基于Visual Studio Tools for AI封装ONNX模型并推理

完成配置后，系统将生成一个包含推理逻辑的类库项目。至此，模型推理核心代码已封装完毕。

集成与调用

引用类库

在 ClassifyBear 项目中：

1. 右键点击'引用'，选择'添加引用'。
2. 在'项目'选项卡下找到 Model 项目，勾选并确定。

初始化模型

在 Form1.cs 的代码视图中，添加成员变量和初始化逻辑：

// 使用 Netron 查看模型，得到模型的输入应为 227*227 大小的图片
private const int imageSize = 227;

// 模型推理类实例
private Model.Bear model;

在 Form1_Load 事件中初始化模型对象：

private void Form1_Load(object sender, EventArgs e)
{
    try
    {
        // 初始化模型推理对象
        model = new Model.Bear();
        Console.WriteLine("模型加载成功");
    }
    catch (Exception ex)
    {
        MessageBox.Show($"模型初始化失败：{ex.Message}");
    }
}

实现推理逻辑

双击界面上的'识别'按钮，进入 button1_Click 事件处理函数。以下是完整的推理流程代码：

private void button1_Click(object sender, EventArgs e)
{
    // 1. 重置界面显示的内容
    label1.Text = string.Empty;
    pictureBox1.Image = null;
    pictureBox1.Refresh();

    // 2. 加载图片
    bool isSuccess = false;
    try
    {
        // 尝试从 TextBox 中的路径加载图片
        pictureBox1.Load(textBox1.Text);
        isSuccess = true;
    }
    catch (Exception ex)
    {
        MessageBox.Show($"读取图片时出现错误：{ex.Message}\n请确保路径有效且图片格式正确。", "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);
        return;
    }

    // 3. 数据预处理与推理
    if (isSuccess && pictureBox1.Image != null)
    {
        try
        {
            // 将图片缩放至模型要求的尺寸 (227x227)
            Bitmap bitmap = new Bitmap(pictureBox1.Image, imageSize, imageSize);

            // 准备浮点数组用于存储像素值
            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
            // 注意：ONNX 模型通常期望 RGB 顺序，但部分模型可能不同，需根据模型文档调整
            for (int y = 0; y < imageSize; y++)
            {
                for (int x = 0; x < imageSize; x++)
                {
                    var color = bitmap.GetPixel(x, y);

                    // 按照 BGR 还是 RGB 顺序填充取决于模型训练时的预处理
                    // 此处示例按照蓝色、绿色、红色分量分别排列
                    imageArray[y * imageSize + x] = color.B;
                    imageArray[y * imageSize + x + 1 * imageSize * imageSize] = color.G;
                    imageArray[y * imageSize + x + 2 * imageSize * imageSize] = color.R;
                }
            }

            // 构建输入列表，支持批量推理
            var inputImages = new List<float[]>();
            inputImages.Add(imageArray);

            // 执行推理
            // Infer 方法返回的结果通常是嵌套的 List，需根据实际输出结构调整
            var result = model.Infer(inputImages);

            // 获取第一张图片的分类结果
            if (result.Count > 0 && result[0].Count > 0)
            {
                label1.Text = result[0][0];
            }
            else
            {
                label1.Text = "推理结果为空";
            }
        }
        catch (Exception ex)
        {
            MessageBox.Show($"推理过程中发生错误：{ex.Message}");
        }
    }
}

关键点说明：

• 图像尺寸：必须严格匹配模型输入层的要求（本例为 227x227），否则会导致维度不匹配错误。
• 通道顺序：常见的有 RGB 和 BGR 两种。务必通过 Netron 查看模型输入层的描述或参考模型训练代码，确保颜色通道顺序一致。如果顺序错误，推理准确率会大幅下降。
• 数据类型：ONNX Runtime 通常接受 float 类型数组，而非 byte 或 int。

测试与验证

编译并运行项目。在输入框中输入一张有效的图片 URL（注意是图片的直接链接，而非网页链接），点击'识别'按钮。如果一切正常，PictureBox 中将显示图片，下方的 Label 将显示预测的分类标签。

常见问题排查

1. 找不到模型文件：确保模型文件路径在发布时随程序一起部署，或者在代码中使用绝对路径/相对路径正确指向。
2. x64 架构报错：如果运行时提示找不到 DLL，请检查项目配置是否为 x64，且目标机器安装了相应的 VC++ 运行库。
3. 推理结果异常：检查图片预处理逻辑，特别是归一化（Normalization）步骤。有些模型需要先将像素值除以 255.0 转换为 0-1 之间的浮点数。
4. 内存溢出：对于高分辨率图片，建议在推理前进行合理的缩放，避免占用过多内存。

总结

通过 Visual Studio Tools for AI，我们可以便捷地将 ONNX 模型集成到 C# 桌面应用中。核心步骤包括：配置 x64 环境、生成推理类库、编写 UI 交互逻辑以及正确处理图像数据预处理。在实际生产中，建议增加异步推理机制以避免界面卡顿，并根据具体业务需求优化模型加载策略（如单例模式）。