1. 项目介绍
基于.NET Framework 4.8 开发的深度学习模型部署测试平台，提供了YOLO框架的主流系列模型，包括YOLOv8~v9，以及其系列下的Det、Seg、Pose、Obb、Cls等应用场景，同时支持图像与视频检测。模型部署引擎使用的是OpenVINO™、TensorRT、ONNX runtime以及OpenCV DNN，支持CPU、IGPU以及GPU多种设备推理。
其中，OpenVINO™以及TensorRT的C#接口均为自行开发，项目链接为：
OpenVINO™ C# API ：
https://github.com/guojin-yan/OpenVINO-CSharp-API.git
TensorRT C# API ：
https://github.com/guojin-yan/TensorRT-CSharp-API.git
演示视频：
C#&YOLO系列深度学习模型部署平台页面主要包括四个区域，分别为：模型选择和加载区域、推理区域、输入图像展示区域以及输出结果图像展示区域。如下图所示：
如下图所示，演示的是使用YOLOv5 Det模型的推理情况，
同样的方式，我们可以实现多种模型在不同平台的上的推理，如下图所示：
 |
 |
|---|---|
 |
 |
2. 支持模型
项目在开发时，同时开发了YOLOv5~v9以及YOLO World等YOLO系列模型，模型部署工具使用的是OpenVINO 、TensorRT 、ONNX runtime、OpenCV DNN，但有一些模型部署工具对模型的算子存在不支持情况，因此，对该项目中所使用的所有模型进行了测试，如下表所示：
| Model | OpenVINO CPU | OpenVINO GPU | TensorRT GPU | ONNX runtime CPU | ONNX runtime GPU | OpenCV DNN |
|---|---|---|---|---|---|---|
| YOLOv5 Det | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv5 Seg | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv5 Cls | ✅ | ✅ | ✅ | ✅ | ✅ | |
| YOLOv6 Det | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv7 Det | ✅ | ✅ | ✅ | ✅ | ||
| YOLOv8 Det | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv8 Seg | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv8 Pose | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv8 Obb | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv8 Cls | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLOv9 Det | ✅ | ✅ | ✅ | ✅ | ✅ | |
| YOLOv9 Seg | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| YOLO World | ✅ | ✅ | ✅ | ✅ |
3. 时间测试
在开发的模型部署平台上进行时间测试，当前的测试环境为：
- CPU：11th Intel Core i7-1165G7 2.8GHz
- IGPU：Intel Iris Xe Graphics
- GPU：NVIDIA GeForce RTX 2060
在同一环境下，对其中一些模型进行了测试，如下表所示：
| Model | OpenVINO CPU | OpenVINO IGPU | TensorRT GPU | ONNX runtime CPU | ONNX runtime GPU | OpenCV DNN |
|---|---|---|---|---|---|---|
| YOLOv5s Det | 53.78 ms | 28.84 ms | 22.95 ms | 95.68 ms | 29.22 ms | 178.53 ms |
| YOLOv5s Seg | 119.53 ms | 43.49 ms | 31.17 ms | 144.68 ms | 42.27 ms | 500.26 ms |
| YOLOv6s Det | 98.66 ms | 43.50 ms | 19.93 ms | 147.14 ms | 25.90 msd | 155.20 ms |
| YOLOv8s Det | 77.06 ms | 37.54 ms | 20.04 ms | 134.05 ms | 25.82 ms | 191.34 ms |
| YOLOv8s Seg | 105.55 ms | 48.45 ms | 25.91 ms | 200.01 ms | 37.24 ms | 532.16 ms |
通过测试结果可以看出：
- 在GPU上：使用独立显卡加速的TensorRT在推理速度上表现是十分优秀的，但使用集成显卡加速的OpenVINO其推理速度也不容小觑，如果上到英特尔的独立显卡，其推理速度应该还会有很大程度上的提升，而ONNX runtime使用独立显卡加速，其推理性能上与TensorRT相比稍逊色；
- 在CPU上，OpenVINO 的表现时十分突出的，在使用极少的CPU占用上，其推理速度已经有了很大的提升，而ONNX runtime以及OpenCV DNN占用CPU很大的情况下，其推理速度远不如OpenVINO。
4. 总结
项目源码目前已经在GitHub上开源，项目链接为：
https://github.com/guojin-yan/YoloDeployCsharp.git
各位开发者可以根据自己情况加逆行下载，并进行项目配置，其中一些内容的配置可以参考一下文章：
最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。
