30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度如果你是一名C#开发者正在寻找一种简单、高效且能直接集成到现有WinForm/WPF项目中的目标检测方案那么这篇文章就是为你准备的。过去想在C#里跑AI模型尤其是像YOLOv8这样的前沿目标检测模型听起来像是一个“不可能的任务”。常见的路径是用Python训练模型然后通过复杂的HTTP服务、gRPC或者进程间通信与C#程序交互。这套方案不仅架构复杂、延迟高还引入了额外的运维成本和故障点。对于工业质检、安防监控、智能零售等需要实时处理和高可靠性的场景这种“拼接”方案往往捉襟见肘。这篇文章的核心判断是通过ONNX Runtime将YOLOv8模型直接部署到C#应用程序中是当前C#开发者集成AI能力最直接、最高效的路径没有之一。它彻底绕开了语言壁垒让C#程序能像调用本地库一样直接运行深度学习模型实现真正的端到端集成。你可能会担心这会不会很难需要精通深度学习框架吗需要复杂的C/CLI封装吗答案是完全不需要。整个过程清晰、标准化核心代码可能不超过200行。本文将带你从零开始在30分钟内将一个预训练的YOLOv8模型集成到你的C#项目中并完成图片和视频流的实时检测。我们将聚焦于最实用的工业级部署流程避开学术研究的细枝末节直击工程实现的核心。1. 为什么C#开发者现在必须关注YOLOv8与ONNX Runtime在深入代码之前我们需要先理解这个技术组合解决了什么根本问题以及为什么它现在变得如此可行。传统C# AI集成的痛点技术栈割裂AI模型用PythonPyTorch/TensorFlow业务应用用C#。开发者需要维护两套环境、两种语言团队协作成本高。性能瓶颈进程间通信IPC或网络调用HTTP/gRPC会带来显著的延迟对于需要30FPS甚至60FPS实时处理的工业视觉应用这是不可接受的。部署复杂需要分别部署Python服务和C#应用增加了系统复杂度与故障风险。资源浪费两套运行时Python解释器与.NET CLR并存内存和CPU开销更大。ONNX Runtime带来的范式转变ONNXOpen Neural Network Exchange是一个开放的模型格式标准。ONNX Runtime是一个高性能推理引擎支持在多种平台和语言包括C#上直接运行ONNX模型。它的价值在于跨语言模型一旦转换为ONNX格式就可以被C、C#、Python、Java等多种语言直接调用打破了Python的垄断。高性能针对不同硬件CPU/GPU进行了深度优化推理速度往往优于原框架。轻量级作为一个本地库NuGet包引入无需部署完整的Python环境。YOLOv8的优势YOLOv8是Ultralytics公司推出的最新一代目标检测模型在精度和速度上取得了很好的平衡。对于C#开发者而言它的一个巨大优点是官方提供了极其便捷的模型导出功能可以一键导出为ONNX格式且导出的模型对输入输出的处理非常规范大大降低了后续集成的难度。因此“YOLOv8 ONNX Runtime C#”这个技术栈完美地将前沿的AI检测能力与成熟的C#工业开发生态融合在一起。你不再需要成为深度学习专家只需要遵循标准的工程化步骤就能将强大的视觉AI能力变为自己应用程序中的几行代码。2. 核心概念与工作流程全景图在动手之前让我们快速厘清几个关键概念和整个工作流程确保你不仅知道怎么做还知道为什么这么做。核心概念解析YOLOv8模型一个“.pt”文件包含了训练好的神经网络权重和结构。我们无法直接在C#中使用它。ONNX格式一个“.onnx”文件是一种开放的、与框架无关的模型表示格式。它是我们转换的目标。ONNX Runtime一个运行时引擎以NuGet包Microsoft.ML.OnnxRuntime或Microsoft.ML.OnnxRuntime.Gpu的形式提供。它负责加载.onnx文件并在C#中执行模型推理。推理Inference指将输入数据如图片喂给模型并得到输出结果如边界框、类别、置信度的过程。端到端工作流程整个流程可以分为清晰的四个阶段下图展示了从模型准备到C#集成的完整路径flowchart TD A[开始: Python环境br与YOLOv8] -- B[阶段一: 模型准备br导出YOLOv8为ONNX格式] B -- C{阶段二: 环境搭建br创建C#项目并引入依赖} C -- D[安装ONNX Runtime NuGet包] C -- E[安装图像处理库br如 OpenCvSharp] D E -- F[阶段三: 核心代码实现] subgraph F [核心代码实现] F1[图像预处理br缩放/归一化/转Tensor] -- F2[创建推理会话brInferenceSession] F2 -- F3[执行模型推理brsession.Run] F3 -- F4[输出后处理br解析边框/过滤/画图] end F -- G[阶段四: 运行与验证br在WinForm/WPF中显示结果] G -- H[完成: 集成YOLOv8的brC#工业检测应用]接下来我们将严格按照这个流程一步步实现它。3. 环境准备你需要准备什么工欲善其事必先利其器。以下是完成本教程所需的全部环境大部分都是标准的C#开发配置。3.1 开发环境操作系统Windows 10/1164位。本文以Windows为例ONNX Runtime同样支持Linux和macOS。IDEVisual Studio 2022。社区版即可。确保安装了“.NET桌面开发”工作负载。.NET版本.NET 6.0 或 .NET 8.0推荐。我们创建控制台应用或WinForms/WPF应用均可。3.2 Python环境仅用于模型导出Python3.8或3.9版本。这是转换模型唯一需要Python的地方。Ultralytics库用于导出YOLOv8模型。在命令行中安装pip install ultralyticsONNX可选但建议安装用于验证模型。pip install onnx3.3 预训练模型我们将使用YOLOv8官方预训练模型无需自己训练。你可以从Ultralytics官网下载但更简单的方式是让代码自动下载。我们这里以中等尺寸的yolov8m.pt为例。4. 第一阶段模型准备与导出这是整个流程中唯一需要接触Python的步骤非常简单。创建导出脚本新建一个Python文件例如export_yolov8_to_onnx.py。编写导出代码from ultralytics import YOLO # 加载预训练的YOLOv8模型 # 首次运行会自动从官网下载 yolov8m.pt model YOLO(yolov8m.pt) # 导出模型为ONNX格式 # imgsz: 指定模型输入图片的尺寸必须是32的倍数常用640 # opset: ONNX算子集版本12或更高版本兼容性较好 # simplify: 是否应用onnx-simplifier简化模型推荐True success model.export(formatonnx, imgsz640, opset12, simplifyTrue) if success: print(模型导出成功生成文件yolov8m.onnx) else: print(模型导出失败)运行脚本python export_yolov8_to_onnx.py运行成功后你会在当前目录下得到yolov8m.onnx文件。这个文件就是我们后续在C#中需要使用的核心模型文件。关键参数解释imgsz640模型固定输入尺寸为640x640。无论原始图片多大都需要先缩放到这个尺寸。simplifyTrue对计算图进行优化移除冗余算子有时能提升推理速度强烈建议开启。至此Python的任务就完成了。将生成的yolov8m.onnx文件复制到你的C#项目目录下例如Assets/Models/。5. 第二阶段创建C#项目与配置环境现在我们回到熟悉的Visual Studio。创建新项目打开VS2022新建一个“控制台应用”或“Windows窗体应用(.NET)”项目名称如YoloV8CSharpDemo。添加NuGet包依赖通过NuGet包管理器为项目安装以下两个核心库Microsoft.ML.OnnxRuntime这是ONNX Runtime的CPU版本推理引擎。如果你有NVIDIA GPU并希望使用GPU加速可以安装Microsoft.ML.OnnxRuntime.Gpu但需要额外配置CUDA和cuDNN本文为简化使用CPU版本。OpenCvSharp4和OpenCvSharp4.runtime.win这是OpenCV的C#封装用于图像的加载、缩放、色彩转换和结果绘制。它是处理计算机视觉任务的事实标准。 