pictureBox1.Load(textBox1.Text);
    isSuccess = true;
}
catch (Exception ex)
{
    MessageBox.Show($"读取图片时出现错误：{ex.Message}");
    throw; // 或者根据需求选择是否继续
}

图像预处理与张量构建

如果加载成功，需要将图片转换为模型所需的浮点型数组。注意颜色通道顺序和归一化问题。

if (isSuccess)
{
    // 图片加载成功后，从图片控件中取出指定大小的位图对象
    Bitmap bitmap = new Bitmap(pictureBox1.Image, imageSize, imageSize);

    float[] imageArray = new float[imageSize * imageSize * 3];

    // 按照先行后列的方式依次取出图片的每个像素值
    for (int y = 0; y < imageSize; y++)
    {
        for (int x = 0; x < imageSize; x++)
        {
            var color = bitmap.GetPixel(x, y);

            // 注意：不同模型对输入通道顺序要求不同
            // 常见情况是 BGR 或 RGB，此处根据模型文档调整
            // 示例中假设需要依次放置蓝色分量、绿色分量、红色分量
            imageArray[y * imageSize + x] = color.B;
            imageArray[y * imageSize + x + 1 * imageSize * imageSize] = color.G;
            imageArray[y * imageSize + x + 2 * imageSize * imageSize] = color.R;
        }
    }

    // 设置要加载的模型的路径，根据实际部署环境调整
    string modelPath = AppDomain.CurrentDomain.BaseDirectory + "BearModel.onnx";

    using (var session = new InferenceSession(modelPath))
    {
        var container = new List<NamedOnnxValue>();

        // 输入数据维度通常为 [Batch_Size, Channels, Height, Width]
        // 第一维 None 表示可以传入多张图片进行推理，这里只使用一张图片
        var shape = new int[] { 1, 3, imageSize, imageSize };
        var tensor = new DenseTensor<float>(imageArray, shape);

        // 添加输入，输入名称需与模型定义中的输入节点名称一致
        // 对于 MNIST 类模型，输入名称通常是 'data' 或 'input'
        container.Add(NamedOnnxValue.CreateFromTensor<float>("data", tensor));

        // 执行推理
        var results = session.Run(container);

        // 解析输出结果
        // 输出可能包含多个节点，如 classLabel 和 loss，这里只关心分类标签
        var label = results.FirstOrDefault(item => item.Name == "classLabel")?
            .AsTensor<string>()?
            .FirstOrDefault();

        // 显示在控件中
        if (!string.IsNullOrEmpty(label))
        {
            label1.Text = $"识别结果：{label}";
        }
        else
        {
            label1.Text = "未获取到有效结果";
        }
    }
}

重要提示：数据转换必须严格遵循模型信息。图片大小需匹配（如 224x224），且颜色通道顺序（BGR/RGB）和数值范围（0-255 或 0-1）需与训练时一致。如果顺序或归一化不正确，将无法达到最佳推理效果。

常见问题排查

1. 缺少 DLL 文件

如果运行时遇到找不到 onnxruntime.dll 的错误，可能是编译时相关库没有拷贝到运行目录下。

• 解决方法：清理解决方案，然后重新编译。
• 手动修复：也可以手动到 packages\Microsoft.ML.OnnxRuntime.版本号\runtimes\win-x64\native 下将 onnxruntime.dll 拷贝到程序运行目录（即 bin\Debug 或 bin\Release）。

2. 架构不匹配

确保项目目标架构（x64/x86）与安装的 ONNX Runtime 库支持的架构一致。如果混用可能导致加载失败。

3. 模型输入名称错误

如果推理报错提示输入名称不存在，请使用 Netron 等工具查看 .onnx 文件的输入节点名称，并更新代码中的 CreateFromTensor 参数。

总结

通过上述步骤，我们成功在 C# WinForms 应用中集成了 ONNX Runtime，实现了图像的加载、预处理及模型推理。此方案适用于需要在桌面端部署轻量级 AI 模型的场景。在实际生产中，建议增加异步处理以避免 UI 阻塞，并根据具体模型需求调整图像预处理逻辑（如归一化、均值减法等）。