简介本资源面向具备一定 C# 与计算机视觉基础的开发者提供基于 Onnx Runtime 的 PP-Vehicle 车辆分析完整源码可解决车辆检测、车型与颜色识别、车牌检测等典型场景的落地问题适用于智能交通、停车场管理、车辆监控等项目的二次开发与学习参考。压缩包共 138 个文件约 53.65MB包含 14 个 cs 源码文件、10 个 config 配置、10 个 dll 依赖库、9 个 exe 可执行程序、2 个 onnx 模型及 resx、resources 等资源文件覆盖从模型推理到界面展示的完整工程结构。目前已有 329 人学习下载。源码以 Onnx 推理为核心将车辆检测、车型分类、颜色识别与车牌检测串联为可运行流程读者可据此理解模型加载、预处理、后处理与结果可视化的实现思路并在此基础上替换模型或调整参数快速搭建自己的车辆分析应用。1. 从一张卡口图说起C# Onnx PP-Vehicle 车辆分析源码能跑出什么手里有一批卡口抓拍图想在一台普通工控机上把车辆检测、车型识别、车身颜色分类、车牌检测四件事一次跑完还要用 C# 直接嵌进现有桌面程序——这是我拿到这份 C# Onnx PP-Vehicle 车辆分析源码时的真实诉求。它基于 ONNX Runtime 在 .NET 里做推理模型侧对应 PaddleDetection 的 PP-Vehicle 系列输出四类结果车辆框、车型、颜色、车牌框。适合做停车场出入口、地磅、园区卡口这类需要本地化、离线、低依赖的车辆结构化场景不适合追求超大模型精度或云端批量吞吐的团队。下面按「模型怎么接、代码怎么跑、坑在哪」拆开讲。2. PP-Vehicle 四任务拆解模型输入输出与 C# 侧数据流2.1 四个子任务各自吃什么、吐什么PP-Vehicle 不是一个单模型端到端出全部结果而是检测 多分类 车牌检测的组合流水线。常见做法是车辆检测模型先出 vehicle 框再把框裁剪出来分别送车型分类、颜色分类车牌检测独立跑一遍全图或车辆 ROI。理解这一点很关键因为后面所有坐标换算、阈值调节都围绕「谁给谁喂数据」展开。子任务典型输入尺寸输出含义常见后处理车辆检测640×640 letterbox类别 xyxy scoreNMS、坐标反 letterbox车型识别224×224 裁剪图类别概率向量argmax 置信度过滤颜色识别224×224 裁剪图类别概率向量argmax 置信度过滤车牌检测640×640车牌框 xyxy scoreNMS、可加角度回归车型和颜色的类别数取决于训练集源码里一般以字符串数组形式硬编码在配置类里改类别时数组顺序必须和训练时一致否则会出现「明明是 SUV 却输出轿车」的玄学。2.2 C# 侧的数据流与张量组织C# 用 Microsoft.ML.OnnxRuntime 加载 .onnx输入张量是float[1,3,H,W]通道顺序 NCHW归一化一般是(pixel/255 - mean)/stdPP 系列常用 mean[0.485,0.456,0.406]、std[0.229,0.224,0.225]。下面这段是图像转张量的核心逻辑抄的时候注意 BGR/RGB 顺序。// 将 Bitmap 转为 NCHW float 张量PP 系列通常要求 RGB public static DenseTensorfloat ToTensor(Bitmap bmp, int w, int h) { var tensor new DenseTensorfloat(new[] { 1, 3, h, w }); using var resized new Bitmap(bmp, new Size(w, h)); for (int y 0; y h; y) { for (int x 0; x w; x) { var c resized.GetPixel(x, y); // 注意Paddle 训练多为 RGB若模型精度异常先查这里 tensor[0, 0, y, x] (c.R / 255f - 0.485f) / 0.229f; tensor[0, 1, y, x] (c.G / 255f - 0.456f) / 0.224f; tensor[0, 2, y, x] (c.B / 255f - 0.406f) / 0.225f; } } return tensor; }参数说明w/h必须和模型输入一致检测模型一般 640分类模型 224mean/std若和训练脚本不一致表现为置信度整体偏低但框位置还行这是最容易被忽略的翻车点。GetPixel 在批量场景很慢生产环境建议换成 LockBits 或 ImageSharp。2.3 会话初始化与线程配置var options new SessionOptions(); options.GraphOptimizationLevel GraphOptimizationLevel.ORT_ENABLE_ALL; options.IntraOpNumThreads 4; // 按 CPU 核数调工控机一般 4 options.InterOpNumThreads 1; using var session new InferenceSession(vehicle_det.onnx, options);IntraOpNumThreads设太大反而抢核实测 4 核工控机上设 4 比设 8 帧率更稳。GPU 场景要换成SessionOptions.AppendExecutionProvider_CUDA并确认 onnxruntime.gpu 包版本和 CUDA 匹配否则会直接抛 provider 加载失败。3. 从零跑通环境、推理与四任务串联代码3.1 环境与依赖清单.NET 6/8 桌面项目x64 平台ONNX Runtime 不支持 AnyCPU 下的原生库加载NuGetMicrosoft.ML.OnnxRuntimeCPU或 Microsoft.ML.OnnxRuntime.GpuSystem.Drawing.Common.NET 6 后 Windows 限定跨平台需换 ImageSharp四个 .onnx 模型文件放输出目录路径别写死绝对路径提示项目里那堆.csproj.AssemblyReference.cache是编译缓存删掉不影响运行别当成模型文件。