在“程序包管理器控制台”中运行Install-Package Microsoft.ML.OnnxRuntime Install-Package OpenCvSharp4 Install-Package OpenCvSharp4.runtime.win添加模型文件将上一步导出的yolov8m.onnx文件添加到项目中。右键项目 - 添加 - 现有项选择该文件。在属性面板中将其“复制到输出目录”设置为“如果较新则复制”。这样在编译后模型文件会自动出现在可执行文件旁边。6. 第三阶段核心代码实现与逐行解析这是最核心的部分。我们将创建一个YoloV8Predictor类来封装所有推理逻辑。请跟随注释仔细理解每一步。6.1 定义模型元数据和数据结构首先我们定义一些常量和管理检测结果的类。// YoloV8Predictor.cs using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; using OpenCvSharp; using System.Drawing; namespace YoloV8CSharpDemo { // 记录单次检测的结果 public class DetectionResult { public RectangleF BoundingBox { get; set; } // 边界框 (X, Y, Width, Height)比例坐标 public string Label { get; set; } // 类别标签如 person, car public float Confidence { get; set; } // 置信度 (0~1) } public class YoloV8Predictor : IDisposable { // 模型固定输入尺寸 (必须与导出时设置的imgsz一致) private const int _imageSize 640; // COCO数据集的80个类别名称 (YOLOv8预训练模型使用此数据集) private static readonly string[] _cocoLabels { person, bicycle, car, motorcycle, airplane, bus, train, truck, boat, traffic light, fire hydrant, stop sign, parking meter, bench, bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe, backpack, umbrella, handbag, tie, suitcase, frisbee, skis, snowboard, sports ball, kite, baseball bat, baseball glove, skateboard, surfboard, tennis racket, bottle, wine glass, cup, fork, knife, spoon, bowl, banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake, chair, couch, potted plant, bed, dining table, toilet, tv, laptop, mouse, remote, keyboard, cell phone, microwave, oven, toaster, sink, refrigerator, book, clock, vase, scissors, teddy bear, hair drier, toothbrush }; private InferenceSession _session; private bool _disposed false; // 构造函数加载ONNX模型创建推理会话 public YoloV8Predictor(string modelPath) { // SessionOptions可以配置线程数、执行引擎等。对于CPU使用默认值即可。 var options new SessionOptions(); _session new InferenceSession(modelPath, options); } } }6.2 图像预处理将图片转换为模型需要的张量模型输入需要是固定尺寸、归一化后的张量。这是最容易出错的一步。// 在YoloV8Predictor类中添加方法 private float[] PreprocessImage(Mat image) { // 1. 将BGR图像转换为RGB (OpenCV默认是BGR模型需要RGB) Mat rgbImage new Mat(); Cv2.CvtColor(image, rgbImage, ColorConversionCodes.BGR2RGB); // 2. 调整图像大小至640x640并使用填充(padding)保持宽高比 int maxSize _imageSize; int height rgbImage.Height; int width rgbImage.Width; // 计算缩放比例 float scale Math.Min((float)maxSize / width, (float)maxSize / height); int newWidth (int)(width * scale); int newHeight (int)(height * scale); // 缩放图像 Mat resized new Mat(); Cv2.Resize(rgbImage, resized, new Size(newWidth, newHeight)); // 3. 创建一张640x640的灰色画布并将缩放后的图像置于中央 Mat padded new Mat(maxSize, maxSize, MatType.CV_8UC3, new Scalar(114, 114, 114)); // 灰色填充 int dx (maxSize - newWidth) / 2; int dy (maxSize - newHeight) / 2; Rect roi new Rect(dx, dy, newWidth, newHeight); resized.CopyTo(padded[roi]); // 4. 将图像数据从HWC [640,640,3] 转换为CHW [3,640,640] 格式并归一化到[0,1] float[] inputTensor new float[3 * maxSize * maxSize]; for (int c 0; c 3; c) { for (int h 0; h maxSize; h) { for (int w 0; w maxSize; w) { // 获取像素值 (0~255) 并归一化 inputTensor[c * maxSize * maxSize h * maxSize w] padded.AtVec3b(h, w)[c] / 255.0f; } } } // 释放临时Mat对象避免内存泄漏 rgbImage.Dispose(); resized.Dispose(); padded.Dispose(); return inputTensor; }6.3 执行推理与后处理模型输出是8400个预测框对于640输入我们需要从中筛选出有效的检测结果。// 在YoloV8Predictor类中添加方法 public ListDetectionResult Predict(Mat image, float confidenceThreshold 0.5f, float iouThreshold 0.5f) { // 1. 预处理图像 float[] inputData PreprocessImage(image); var inputTensor new DenseTensorfloat(inputData, new[] { 1, 3, _imageSize, _imageSize }); // 2. 准备输入容器 var inputs new ListNamedOnnxValue { NamedOnnxValue.CreateFromTensor(images, inputTensor) }; // 3. 执行模型推理 using IDisposableReadOnlyCollectionDisposableNamedOnnxValue results _session.Run(inputs); // 4. 获取输出数据 (YOLOv8 ONNX模型输出名为output0) var outputTensor results.First().AsTensorfloat(); var data outputTensor.ToArray(); // 5. 