YoloDotNet快速上手指南零基础用C#跑通图像目标检测【免费下载链接】YoloDotNetYoloDotNet - A C# .NET 8.0 project for Classification, Object Detection, OBB Detection, Segmentation and Pose Estimation in both images and live video streams.项目地址: https://gitcode.com/gh_mirrors/yo/YoloDotNetYoloDotNet 是一个基于 C# .NET 8.0 的开源计算机视觉库原生支持图像分类、目标检测、OBB 旋转框检测、图像分割与姿态估计同时也能处理实时视频流。本文是一份面向纯新手的 YoloDotNet 快速上手教程不要求任何机器学习背景跟着操作就能在十几分钟内完成第一次目标检测。无论你最终是想写桌面工具、Web 服务还是做视频监控这份 YoloDotNet 入门指南都能帮你走通全流程。先回答新手最关心的三个问题它到底能做什么一句话概括给它一张图片或一段视频它就能告诉你里面有什么、在哪里。具体来说你可以用它完成这些任务目标检测框出图片里的行人、车辆、动物等物体最常用图像分类判断整张图片属于哪个类别图像分割把物体轮廓精确到像素级抠出来姿态估计识别画面里人物的关键点关节、手脚OBB 检测对倾斜物体输出带角度的旋转检测框我不会 Python 也能用吗完全没问题。YoloDotNet 整个推理链路都是纯 .NET 实现不需要 Python 运行时也不依赖 OpenCV 这类重型框架底层基于 ONNX Runtime 和 SkiaSharp。只要你熟悉基本的 C#甚至只要会抄代码改路径都能上手。上手要花多久说句实在话环境正常的话从零到跑出第一张带框的图片通常不超过十分钟。别急核心就三步——准备环境、拿到项目、跑一个 demo。动手前先把环境备齐老规矩先确认你的电脑上有 .NET 8 SDK。在终端里敲下面这条命令作用是检查 .NET 版本是否满足要求dotnet --version如果输出了类似8.x.x的版本号说明环境没问题如果提示找不到命令需要先去安装 .NET 8 SDK 再回来。另外建议装好 Git后面拉取代码要用。Windows 的 WSL、macOS 和主流 Linux 发行版都能运行本教程的全部命令。拿到代码和模型仓库自带现成的 DemoYoloDotNet 项目非常贴心仓库里已经内置了多个可直接运行的演示程序并且预置了yolov8s.onnx、yolo11s.onnx等现成的模型文件你不用自己训练模型也不用去下载大文件。先克隆仓库这条命令的作用是把项目源码下载到本地当前目录git clone https://gitcode.com/gh_mirrors/yo/YoloDotNet然后进入目标检测演示目录执行还原依赖作用是把项目引用的 NuGet 包全部拉取到位cd YoloDotNet/Demo/ObjectDetectionDemo dotnet restore整个仓库的项目结构可以参考 README.md 来了解测试模型放在test/assets/Models/目录下测试图片则在test/assets/Media/。跑第一个检测一条命令见证奇迹接下来就是最激动人心的时刻直接运行dotnet run程序会自动加载模型、处理内置测试图片并把标注好的结果图片保存到桌面上的YoloDotNet_Results文件夹。你会在终端里看到类似这样的输出Loaded ONNX Model: ObjectDetection (YOLOv26) Inference Results: 8 objects person (92.14%) person (87.56%) bus (76.30%) ...每一行代表检测到的一个物体及其置信度。打开结果图片你会看到画面里每个物体都被画上了带标签和置信度的彩色检测框。用 YoloDotNet 检测繁忙路口行人等目标被逐一识别并标记出来 小提示演示默认使用 CUDA 执行提供程序如果你的电脑没有 NVIDIA 显卡把ObjectDetectionDemo里的CudaExecutionProvider换成CpuExecutionProvider即可效果一样只是速度慢一些。别人代码看不懂逐行拆解这个 Demo跑通之后我们来读懂它到底做了什么。打开Demo/ObjectDetectionDemo/Program.cs核心逻辑其实只有四块① 初始化 Yolo 实例配置模型路径、硬件方案和图像预处理方式using var yolo new Yolo(new YoloOptions { ExecutionProvider new CpuExecutionProvider(yolov8s.onnx), ImageResize ImageResize.Proportional });② 加载测试图片YoloDotNet 使用 SkiaSharp 的SKBitmap作为图像载体using var image SKBitmap.Decode(people.jpg);③ 执行检测这是整个库最核心的一行调用。confidence是置信度阈值iou是交并比阈值用来去除重叠框var results yolo.RunObjectDetection(image, confidence: 0.25, iou: 0.7);④ 把结果画到图上并保存image.Draw(results); image.Save(result.jpg);看到没有真正的核心 API 就一个RunObjectDetection方法返回的是ListObjectDetection每个元素包含类别名、置信度和边界框坐标。