Snet.Yolo.Server 26.110.1

<h1 align="center">VisualIdentity</h1>

<p align="center"> <img width="120" height="120" src="https://api.shunnet.top/pic/nuget.png" alt="Snet Logo"/> </p>

<p align="center"> <b>基于 .NET 10 Yolo 多模型智能识别平台</b> </p>

<p align="center">

<img src="https://img.shields.io/badge/.NET-8.0-blue"/> <img src="https://img.shields.io/badge/.NET-10.0-blue"/> <img src="https://img.shields.io/badge/license-MIT-green"/> <img src="https://img.shields.io/github/stars/shunnet/VisualIdentity?style=social"/>

</p>

<p align="center"> 高效 · 灵活 · 易部署 </p>

<p align="center"> <a href="https://shunnet.top"><b>🌐 官方网站</b></a> · <a href="https://github.com/shunnet/VisualIdentity"><b>📦 GitHub</b></a> <a href="https://shunnet.top/EaiUj"><b>🎬 演示视频</b></a> </p>

🌟 项目简介

在 AI 应用落地 的过程中，模型管理 与 多任务识别 一直是开发者的痛点。
无论是 检测、分类、分割、姿态估计、定向检测，往往都需要同时部署多个模型，传统方案在 效率 和 易用性 上总会遇到瓶颈。

VisualIdentity 正是为了解决这一系列问题而生。
它结合了 .NET 10 的现代化能力、YoloDotNet 的高性能推理、以及 SQLite 的轻量级管理，为开发者提供一个 开箱即用 的智能识别平台。

✅ 多模型管理
✅ 单机多任务识别
✅ 跨平台部署

🎯 应用场景

• 🏭 工业质检：瑕疵检测、异物识别
• 🛒 零售分析：顾客行为、货架检测
• 🛡️ 智能安防：异常行为、姿态识别
• 🎓 科研教育：多模型实验平台
• 🌐 边缘计算：轻量化部署到嵌入式或服务器

💡 ONNX 模型导出要求

• 对于YOLOv26，导出时 opset=18
• 对于YOLOv5u–YOLOv12，导出时 opset=17

[!重要] 使用正确的作集确保与 ONNX 运行时的最佳兼容性和性能。 有关如何将模型导出到 ONNX 的更多信息，请参见 https://docs.ultralytics.com/modes/export/

示例导出命令（Ultralytics CLI）:

# For YOLOv5u–YOLOv12 (opset 17)
yolo export model=yolov8n.pt format=onnx opset=17

# For YOLOv26 (opset 18)
yolo export model=yolo26n.pt format=onnx opset=18

📦 NuGet 安装

dotnet add package Snet.Yolo.Server

（选择下方一项）
# CPU
dotnet add package YoloDotNet.ExecutionProvider.Cpu
# 硬件
dotnet add package YoloDotNet.ExecutionProvider.Cuda
dotnet add package YoloDotNet.ExecutionProvider.OpenVino
dotnet add package YoloDotNet.ExecutionProvider.CoreML
dotnet add package YoloDotNet.ExecutionProvider.DirectML

💡 调用示例

using SkiaSharp;
using Snet.Model.data;
using Snet.Yolo.Server;
using Snet.Yolo.Server.handler;
using Snet.Yolo.Server.models.data;
using Snet.Yolo.Server.models.@enum;
using YoloDotNet.ExecutionProvider.Cpu;
using YoloDotNet.Extensions;
using YoloDotNet.Models;

namespace Snet.Yolo.Test
{
    internal class Program
    {
        static async Task Main(string[] args)
        {
            //????? 为对应数据

            // 原始图片路径
            string imagePath = "?????";

            //模型路径
            string onnxModel = "?????";

            //识别类型
            OnnxType onnxType = OnnxType.ObjectDetection;

            //直接调用库来进行本地识别操作
            using SKImage image2 = SKImage.FromEncodedData(imagePath);

            // 调用识别
            OperateResult operateResult = await IdentityOperate.Instance(new Yolo.Server.models.data.IdentityData
            {
                Hardware = new CpuExecutionProvider(onnxModel),  //使用CPU进行运算
                IdentifyType = onnxType,
                SN = $"{onnxType}{onnxModel}"
            }).RunAsync(new ObjectDetectionData
            {
                Confidence = 0.23,
                Iou = 0.7,
                File = image2.Encode().ToArray()
            });

            // 转换结果
            List<ObjectDetection> results2 = operateResult.GetObjectDetectionResult().ToObjectDetection();

            //绘制结果
            using SKBitmap resultImage2 = image2.Draw(results2);

        }
    }
}

⚙️ 功能特性

🔹 多模型管理

• 支持 增 / 删 / 改 / 查
• 模型 版本化 & 快速切换
• 一机多模型轻松维护

🔹 单机多任务流畅运行

• 支持 检测 / OBB 定向检测 / 分类 / 分割 / 姿态估计
• 基于 YoloDotNet 高速推理内核
• 零配置，一键运行

🔹 跨平台 & 部署友好

• 支持 Windows / Linux / Docker 部署
• 提供轻量化配置，适配 边缘设备 & 服务器
• 开箱即用，降低开发门槛

📚 依赖组件

Snet.DB

• 集成 Dapper & SqlSugarCore
• 支持高性能 SQL 映射与链式查询
• 自动建表，高效开发
• 保持轻量同时，具备 生产级性能

YoloDotNet

• 适用于.NET的、超快速的、可投入生产的YOLO推理
• YoloDotNet 是一个模块化、轻量级的C#库，用于实现实时计算机视觉以及.NET环境下基于YOLO的推理。

🔬 支持的任务

✅ 验证的YOLO模型

以下YOLO模型已使用YoloDotNet进行了测试和验证 官方Ultralytics导出和默认头部

⚡ 执行提供者

ℹ️ 只能引用一个执行提供程序包 混合使用不同的提供程序会导致本地运行时冲突

🙏 致谢

• 🌐 Shunnet.top
• 🔥 Ultralytics
• ⚡ YoloDotNet
• 🖥️ WpfMUI

📜 许可证

本项目基于 MIT 开源。
请阅读 LICENSE 获取完整条款。
⚠️ 软件按 “原样” 提供，作者不对使用后果承担责任。

🌍 查阅

👉 点击跳转