解析输出维度 [1, 84, 8400] // 84 4(bbox) 80(class probabilities) int dimensions 84; // cx, cy, w, h 80个类别的分数 int numPredictions outputTensor.Dimensions[2]; // 8400 var detections new ListDetectionResult(); // 6. 遍历所有预测框 for (int i 0; i numPredictions; i) { // 获取该预测框的84维向量 float[] prediction new float[dimensions]; Array.Copy(data, i * dimensions, prediction, 0, dimensions); // 找到最大类别置信度及其索引 float maxConfidence 0; int maxIndex 0; for (int j 4; j dimensions; j) { if (prediction[j] maxConfidence) { maxConfidence prediction[j]; maxIndex j - 4; } } // 7. 应用置信度阈值过滤 if (maxConfidence confidenceThreshold) continue; // 8. 解析边界框 (cx, cy, w, h) 是相对于640x640输入的比例坐标 float cx prediction[0]; float cy prediction[1]; float width prediction[2]; float height prediction[3]; // 转换为左上角坐标 (x1, y1) 和右下角坐标 (x2, y2)比例坐标 float x1 (cx - width / 2); float y1 (cy - height / 2); float x2 (cx width / 2); float y2 (cy height / 2); // 9. 将比例坐标转换回原始图像坐标 // 注意预处理时我们进行了缩放和填充需要逆向计算 int origHeight image.Height; int origWidth image.Width; float scale Math.Min((float)_imageSize / origWidth, (float)_imageSize / origHeight); int newWidth (int)(origWidth * scale); int newHeight (int)(origHeight * scale); int dx (_imageSize - newWidth) / 2; int dy (_imageSize - newHeight) / 2; // 从填充画布坐标映射回原始图像坐标 x1 Math.Max(0, (x1 - dx) / scale); y1 Math.Max(0, (y1 - dy) / scale); x2 Math.Min(origWidth, (x2 - dx) / scale); y2 Math.Min(origHeight, (y2 - dy) / scale); float boxWidth x2 - x1; float boxHeight y2 - y1; // 确保边界框有效 if (boxWidth 0 || boxHeight 0) continue; detections.Add(new DetectionResult { BoundingBox new RectangleF(x1, y1, boxWidth, boxHeight), Label _cocoLabels[maxIndex], Confidence maxConfidence }); } // 10. 应用非极大值抑制(NMS)过滤重叠框 return ApplyNonMaxSuppression(detections, iouThreshold); } // 非极大值抑制实现 private ListDetectionResult ApplyNonMaxSuppression(ListDetectionResult detections, float iouThreshold) { // 按置信度降序排序 var sortedDetections detections.OrderByDescending(d d.Confidence).ToList(); var selected new ListDetectionResult(); while (sortedDetections.Any()) { // 取出置信度最高的检测框 var current sortedDetections[0]; selected.Add(current); sortedDetections.RemoveAt(0); // 计算与剩余框的IoU移除重叠度高的 sortedDetections sortedDetections.Where(d CalculateIoU(current.BoundingBox, d.BoundingBox) iouThreshold ).ToList(); } return selected; } // 计算两个矩形框的交并比(IoU) private float CalculateIoU(RectangleF boxA, RectangleF boxB) { float x1 Math.Max(boxA.Left, boxB.Left); float y1 Math.Max(boxA.Top, boxB.Top); float x2 Math.Min(boxA.Right, boxB.Right); float y2 Math.Min(boxA.Bottom, boxB.Bottom); float interArea Math.Max(0, x2 - x1) * Math.Max(0, y2 - y1); float boxAArea boxA.Width * boxA.Height; float boxBArea boxB.Width * boxB.Height; return interArea / (boxAArea boxBArea - interArea); }6.4 绘制检测结果最后我们添加一个工具方法来将检测结果可视化在图片上。// 在YoloV8Predictor类中添加方法 public Mat DrawPredictions(Mat image, ListDetectionResult results) { Mat resultImage image.Clone(); Random rnd new Random(); foreach (var detection in results) { // 为每个类别生成一个随机但固定的颜色 int labelIndex Array.IndexOf(_cocoLabels, detection.Label); var color Scalar.FromRgb(rnd.Next(256), rnd.Next(256), rnd.Next(256)); // 绘制矩形框 var rect detection.BoundingBox; Cv2.Rectangle(resultImage, new Point((int)rect.X, (int)rect.Y), new Point((int)(rect.X rect.Width), (int)(rect.Y rect.Height)), color, 2); // 准备标签文本 string labelText ${detection.Label}: {detection.Confidence:F2}; // 计算文本大小和背景矩形 int baseline 0; var textSize Cv2.GetTextSize(labelText, HersheyFonts.HersheySimplex, 0.5, 1, out baseline); Cv2.Rectangle(resultImage, new Point((int)rect.X, (int)rect.Y - textSize.Height - 5), new Point((int)rect.X textSize.Width, (int)rect.Y), color, -1); // -1 表示填充 // 绘制文本 Cv2.PutText(resultImage, labelText, new Point((int)rect.X, (int)rect.Y - 5), HersheyFonts.HersheySimplex, 0.5, Scalar.White, 1); } return resultImage; }7. 