库的整体 API 都集中在 Yolo.cs 里按需查阅即可。换图、换模型、换参数让检测更合你心意跑通 demo 只是开始接下来你可以做三件小事把工具调成你自己的样子。换一张测试图片把Program.cs里的图片路径换成test/assets/Media/下任意一张或者干脆换成你自己的照片重新dotnet run就行。比如换上街景图看看车辆和行人识别效果街道场景下的车辆与行人检测适合测试检测模型的泛化能力换一个模型test/assets/Models/里准备了多个版本的模型。想体验不同速度与精度的取舍只需改一行// 可选yolov8s.onnx、yolov9s.onnx、yolov10s.onnx、yolo11s.onnx、yolov12s.onnx new CpuExecutionProvider(yolo11s.onnx)调一调置信度阈值confidence默认 0.2提高它可以减少误检只保留高把握的框调低它能召回更多弱目标iou默认 0.7控制重叠框的合并力度值越大越不容易合并比如想更保守地筛选结果可以这样写var results yolo.RunObjectDetection(image, confidence: 0.5, iou: 0.7);⚠️ 注意检测精度跟图片缩放方式Proportional保留比例补边 /Stretched直接拉伸关系密切缩放方式必须和模型训练时保持一致。想深入理解这块建议读一下 AccuracyAndConfiguration.md里面讲得很清楚。不满足于图片视频流也不在话下YoloDotNet 的另一大卖点是对视频流的支持。你可以处理本地视频文件、RTMP 直播流甚至直接读摄像头。上手方式同样简单var videoOptions new VideoOptions { VideoInput test.mp4, // 本地视频或直播流地址 VideoOutput output.mp4 // 处理结果输出 }; yolo.InitializeVideo(videoOptions); // 每一帧解码后都会触发这个回调 yolo.OnVideoFrameReceived (frame, frameIndex) { var results yolo.RunObjectDetection(frame); frame.Draw(results); }; yolo.StartVideoProcessing(); 提示视频处理依赖 FFmpeg需要先把 FFmpeg 和 FFprobe 装好并加入系统 PATH。完整的视频检测示例可以看 Demo/VideoStreamDemo/它还演示了如何用 SortTracker 做多目标跟踪、绘制运动轨迹。仓库里的crosswalk.jpg这种路口图片也很适合拿来测试你的监控类场景。从目标检测走向更多玩法如果你发现目标检测不过瘾YoloDotNet 的其他能力也都配有现成 demo换一个入口方法即可能力调用方法对应 Demo图像分类RunClassificationDemo/ClassificationDemo/图像分割RunSegmentationDemo/SegmentationDemo/姿态估计RunPoseEstimationDemo/PoseEstimationDemo/旋转框检测RunObbDetectionDemo/OBBDetectionDemo/比如把模型换成yolov8s-cls.onnx再调用RunClassification就能对蜂鸟这样的特写图片做分类识别配合分类模型YoloDotNet 同样能对单张图片完成内容识别各个方法的完整参数说明都在 Yolo.cs 里照着注释用就行。收尾遇到报错先别慌新手最容易卡住的几个问题这里提前给你打好预防针模型加载失败九成是路径写错了。先确认模型文件确实存在于test/assets/Models/且路径拼写无误提示找不到 CUDA / GPU 相关错误说明当前机器没有可用的 NVIDIA 环境改用CpuExecutionProvider最省事视频相关报错检查 FFmpeg 是否安装、是否已加入 PATH结果偏差大优先检查ImageResize是否与模型要求一致再考虑调阈值接下来你可以试试这三条进阶路线到这里你已经完成了 YoloDotNet 的首次目标检测算是正式入门了。如果还想继续深入推荐三条路线按兴趣自取性能进阶有 NVIDIA 显卡的同学试试 Demo/TensorRTDemo/开启 TensorRT 后推理速度还能再上一个台阶没有 GPU 的可以用test/YoloDotNet.Benchmarks/里的基准测试对比不同采样参数的耗时实时应用把视频流 demo 和摄像头结合起来做一个能实时跟踪行人的监控小工具配合 SortTracker 还能画出运动轨迹工程化落地将检测结果通过ToJson()导出为 JSON或接入自己的 Web API把视觉能力真正放进产品里以上就是完整的 YoloDotNet 安装教程与入门路线。从一条dotnet run到读懂核心 API再到玩转图片和视频剩下的就交给你的想象力了。祝你编码愉快【免费下载链接】YoloDotNetYoloDotNet - A C# .NET 8.0 project for Classification, Object Detection, OBB Detection, Segmentation and Pose Estimation in both images and live video streams.项目地址: https://gitcode.com/gh_mirrors/yo/YoloDotNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/17 19:26:58 · 阅读 1.2k YoloDotNet快速上手指南：零基础用C跑通图像目标检测
