介绍如何使用 C# 和 ONNX Runtime 在 Windows 窗体应用中加载并推理 ONNX 模型。内容涵盖项目搭建、界面设计、模型文件配置、NuGet 包集成、图像预处理及张量转换逻辑。通过示例代码演示了从图片加载到结果输出的完整流程，并提供了常见环境问题的排查方法，帮助开发者快速集成深度学习模型至桌面应用。
本文介绍如何在 Windows 窗体应用中集成 ONNX Runtime，加载自定义的 ONNX 模型并进行图像推理。ONNX (Open Neural Network Exchange) 是一个开放的机器学习模型格式，支持跨平台部署。通过 Microsoft 提供的 ONNX Runtime 库，开发者可以在 C# 环境中高效地执行模型推理。
在开始之前，请确保已正确安装配置了 Visual Studio 2017 或更高版本以及 .NET Framework 开发环境。建议使用最新的稳定版 SDK。
文件 -> 新建 -> 项目。Windows 窗体应用 (.NET Framework) 模板。ClassifyBear（或其他符合命名规范的名称）。在解决方案资源管理器中找到 Form1.cs，双击打开界面设计器。从工具箱中向 Form 中依次拖入控件并调整布局，最终效果应包含以下元素：
SizeMode 属性更改为 StretchImage，并将长宽设置为相同值（如 224x224），保持正方形形状，这与大多数视觉模型的输入要求一致。添加 -> 现有项。所有文件 (*.*)。.onnx 模型文件（例如 BearModel.onnx）并添加。生成操作 属性改为 内容，将 复制到输出目录 属性改为 如果较新则复制。这确保了编译时模型文件会被复制到程序运行目录，避免运行时找不到文件。微软开源的 ONNX Runtime 提供了 NuGet 包，可方便地集成到 Visual Studio 项目中。
引用，选择 管理 NuGet 程序包。浏览 选项卡，搜索 Microsoft.ML.OnnxRuntime。配置管理器。x64。如果没有，在下拉框中选择 新建，按提示创建 x64 平台。在 Form1.cs 上右键，选择 查看代码，打开代码编辑窗口。
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;
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。
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();
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
}
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。
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。
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）。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。
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。
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）。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online