第四阶段运行与验证现在我们创建一个主程序来使用这个预测器。7.1 控制台应用测试// Program.cs using OpenCvSharp; namespace YoloV8CSharpDemo { internal class Program { static void Main(string[] args) { // 1. 指定模型路径 (确保yolov8m.onnx已复制到输出目录) string modelPath Assets\Models\yolov8m.onnx; // 或使用相对路径 ./yolov8m.onnx // 2. 创建预测器 using var predictor new YoloV8Predictor(modelPath); // 3. 加载测试图片 string imagePath test.jpg; // 替换为你的图片路径 if (!File.Exists(imagePath)) { Console.WriteLine($测试图片不存在: {imagePath}); Console.WriteLine(请准备一张包含常见物体如人、车的图片并命名为test.jpg放在程序目录下。); return; } using var image Cv2.ImRead(imagePath); if (image.Empty()) { Console.WriteLine(无法加载图片); return; } Console.WriteLine($开始推理图片尺寸: {image.Width}x{image.Height}); // 4. 执行预测并计时 var stopwatch System.Diagnostics.Stopwatch.StartNew(); var results predictor.Predict(image, confidenceThreshold: 0.5f); stopwatch.Stop(); Console.WriteLine($推理完成耗时: {stopwatch.ElapsedMilliseconds} ms); Console.WriteLine($检测到 {results.Count} 个目标); foreach (var result in results) { Console.WriteLine($ - {result.Label} ({result.Confidence:P0}) at [{result.BoundingBox.X:F0}, {result.BoundingBox.Y:F0}, {result.BoundingBox.Width:F0}, {result.BoundingBox.Height:F0}]); } // 5. 绘制并保存结果 using var resultImage predictor.DrawPredictions(image, results); string outputPath result.jpg; Cv2.ImWrite(outputPath, resultImage); Console.WriteLine($结果已保存至: {outputPath}); // 6. (可选) 显示图片 Cv2.ImShow(Detection Result, resultImage); Cv2.WaitKey(0); // 等待按键 Cv2.DestroyAllWindows(); } } }7.2 集成到WinForm/WPF中在WinForm中你可以将结果显示在PictureBox控件中在WPF中可以使用Image控件。核心逻辑与上述控制台程序完全一致只需将图像加载、结果显示部分替换为UI线程操作。你甚至可以开启一个后台线程从工业相机SDK如海康、大华实时获取帧并调用Predict方法实现真正的实时工业检测系统。8. 常见问题与排查思路在实际运行中你可能会遇到以下问题。这里提供一份快速排查清单。问题现象可能原因排查方式解决方案运行时错误找不到模型文件1. 模型文件路径错误。2. 文件未设置为“复制到输出目录”。检查modelPath字符串使用绝对路径或确认相对路径正确。在输出目录bin\Debug\net8.0下查看是否存在.onnx文件。在VS中右键模型文件 - 属性 - 复制到输出目录始终复制/如果较新则复制。错误System.BadImageFormatExceptionONNX Runtime的CPU/GPU版本与系统架构不匹配。常见于64位应用加载了32位原生库。确认项目目标平台是x64或Any CPU并取消“首选32位”。在项目属性 - 生成 - 目标平台选择x64。推理结果为空或完全错误1. 图像预处理错误颜色通道、归一化、尺寸。2. 模型输入输出名称不匹配。3. 后处理坐标转换错误。1. 打印预处理后张量的部分值确认范围在[0,1]。2. 使用Netron工具打开.onnx文件确认输入名是否为images输出名是否为output0。3. 检查坐标映射计算逻辑。严格按照本文的预处理和后处理代码。使用Netron验证模型结构。内存泄漏内存持续增长Mat或Tensor对象未正确释放。确保所有Mat和实现了IDisposable的对象都在using语句中或手动调用.Dispose()。使用using语句包裹临时Mat对象。确保YoloV8Predictor实现了IDisposable并释放_session。推理速度非常慢1. 使用CPU版本且图片过大。2. 未启用多线程推理。1. 使用性能分析工具查看热点。2. 检查CPU占用。1. 考虑安装GPU版本 (Microsoft.ML.OnnxRuntime.Gpu)。2. 在SessionOptions中设置线程数options.IntraOpNumThreads Environment.ProcessorCount;。在WinForm/WPF中UI卡死在主UI线程执行耗时的推理操作。观察界面是否无响应。将推理代码放入Task.Run或后台线程中执行并通过Invoke将结果更新回UI。9. 最佳实践与进阶建议当你成功跑通基础Demo后以下建议可以帮助你将这个方案应用到真实的工业项目中。模型选择与优化模型尺寸YOLOv8提供n, s, m, l, x不同尺寸的模型在精度和速度间权衡。工业场景通常使用yolov8s或yolov8m。自定义训练使用自己的数据集训练模型以检测特定缺陷或零件。Ultralytics提供了简单的训练API训练后同样可导出为ONNX。模型量化使用ONNX Runtime的量化工具将FP32模型转换为INT8模型可以大幅提升推理速度通常2-3倍对CPU尤其友好精度损失通常很小。性能优化批处理如果一次处理多张图片可以使用批处理模式。在导出模型时将输入维度设置为batchsize, 3, 640, 640如-1, 3, 640, 640表示动态批次。异步处理对于视频流或相机流使用生产者-消费者模式一个线程负责抓取帧另一个线程池负责推理避免掉帧。缓存会话InferenceSession的创建开销较大应作为单例或长时间存活的对象。工程化与部署配置化管理将模型路径、置信度阈值、IOU阈值等参数放在appsettings.json中便于不同环境切换。日志与监控记录每次推理的耗时、检测到的目标数量便于性能监控和问题排查。异常处理对图像加载失败、模型推理失败等场景做好异常捕获和降级处理如返回空结果或使用上一次有效结果。依赖打包发布时确保目标机器已安装相应的VC运行时ONNX Runtime依赖。或者考虑使用独立部署。扩展到工业场景与相机SDK集成将上述Predict方法嵌入到海康、大华、Basler等相机SDK的回调函数中实现实时流分析。结果上报将检测结果如缺陷类型、位置通过MQTT、OPC UA或数据库接口上报给MES制造执行系统或SCADA监控与数据采集系统。触发与控制根据检测结果通过串口、网口发送指令控制机械臂、PLC或打标机进行分拣、剔除或标记。通过本文的步骤你已经掌握了将最先进的目标检测模型YOLOv8无缝集成到C#应用中的核心技能。这条技术路径清晰、直接极大地降低了C#开发者进入AI视觉应用的门槛。接下来你可以尝试使用自己的数据训练一个定制模型或者将其集成到现有的生产线软件中解决一个具体的质检或识别问题。真正的价值始于将技术应用于实际场景的那一刻。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
C#集成YOLOv8目标检测：基于ONNX Runtime的端到端部署实战