YoloDotNet快速上手指南零基础用C#跑通图像目标检测【免费下载链接】YoloDotNetYoloDotNet - A C# .NET 8.0 project for Classification, Object Detection, OBB Detection, Segmentation and Pose Estimation in both images and live video streams.项目地址: https://gitcode.com/gh_mirrors/yo/YoloDotNetYoloDotNet 是一个基于 C# .NET 8.0 的开源计算机视觉库原生支持图像分类、目标检测、OBB 旋转框检测、图像分割与姿态估计同时也能处理实时视频流。本文是一份面向纯新手的 YoloDotNet 快速上手教程不要求任何机器学习背景跟着操作就能在十几分钟内完成第一次目标检测。无论你最终是想写桌面工具、Web 服务还是做视频监控这份 YoloDotNet 入门指南都能帮你走通全流程。先回答新手最关心的三个问题它到底能做什么一句话概括给它一张图片或一段视频它就能告诉你里面有什么、在哪里。具体来说你可以用它完成这些任务目标检测框出图片里的行人、车辆、动物等物体最常用图像分类判断整张图片属于哪个类别图像分割把物体轮廓精确到像素级抠出来姿态估计识别画面里人物的关键点关节、手脚OBB 检测对倾斜物体输出带角度的旋转检测框我不会 Python 也能用吗完全没问题。YoloDotNet 整个推理链路都是纯 .NET 实现不需要 Python 运行时也不依赖 OpenCV 这类重型框架底层基于 ONNX Runtime 和 SkiaSharp。只要你熟悉基本的 C#甚至只要会抄代码改路径都能上手。上手要花多久说句实在话环境正常的话从零到跑出第一张带框的图片通常不超过十分钟。别急核心就三步——准备环境、拿到项目、跑一个 demo。动手前先把环境备齐老规矩先确认你的电脑上有 .NET 8 SDK。在终端里敲下面这条命令作用是检查 .NET 版本是否满足要求dotnet --version如果输出了类似8.x.x的版本号说明环境没问题如果提示找不到命令需要先去安装 .NET 8 SDK 再回来。另外建议装好 Git后面拉取代码要用。Windows 的 WSL、macOS 和主流 Linux 发行版都能运行本教程的全部命令。拿到代码和模型仓库自带现成的 DemoYoloDotNet 项目非常贴心仓库里已经内置了多个可直接运行的演示程序并且预置了yolov8s.onnx、yolo11s.onnx等现成的模型文件你不用自己训练模型也不用去下载大文件。先克隆仓库这条命令的作用是把项目源码下载到本地当前目录git clone https://gitcode.com/gh_mirrors/yo/YoloDotNet然后进入目标检测演示目录执行还原依赖作用是把项目引用的 NuGet 包全部拉取到位cd YoloDotNet/Demo/ObjectDetectionDemo dotnet restore整个仓库的项目结构可以参考 README.md 来了解测试模型放在test/assets/Models/目录下测试图片则在test/assets/Media/。跑第一个检测一条命令见证奇迹接下来就是最激动人心的时刻直接运行dotnet run程序会自动加载模型、处理内置测试图片并把标注好的结果图片保存到桌面上的YoloDotNet_Results文件夹。你会在终端里看到类似这样的输出Loaded ONNX Model: ObjectDetection (YOLOv26) Inference Results: 8 objects person (92.14%) person (87.56%) bus (76.30%) ...每一行代表检测到的一个物体及其置信度。打开结果图片你会看到画面里每个物体都被画上了带标签和置信度的彩色检测框。用 YoloDotNet 检测繁忙路口行人等目标被逐一识别并标记出来 小提示演示默认使用 CUDA 执行提供程序如果你的电脑没有 NVIDIA 显卡把ObjectDetectionDemo里的CudaExecutionProvider换成CpuExecutionProvider即可效果一样只是速度慢一些。别人代码看不懂逐行拆解这个 Demo跑通之后我们来读懂它到底做了什么。打开Demo/ObjectDetectionDemo/Program.cs核心逻辑其实只有四块① 初始化 Yolo 实例配置模型路径、硬件方案和图像预处理方式using var yolo new Yolo(new YoloOptions { ExecutionProvider new CpuExecutionProvider(yolov8s.onnx), ImageResize ImageResize.Proportional });② 加载测试图片YoloDotNet 使用 SkiaSharp 的SKBitmap作为图像载体using var image SKBitmap.Decode(people.jpg);③ 执行检测这是整个库最核心的一行调用。confidence是置信度阈值iou是交并比阈值用来去除重叠框var results yolo.RunObjectDetection(image, confidence: 0.25, iou: 0.7);④ 把结果画到图上并保存image.Draw(results); image.Save(result.jpg);看到没有真正的核心 API 就一个RunObjectDetection方法返回的是ListObjectDetection每个元素包含类别名、置信度和边界框坐标。