DeploySharp开源发布：让C#部署深度学习模型更加简单
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：
image-20251002125042083
或者在Visual Studio的NuGet程序包中进行查找安装：
image-20251002125313962
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 Framework 4.8/DeploySharp.ImageSharp-ApplicationPlatform
桌面应用 .NET 6.0 https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/applications/.NET 6.0/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
image-20251002124851175
后续会推出更多的应用案例使用介绍，敬请关注。
7. API文档
如果想了解更多信息，可以参阅：DeploySharp API Documented
image-20251002124938166
8. 贡献
如果您对DeploySharp在C#使用感兴趣，有兴趣对开源社区做出自己的贡献，欢迎加入我们，一起开发DeploySharp。
如果你对该项目有一些想法或改进思路，欢迎联系我们，指导下我们的工作。
9. 许可证书
本项目的发布受Apache 2.0 license许可认证。