发布时间：2026/7/5 11:34:28
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度如果你是一名C#开发者正在寻找一种简单、高效且能直接集成到现有WinForm/WPF项目中的目标检测方案那么这篇文章就是为你准备的。过去想在C#里跑AI模型尤其是像YOLOv8这样的前沿目标检测模型听起来像是一个“不可能的任务”。常见的路径是用Python训练模型然后通过复杂的HTTP服务、gRPC或者进程间通信与C#程序交互。这套方案不仅架构复杂、延迟高还引入了额外的运维成本和故障点。对于工业质检、安防监控、智能零售等需要实时处理和高可靠性的场景这种“拼接”方案往往捉襟见肘。这篇文章的核心判断是通过ONNX Runtime将YOLOv8模型直接部署到C#应用程序中是当前C#开发者集成AI能力最直接、最高效的路径没有之一。它彻底绕开了语言壁垒让C#程序能像调用本地库一样直接运行深度学习模型实现真正的端到端集成。你可能会担心这会不会很难需要精通深度学习框架吗需要复杂的C/CLI封装吗答案是完全不需要。整个过程清晰、标准化核心代码可能不超过200行。本文将带你从零开始在30分钟内将一个预训练的YOLOv8模型集成到你的C#项目中并完成图片和视频流的实时检测。我们将聚焦于最实用的工业级部署流程避开学术研究的细枝末节直击工程实现的核心。1. 为什么C#开发者现在必须关注YOLOv8与ONNX Runtime在深入代码之前我们需要先理解这个技术组合解决了什么根本问题以及为什么它现在变得如此可行。传统C# AI集成的痛点技术栈割裂AI模型用PythonPyTorch/TensorFlow业务应用用C#。开发者需要维护两套环境、两种语言团队协作成本高。性能瓶颈进程间通信IPC或网络调用HTTP/gRPC会带来显著的延迟对于需要30FPS甚至60FPS实时处理的工业视觉应用这是不可接受的。部署复杂需要分别部署Python服务和C#应用增加了系统复杂度与故障风险。资源浪费两套运行时Python解释器与.NET CLR并存内存和CPU开销更大。ONNX Runtime带来的范式转变ONNXOpen Neural Network Exchange是一个开放的模型格式标准。ONNX Runtime是一个高性能推理引擎支持在多种平台和语言包括C#上直接运行ONNX模型。它的价值在于跨语言模型一旦转换为ONNX格式就可以被C、C#、Python、Java等多种语言直接调用打破了Python的垄断。高性能针对不同硬件CPU/GPU进行了深度优化推理速度往往优于原框架。轻量级作为一个本地库NuGet包引入无需部署完整的Python环境。YOLOv8的优势YOLOv8是Ultralytics公司推出的最新一代目标检测模型在精度和速度上取得了很好的平衡。对于C#开发者而言它的一个巨大优点是官方提供了极其便捷的模型导出功能可以一键导出为ONNX格式且导出的模型对输入输出的处理非常规范大大降低了后续集成的难度。因此“YOLOv8 ONNX Runtime C#”这个技术栈完美地将前沿的AI检测能力与成熟的C#工业开发生态融合在一起。你不再需要成为深度学习专家只需要遵循标准的工程化步骤就能将强大的视觉AI能力变为自己应用程序中的几行代码。2. 核心概念与工作流程全景图在动手之前让我们快速厘清几个关键概念和整个工作流程确保你不仅知道怎么做还知道为什么这么做。核心概念解析YOLOv8模型一个“.pt”文件包含了训练好的神经网络权重和结构。我们无法直接在C#中使用它。ONNX格式一个“.onnx”文件是一种开放的、与框架无关的模型表示格式。它是我们转换的目标。ONNX Runtime一个运行时引擎以NuGet包Microsoft.ML.OnnxRuntime或Microsoft.ML.OnnxRuntime.Gpu的形式提供。它负责加载.onnx文件并在C#中执行模型推理。推理Inference指将输入数据如图片喂给模型并得到输出结果如边界框、类别、置信度的过程。端到端工作流程整个流程可以分为清晰的四个阶段下图展示了从模型准备到C#集成的完整路径flowchart TD A[开始: Python环境br与YOLOv8] -- B[阶段一: 模型准备br导出YOLOv8为ONNX格式] B -- C{阶段二: 环境搭建br创建C#项目并引入依赖} C -- D[安装ONNX Runtime NuGet包] C -- E[安装图像处理库br如 OpenCvSharp] D E -- F[阶段三: 核心代码实现] subgraph F [核心代码实现] F1[图像预处理br缩放/归一化/转Tensor] -- F2[创建推理会话brInferenceSession] F2 -- F3[执行模型推理brsession.Run] F3 -- F4[输出后处理br解析边框/过滤/画图] end F -- G[阶段四: 运行与验证br在WinForm/WPF中显示结果] G -- H[完成: 集成YOLOv8的brC#工业检测应用]接下来我们将严格按照这个流程一步步实现它。3. 环境准备你需要准备什么工欲善其事必先利其器。以下是完成本教程所需的全部环境大部分都是标准的C#开发配置。3.1 开发环境操作系统Windows 10/1164位。本文以Windows为例ONNX Runtime同样支持Linux和macOS。IDEVisual Studio 2022。社区版即可。确保安装了“.NET桌面开发”工作负载。.NET版本.NET 6.0 或 .NET 8.0推荐。我们创建控制台应用或WinForms/WPF应用均可。3.2 Python环境仅用于模型导出Python3.8或3.9版本。这是转换模型唯一需要Python的地方。Ultralytics库用于导出YOLOv8模型。在命令行中安装pip install ultralyticsONNX可选但建议安装用于验证模型。pip install onnx3.3 预训练模型我们将使用YOLOv8官方预训练模型无需自己训练。你可以从Ultralytics官网下载但更简单的方式是让代码自动下载。我们这里以中等尺寸的yolov8m.pt为例。4. 第一阶段模型准备与导出这是整个流程中唯一需要接触Python的步骤非常简单。创建导出脚本新建一个Python文件例如export_yolov8_to_onnx.py。编写导出代码from ultralytics import YOLO # 加载预训练的YOLOv8模型 # 首次运行会自动从官网下载 yolov8m.pt model YOLO(yolov8m.pt) # 导出模型为ONNX格式 # imgsz: 指定模型输入图片的尺寸必须是32的倍数常用640 # opset: ONNX算子集版本12或更高版本兼容性较好 # simplify: 是否应用onnx-simplifier简化模型推荐True success model.export(formatonnx, imgsz640, opset12, simplifyTrue) if success: print(模型导出成功生成文件yolov8m.onnx) else: print(模型导出失败)运行脚本python export_yolov8_to_onnx.py运行成功后你会在当前目录下得到yolov8m.onnx文件。这个文件就是我们后续在C#中需要使用的核心模型文件。关键参数解释imgsz640模型固定输入尺寸为640x640。无论原始图片多大都需要先缩放到这个尺寸。simplifyTrue对计算图进行优化移除冗余算子有时能提升推理速度强烈建议开启。至此Python的任务就完成了。将生成的yolov8m.onnx文件复制到你的C#项目目录下例如Assets/Models/。5. 第二阶段创建C#项目与配置环境现在我们回到熟悉的Visual Studio。创建新项目打开VS2022新建一个“控制台应用”或“Windows窗体应用(.NET)”项目名称如YoloV8CSharpDemo。添加NuGet包依赖通过NuGet包管理器为项目安装以下两个核心库Microsoft.ML.OnnxRuntime这是ONNX Runtime的CPU版本推理引擎。如果你有NVIDIA GPU并希望使用GPU加速可以安装Microsoft.ML.OnnxRuntime.Gpu但需要额外配置CUDA和cuDNN本文为简化使用CPU版本。OpenCvSharp4和OpenCvSharp4.runtime.win这是OpenCV的C#封装用于图像的加载、缩放、色彩转换和结果绘制。它是处理计算机视觉任务的事实标准。 