库的整体 API 都集中在 Yolo.cs 里按需查阅即可。换图、换模型、换参数让检测更合你心意跑通 demo 只是开始接下来你可以做三件小事把工具调成你自己的样子。换一张测试图片把Program.cs里的图片路径换成test/assets/Media/下任意一张或者干脆换成你自己的照片重新dotnet run就行。比如换上街景图看看车辆和行人识别效果街道场景下的车辆与行人检测适合测试检测模型的泛化能力换一个模型test/assets/Models/里准备了多个版本的模型。想体验不同速度与精度的取舍只需改一行// 可选yolov8s.onnx、yolov9s.onnx、yolov10s.onnx、yolo11s.onnx、yolov12s.onnx new CpuExecutionProvider(yolo11s.onnx)调一调置信度阈值confidence默认 0.2提高它可以减少误检只保留高把握的框调低它能召回更多弱目标iou默认 0.7控制重叠框的合并力度值越大越不容易合并比如想更保守地筛选结果可以这样写var results yolo.RunObjectDetection(image, confidence: 0.5, iou: 0.7);⚠️ 注意检测精度跟图片缩放方式Proportional保留比例补边 /Stretched直接拉伸关系密切缩放方式必须和模型训练时保持一致。想深入理解这块建议读一下 AccuracyAndConfiguration.md里面讲得很清楚。不满足于图片视频流也不在话下YoloDotNet 的另一大卖点是对视频流的支持。你可以处理本地视频文件、RTMP 直播流甚至直接读摄像头。上手方式同样简单var videoOptions new VideoOptions { VideoInput test.mp4, // 本地视频或直播流地址 VideoOutput output.mp4 // 处理结果输出 }; yolo.InitializeVideo(videoOptions); // 每一帧解码后都会触发这个回调 yolo.OnVideoFrameReceived (frame, frameIndex) { var results yolo.RunObjectDetection(frame); frame.Draw(results); }; yolo.StartVideoProcessing(); 提示视频处理依赖 FFmpeg需要先把 FFmpeg 和 FFprobe 装好并加入系统 PATH。完整的视频检测示例可以看 Demo/VideoStreamDemo/它还演示了如何用 SortTracker 做多目标跟踪、绘制运动轨迹。仓库里的crosswalk.jpg这种路口图片也很适合拿来测试你的监控类场景。从目标检测走向更多玩法如果你发现目标检测不过瘾YoloDotNet 的其他能力也都配有现成 demo换一个入口方法即可能力调用方法对应 Demo图像分类RunClassificationDemo/ClassificationDemo/图像分割RunSegmentationDemo/SegmentationDemo/姿态估计RunPoseEstimationDemo/PoseEstimationDemo/旋转框检测RunObbDetectionDemo/OBBDetectionDemo/比如把模型换成yolov8s-cls.onnx再调用RunClassification就能对蜂鸟这样的特写图片做分类识别配合分类模型YoloDotNet 同样能对单张图片完成内容识别各个方法的完整参数说明都在 Yolo.cs 里照着注释用就行。收尾遇到报错先别慌新手最容易卡住的几个问题这里提前给你打好预防针模型加载失败九成是路径写错了。先确认模型文件确实存在于test/assets/Models/且路径拼写无误提示找不到 CUDA / GPU 相关错误说明当前机器没有可用的 NVIDIA 环境改用CpuExecutionProvider最省事视频相关报错检查 FFmpeg 是否安装、是否已加入 PATH结果偏差大优先检查ImageResize是否与模型要求一致再考虑调阈值接下来你可以试试这三条进阶路线到这里你已经完成了 YoloDotNet 的首次目标检测算是正式入门了。如果还想继续深入推荐三条路线按兴趣自取性能进阶有 NVIDIA 显卡的同学试试 Demo/TensorRTDemo/开启 TensorRT 后推理速度还能再上一个台阶没有 GPU 的可以用test/YoloDotNet.Benchmarks/里的基准测试对比不同采样参数的耗时实时应用把视频流 demo 和摄像头结合起来做一个能实时跟踪行人的监控小工具配合 SortTracker 还能画出运动轨迹工程化落地将检测结果通过ToJson()导出为 JSON或接入自己的 Web API把视觉能力真正放进产品里以上就是完整的 YoloDotNet 安装教程与入门路线。从一条dotnet run到读懂核心 API再到玩转图片和视频剩下的就交给你的想象力了。祝你编码愉快【免费下载链接】YoloDotNetYoloDotNet - A C# .NET 8.0 project for Classification, Object Detection, OBB Detection, Segmentation and Pose Estimation in both images and live video streams.项目地址: https://gitcode.com/gh_mirrors/yo/YoloDotNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考