不用 Python 也能跑 YOLO？这个 .NET 库让我扔掉了 OpenCV

搞 CV 的 .NET 程序员，大概率都经历过这种痛苦：模型是用 Python 训练的，推理要嵌进 C# 项目里，于是开始折腾------要么起个 Python 微服务，要么引入 emgucv 这种庞然大物，部署的时候光依赖就能装半天。

2年前给大家介绍的项目：YoloDotNet 已迭代到 v4.2，两版 API 差异很大（v2 用 ImageSharp、配置平铺；v4 改为 SkiaSharp + 模块化执行提供程序）。作者的态度写在 README 第一行：No Python，No OpenCV，No magic。

它是什么

一句话：基于 .NET 8 + ONNX Runtime + SkiaSharp 的纯 C# YOLO 推理库，覆盖分类、目标检测、旋转框（OBB）检测、分割、姿态估计五类任务，图片和视频流都支持。

支持的模型谱系相当全：YOLOv5u 一直到最新的 YOLOv26，外加 YOLO-World、YOLO-E 和 RT-DETR。也就是说 Ultralytics 新出一个版本，这边基本就跟进了。

硬件加速方面做了模块化拆分，执行后端是独立的 NuGet 包：

CPU（推荐先从这个入手）
CUDA / TensorRT（TensorRT 不用单独装包，CUDA 包里带了）
OpenVINO、CoreML、DirectML

注意一个坑：执行提供程序只能装一个。混着装会导致原生运行时冲突，这点 README 里专门加了感叹号。

上手有多简单

三步：

bash 复制代码

dotnet add package YoloDotNet
dotnet add package YoloDotNet.ExecutionProvider.Cpu

然后代码就这么点：

csharp 复制代码

using SkiaSharp;
using YoloDotNet;
using YoloDotNet.Models;
using YoloDotNet.Extensions;
using YoloDotNet.ExecutionProvider.Cpu;

using var yolo = new Yolo(new YoloOptions
{
    ExecutionProvider = new CpuExecutionProvider("model.onnx")
});

using var image = SKBitmap.Decode("image.jpg");
var results = yolo.RunObjectDetection(image, confidence: 0.25, iou: 0.7);

image.Draw(results);
image.Save("result.jpg");

对比老版本（v2.x 时代用 ImageSharp 加载图像、配置项平铺在 YoloOptions 里），现在的 API 明显更规整：模型加载、执行后端、推理调用各归其位。

模型导出时注意 opset 版本：YOLOv5u~v12 用 opset=17，YOLOv26 要用 opset=18：

bash 复制代码

yolo export model=yolov8n.pt format=onnx opset=17
yolo export model=yolo26n.pt format=onnx opset=18

v4.2 的新东西，有几个挺实用

最近这个版本的更新不是凑数的，挑几个说：

ROI 区域推理------只在图像或视频流的指定区域跑检测。做监控类项目的朋友应该懂这意味着什么：一个 4K 画面只关心门口那一小块，推理量直接砍掉一大截。

结果直接导出训练数据 ------ToYoloFormat() / SaveYoloFormat() 可以把推理结果存成 YOLO 标注格式。这个对"用模型预标注、人工再修正"的数据闭环太友好了，以前这一步得自己写脚本转。

JSON 导出和轮廓点提取 ------ToJson()、SaveJson()、GetContourPoints()，分割结果想对接别的系统不用再自己序列化。

另外分割物体现在可以画边缘线，视觉上更清晰；YOLOv26 的推理执行流程也和其他任务对齐了。

一个容易被忽视的重点

README 里专门强调：推理精度不是开箱即得的。图像缩放方式、采样方法、confidence 和 IoU 阈值，这些预处理参数必须和模型训练时的配置匹配，否则结果会莫名其妙地差。作者建议调模型、比效果之前，先读仓库里的 Accuracy & Configuration Guide------这个提醒很实在，很多人踩的"同一个模型换框架就不准"的坑，根源就在这。

性能方面官方给了基准测试（/test/YoloDotNet.Benchmarks），特点是预热后延迟稳定、内存分配行为可预测，适合跑长时间在线的服务。

也得说说 license 这颗雷

YoloDotNet 本身是 MIT，随便用。但它只是个推理引擎，不带任何预训练模型，模型得自己导出。而 Ultralytics 的 YOLO 模型大多是 AGPL-3.0 或需要商业授权------商用项目务必先确认模型许可，别等产品上线了才发现合规问题。这点作者在 README 里用了 Warning 标注，算是很负责任了。

适合什么场景

按实际落地情况，这类库的典型用途：

智能监控：视频流实时检测，配合 ROI 做区域布防
工业质检：产线缺陷检测，Windows 工控机 + CUDA 的经典组合
医疗影像辅助：病灶区域初筛
体育分析：姿态估计做动作捕捉和训练分析
桌面/后端服务：不想为推理单独维护 Python 环境的场合

写在最后

这个项目最打动我的不是某个功能，而是它的工程哲学：没有隐藏预处理，没有隐式行为，执行、内存、预处理全都显式可控。对需要"行为可预测"的生产环境来说，这比跑分高几个点重要得多。

如果你正在 .NET 技术栈里做视觉相关的活，值得给个 star 试试。

项目地址 ：https://github.com/NickSwardh/YoloDotNet