在“程序包管理器控制台”中运行Install-Package Microsoft.ML.OnnxRuntime Install-Package OpenCvSharp4 Install-Package OpenCvSharp4.runtime.win添加模型文件将上一步导出的yolov8m.onnx文件添加到项目中。右键项目 - 添加 - 现有项选择该文件。在属性面板中将其“复制到输出目录”设置为“如果较新则复制”。这样在编译后模型文件会自动出现在可执行文件旁边。6. 第三阶段核心代码实现与逐行解析这是最核心的部分。我们将创建一个YoloV8Predictor类来封装所有推理逻辑。请跟随注释仔细理解每一步。6.1 定义模型元数据和数据结构首先我们定义一些常量和管理检测结果的类。// YoloV8Predictor.cs using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; using OpenCvSharp; using System.Drawing; namespace YoloV8CSharpDemo { // 记录单次检测的结果 public class DetectionResult { public RectangleF BoundingBox { get; set; } // 边界框 (X, Y, Width, Height)比例坐标 public string Label { get; set; } // 类别标签如 person, car public float Confidence { get; set; } // 置信度 (0~1) } public class YoloV8Predictor : IDisposable { // 模型固定输入尺寸 (必须与导出时设置的imgsz一致) private const int _imageSize 640; // COCO数据集的80个类别名称 (YOLOv8预训练模型使用此数据集) private static readonly string[] _cocoLabels { person, bicycle, car, motorcycle, airplane, bus, train, truck, boat, traffic light, fire hydrant, stop sign, parking meter, bench, bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe, backpack, umbrella, handbag, tie, suitcase, frisbee, skis, snowboard, sports ball, kite, baseball bat, baseball glove, skateboard, surfboard, tennis racket, bottle, wine glass, cup, fork, knife, spoon, bowl, banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake, chair, couch, potted plant, bed, dining table, toilet, tv, laptop, mouse, remote, keyboard, cell phone, microwave, oven, toaster, sink, refrigerator, book, clock, vase, scissors, teddy bear, hair drier, toothbrush }; private InferenceSession _session; private bool _disposed false; // 构造函数加载ONNX模型创建推理会话 public YoloV8Predictor(string modelPath) { // SessionOptions可以配置线程数、执行引擎等。对于CPU使用默认值即可。 var options new SessionOptions(); _session new InferenceSession(modelPath, options); } } }6.2 图像预处理将图片转换为模型需要的张量模型输入需要是固定尺寸、归一化后的张量。这是最容易出错的一步。// 在YoloV8Predictor类中添加方法 private float[] PreprocessImage(Mat image) { // 1. 将BGR图像转换为RGB (OpenCV默认是BGR模型需要RGB) Mat rgbImage new Mat(); Cv2.CvtColor(image, rgbImage, ColorConversionCodes.BGR2RGB); // 2. 调整图像大小至640x640并使用填充(padding)保持宽高比 int maxSize _imageSize; int height rgbImage.Height; int width rgbImage.Width; // 计算缩放比例 float scale Math.Min((float)maxSize / width, (float)maxSize / height); int newWidth (int)(width * scale); int newHeight (int)(height * scale); // 缩放图像 Mat resized new Mat(); Cv2.Resize(rgbImage, resized, new Size(newWidth, newHeight)); // 3. 创建一张640x640的灰色画布并将缩放后的图像置于中央 Mat padded new Mat(maxSize, maxSize, MatType.CV_8UC3, new Scalar(114, 114, 114)); // 灰色填充 int dx (maxSize - newWidth) / 2; int dy (maxSize - newHeight) / 2; Rect roi new Rect(dx, dy, newWidth, newHeight); resized.CopyTo(padded[roi]); // 4. 将图像数据从HWC [640,640,3] 转换为CHW [3,640,640] 格式并归一化到[0,1] float[] inputTensor new float[3 * maxSize * maxSize]; for (int c 0; c 3; c) { for (int h 0; h maxSize; h) { for (int w 0; w maxSize; w) { // 获取像素值 (0~255) 并归一化 inputTensor[c * maxSize * maxSize h * maxSize w] padded.AtVec3b(h, w)[c] / 255.0f; } } } // 释放临时Mat对象避免内存泄漏 rgbImage.Dispose(); resized.Dispose(); padded.Dispose(); return inputTensor; }6.3 执行推理与后处理模型输出是8400个预测框对于640输入我们需要从中筛选出有效的检测结果。// 在YoloV8Predictor类中添加方法 public ListDetectionResult Predict(Mat image, float confidenceThreshold 0.5f, float iouThreshold 0.5f) { // 1. 预处理图像 float[] inputData PreprocessImage(image); var inputTensor new DenseTensorfloat(inputData, new[] { 1, 3, _imageSize, _imageSize }); // 2. 准备输入容器 var inputs new ListNamedOnnxValue { NamedOnnxValue.CreateFromTensor(images, inputTensor) }; // 3. 执行模型推理 using IDisposableReadOnlyCollectionDisposableNamedOnnxValue results _session.Run(inputs); // 4. 获取输出数据 (YOLOv8 ONNX模型输出名为output0) var outputTensor results.First().AsTensorfloat(); var data outputTensor.ToArray(); // 5. 解析输出维度 [1, 84, 8400] // 84 4(bbox) 80(class probabilities) int dimensions 84; // cx, cy, w, h 80个类别的分数 int numPredictions outputTensor.Dimensions[2]; // 8400 var detections new ListDetectionResult(); // 6. 遍历所有预测框 for (int i 0; i numPredictions; i) { // 获取该预测框的84维向量 float[] prediction new float[dimensions]; Array.Copy(data, i * dimensions, prediction, 0, dimensions); // 找到最大类别置信度及其索引 float maxConfidence 0; int maxIndex 0; for (int j 4; j dimensions; j) { if (prediction[j] maxConfidence) { maxConfidence prediction[j]; maxIndex j - 4; } } // 7. 应用置信度阈值过滤 if (maxConfidence confidenceThreshold) continue; // 8. 解析边界框 (cx, cy, w, h) 是相对于640x640输入的比例坐标 float cx prediction[0]; float cy prediction[1]; float width prediction[2]; float height prediction[3]; // 转换为左上角坐标 (x1, y1) 和右下角坐标 (x2, y2)比例坐标 float x1 (cx - width / 2); float y1 (cy - height / 2); float x2 (cx width / 2); float y2 (cy height / 2); // 9. 将比例坐标转换回原始图像坐标 // 注意预处理时我们进行了缩放和填充需要逆向计算 int origHeight image.Height; int origWidth image.Width; float scale Math.Min((float)_imageSize / origWidth, (float)_imageSize / origHeight); int newWidth (int)(origWidth * scale); int newHeight (int)(origHeight * scale); int dx (_imageSize - newWidth) / 2; int dy (_imageSize - newHeight) / 2; // 从填充画布坐标映射回原始图像坐标 x1 Math.Max(0, (x1 - dx) / scale); y1 Math.Max(0, (y1 - dy) / scale); x2 Math.Min(origWidth, (x2 - dx) / scale); y2 Math.Min(origHeight, (y2 - dy) / scale); float boxWidth x2 - x1; float boxHeight y2 - y1; // 确保边界框有效 if (boxWidth 0 || boxHeight 0) continue; detections.Add(new DetectionResult { BoundingBox new RectangleF(x1, y1, boxWidth, boxHeight), Label _cocoLabels[maxIndex], Confidence maxConfidence }); } // 10. 应用非极大值抑制(NMS)过滤重叠框 return ApplyNonMaxSuppression(detections, iouThreshold); } // 非极大值抑制实现 private ListDetectionResult ApplyNonMaxSuppression(ListDetectionResult detections, float iouThreshold) { // 按置信度降序排序 var sortedDetections detections.OrderByDescending(d d.Confidence).ToList(); var selected new ListDetectionResult(); while (sortedDetections.Any()) { // 取出置信度最高的检测框 var current sortedDetections[0]; selected.Add(current); sortedDetections.RemoveAt(0); // 计算与剩余框的IoU移除重叠度高的 sortedDetections sortedDetections.Where(d CalculateIoU(current.BoundingBox, d.BoundingBox) iouThreshold ).ToList(); } return selected; } // 计算两个矩形框的交并比(IoU) private float CalculateIoU(RectangleF boxA, RectangleF boxB) { float x1 Math.Max(boxA.Left, boxB.Left); float y1 Math.Max(boxA.Top, boxB.Top); float x2 Math.Min(boxA.Right, boxB.Right); float y2 Math.Min(boxA.Bottom, boxB.Bottom); float interArea Math.Max(0, x2 - x1) * Math.Max(0, y2 - y1); float boxAArea boxA.Width * boxA.Height; float boxBArea boxB.Width * boxB.Height; return interArea / (boxAArea boxBArea - interArea); }6.4 绘制检测结果最后我们添加一个工具方法来将检测结果可视化在图片上。// 在YoloV8Predictor类中添加方法 public Mat DrawPredictions(Mat image, ListDetectionResult results) { Mat resultImage image.Clone(); Random rnd new Random(); foreach (var detection in results) { // 为每个类别生成一个随机但固定的颜色 int labelIndex Array.IndexOf(_cocoLabels, detection.Label); var color Scalar.FromRgb(rnd.Next(256), rnd.Next(256), rnd.Next(256)); // 绘制矩形框 var rect detection.BoundingBox; Cv2.Rectangle(resultImage, new Point((int)rect.X, (int)rect.Y), new Point((int)(rect.X rect.Width), (int)(rect.Y rect.Height)), color, 2); // 准备标签文本 string labelText ${detection.Label}: {detection.Confidence:F2}; // 计算文本大小和背景矩形 int baseline 0; var textSize Cv2.GetTextSize(labelText, HersheyFonts.HersheySimplex, 0.5, 1, out baseline); Cv2.Rectangle(resultImage, new Point((int)rect.X, (int)rect.Y - textSize.Height - 5), new Point((int)rect.X textSize.Width, (int)rect.Y), color, -1); // -1 表示填充 // 绘制文本 Cv2.PutText(resultImage, labelText, new Point((int)rect.X, (int)rect.Y - 5), HersheyFonts.HersheySimplex, 0.5, Scalar.White, 1); } return resultImage; }7. 第四阶段运行与验证现在我们创建一个主程序来使用这个预测器。7.1 控制台应用测试// Program.cs using OpenCvSharp; namespace YoloV8CSharpDemo { internal class Program { static void Main(string[] args) { // 1. 指定模型路径 (确保yolov8m.onnx已复制到输出目录) string modelPath Assets\Models\yolov8m.onnx; // 或使用相对路径 ./yolov8m.onnx // 2. 创建预测器 using var predictor new YoloV8Predictor(modelPath); // 3. 加载测试图片 string imagePath test.jpg; // 替换为你的图片路径 if (!File.Exists(imagePath)) { Console.WriteLine($测试图片不存在: {imagePath}); Console.WriteLine(请准备一张包含常见物体如人、车的图片并命名为test.jpg放在程序目录下。); return; } using var image Cv2.ImRead(imagePath); if (image.Empty()) { Console.WriteLine(无法加载图片); return; } Console.WriteLine($开始推理图片尺寸: {image.Width}x{image.Height}); // 4. 执行预测并计时 var stopwatch System.Diagnostics.Stopwatch.StartNew(); var results predictor.Predict(image, confidenceThreshold: 0.5f); stopwatch.Stop(); Console.WriteLine($推理完成耗时: {stopwatch.ElapsedMilliseconds} ms); Console.WriteLine($检测到 {results.Count} 个目标); foreach (var result in results) { Console.WriteLine($ - {result.Label} ({result.Confidence:P0}) at [{result.BoundingBox.X:F0}, {result.BoundingBox.Y:F0}, {result.BoundingBox.Width:F0}, {result.BoundingBox.Height:F0}]); } // 5. 绘制并保存结果 using var resultImage predictor.DrawPredictions(image, results); string outputPath result.jpg; Cv2.ImWrite(outputPath, resultImage); Console.WriteLine($结果已保存至: {outputPath}); // 6. (可选) 显示图片 Cv2.ImShow(Detection Result, resultImage); Cv2.WaitKey(0); // 等待按键 Cv2.DestroyAllWindows(); } } }7.2 集成到WinForm/WPF中在WinForm中你可以将结果显示在PictureBox控件中在WPF中可以使用Image控件。核心逻辑与上述控制台程序完全一致只需将图像加载、结果显示部分替换为UI线程操作。你甚至可以开启一个后台线程从工业相机SDK如海康、大华实时获取帧并调用Predict方法实现真正的实时工业检测系统。8. 常见问题与排查思路在实际运行中你可能会遇到以下问题。这里提供一份快速排查清单。问题现象可能原因排查方式解决方案运行时错误找不到模型文件1. 模型文件路径错误。2. 文件未设置为“复制到输出目录”。检查modelPath字符串使用绝对路径或确认相对路径正确。在输出目录bin\Debug\net8.0下查看是否存在.onnx文件。在VS中右键模型文件 - 属性 - 复制到输出目录始终复制/如果较新则复制。错误System.BadImageFormatExceptionONNX Runtime的CPU/GPU版本与系统架构不匹配。常见于64位应用加载了32位原生库。确认项目目标平台是x64或Any CPU并取消“首选32位”。在项目属性 - 生成 - 目标平台选择x64。推理结果为空或完全错误1. 图像预处理错误颜色通道、归一化、尺寸。2. 模型输入输出名称不匹配。3. 后处理坐标转换错误。1. 打印预处理后张量的部分值确认范围在[0,1]。2. 使用Netron工具打开.onnx文件确认输入名是否为images输出名是否为output0。3. 检查坐标映射计算逻辑。严格按照本文的预处理和后处理代码。使用Netron验证模型结构。内存泄漏内存持续增长Mat或Tensor对象未正确释放。确保所有Mat和实现了IDisposable的对象都在using语句中或手动调用.Dispose()。使用using语句包裹临时Mat对象。确保YoloV8Predictor实现了IDisposable并释放_session。推理速度非常慢1. 使用CPU版本且图片过大。2. 未启用多线程推理。1. 使用性能分析工具查看热点。2. 检查CPU占用。1. 考虑安装GPU版本 (Microsoft.ML.OnnxRuntime.Gpu)。2. 在SessionOptions中设置线程数options.IntraOpNumThreads Environment.ProcessorCount;。在WinForm/WPF中UI卡死在主UI线程执行耗时的推理操作。观察界面是否无响应。将推理代码放入Task.Run或后台线程中执行并通过Invoke将结果更新回UI。9. 最佳实践与进阶建议当你成功跑通基础Demo后以下建议可以帮助你将这个方案应用到真实的工业项目中。模型选择与优化模型尺寸YOLOv8提供n, s, m, l, x不同尺寸的模型在精度和速度间权衡。工业场景通常使用yolov8s或yolov8m。自定义训练使用自己的数据集训练模型以检测特定缺陷或零件。Ultralytics提供了简单的训练API训练后同样可导出为ONNX。模型量化使用ONNX Runtime的量化工具将FP32模型转换为INT8模型可以大幅提升推理速度通常2-3倍对CPU尤其友好精度损失通常很小。性能优化批处理如果一次处理多张图片可以使用批处理模式。在导出模型时将输入维度设置为batchsize, 3, 640, 640如-1, 3, 640, 640表示动态批次。异步处理对于视频流或相机流使用生产者-消费者模式一个线程负责抓取帧另一个线程池负责推理避免掉帧。缓存会话InferenceSession的创建开销较大应作为单例或长时间存活的对象。工程化与部署配置化管理将模型路径、置信度阈值、IOU阈值等参数放在appsettings.json中便于不同环境切换。日志与监控记录每次推理的耗时、检测到的目标数量便于性能监控和问题排查。异常处理对图像加载失败、模型推理失败等场景做好异常捕获和降级处理如返回空结果或使用上一次有效结果。依赖打包发布时确保目标机器已安装相应的VC运行时ONNX Runtime依赖。或者考虑使用独立部署。扩展到工业场景与相机SDK集成将上述Predict方法嵌入到海康、大华、Basler等相机SDK的回调函数中实现实时流分析。结果上报将检测结果如缺陷类型、位置通过MQTT、OPC UA或数据库接口上报给MES制造执行系统或SCADA监控与数据采集系统。触发与控制根据检测结果通过串口、网口发送指令控制机械臂、PLC或打标机进行分拣、剔除或标记。通过本文的步骤你已经掌握了将最先进的目标检测模型YOLOv8无缝集成到C#应用中的核心技能。这条技术路径清晰、直接极大地降低了C#开发者进入AI视觉应用的门槛。接下来你可以尝试使用自己的数据训练一个定制模型或者将其集成到现有的生产线软件中解决一个具体的质检或识别问题。真正的价值始于将技术应用于实际场景的那一刻。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
 （geometry及与frameGeometry的区别）)