3.2 车辆检测推理与坐标还原// 假设输出为 [1,N,6]x1,y1,x2,y2,score,class var outputs session.Run(new[] { NamedOnnxValue.CreateFromTensor(images, tensor) }); var data outputs.First().AsTensorfloat(); float scale Math.Min(640f / srcW, 640f / srcH); float padX (640 - srcW * scale) / 2f; float padY (640 - srcH * scale) / 2f; for (int i 0; i data.Dimensions[1]; i) { float score data[0, i, 4]; if (score 0.35f) continue; // 检测阈值卡口场景 0.3~0.4 float x1 (data[0, i, 0] - padX) / scale; float y1 (data[0, i, 1] - padY) / scale; float x2 (data[0, i, 2] - padX) / scale; float y2 (data[0, i, 3] - padY) / scale; // 后续裁剪该框送分类模型 }逻辑说明letterbox 会补边反算时必须先减 pad 再除 scale顺序反了框会整体偏移。阈值 0.35 是经验值夜间逆光图可降到 0.25 但误检会上升需要按现场光照调。3.3 车型与颜色分类串联// 裁剪车辆框留 5% 边距避免切掉车头特征 var rect Expand(bbox, 0.05f, srcW, srcH); using var crop srcBitmap.Clone(rect, srcBitmap.PixelFormat); var clsTensor ToTensor(crop, 224, 224); var clsOut clsSession.Run(new[] { NamedOnnxValue.CreateFromTensor(x, clsTensor) }); var probs clsOut.First().AsTensorfloat(); int typeId ArgMax(probs); // 车型 int colorId ArgMax(colorSession.Run(...)); // 颜色参数说明Expand的边距系数 0.05 是平衡「切太紧丢特征」和「带太多背景」的折中分类置信度低于 0.5 时建议输出「未知」而不是硬给标签否则颜色识别在阴天灰车场景会频繁误判。3.4 车牌检测与结果组装车牌检测单独跑一次全图输出框后按 IoU 归属到最近的车辆框。最终组装成一个VehicleResult对象车辆框、车型、颜色、车牌框、各任务置信度。车牌框若要做识别再串一个 CRNN 或 PP-OCR 的 ONNX 模型即可源码里只到检测这一步。4. 避坑与排查四类高频翻车现场4.1 现象框位置整体偏移或缩放错位原因letterbox 的 pad 和 scale 计算顺序错或用了非等比 resize。解决统一封装Letterbox和UnLetterbox两个函数所有模型共用禁止各写各的。4.2 现象车型/颜色全部输出同一个类别原因分类模型输入通道顺序错BGR 当 RGB或 mean/std 与训练不一致。解决先用一张已知图打印 softmax 前 5 个概率若全挤在一起基本就是预处理问题。4.3 现象CPU 占用 100% 但帧率只有个位数原因GetPixel 逐像素拷贝 每帧新建 Session。解决Session 全局单例图像转换改 LockBits分类模型可合并成一个多输出模型减少调用次数。4.4 现象GPU 版报 provider 加载失败原因onnxruntime.gpu 版本与 CUDA/cuDNN 不匹配或项目平台是 AnyCPU。解决平台锁 x64按官方版本矩阵对齐 CUDA 版本别混装 CPU 和 GPU 包。4.5 现象车牌框在夜间图大量漏检原因车牌检测阈值沿用白天值且未做图像增强。解决按亮度分档设阈值或对暗图先做一次 CLAHE 再推理代价是增加约 15% 耗时。5. 进阶把四任务压进一条流水线并验证精度跑通单图后真正决定能不能上线的是吞吐和一致性。我一般会把四个 Session 做成单例池检测和分类分两个线程队列检测出框后异步送分类主线程只做组装和绘制。这样在 4 核工控机上1080P 图端到端能压到 80~120ms 一张比串行快近一倍。验证环节别只看单张效果图要建一个小评测集至少 200 张覆盖白天、夜间、逆光、雨雾、不同车型颜色。指标上车辆检测看 mAP0.5车型和颜色看 top-1 准确率车牌检测看召回。下面这个对比表是我调参时的记录方式供参考。场景检测阈值分类置信度下限车牌召回备注白天顺光0.350.50.96基线夜间补光0.280.450.88需 CLAHE雨雾0.250.40.79误检上升明显调参顺序建议先固定分类阈值调检测阈值再回头调分类两个一起动会分不清是谁的锅。另外车型和颜色的类别字符串数组一定要和训练时的label_list逐行核对我吃过一次亏——数组顺序错位整批 SUV 被标成轿车查了两天才发现是配置问题。从那以后我每次换模型都强制走一遍「单类别已知图」验证确认每个类别都能被正确命中再上量。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/18 12:11:04 · 阅读 1.2k C# Onnx PP-Vehicle 车辆分析：四任务推理与避坑指南
简介本资源面向具备一定 C# 与计算机视觉基础的开发者提供基于 Onnx Runtime 的 PP-Vehicle 车辆分析完整源码可解决车辆检测、车型与颜色识别、车牌检测等典型场景的落地问题适用于智能交通、停车场管理、车辆监控等项目的二次开发与学习参考。压缩包共 138 个文件约 53.65MB包含 14 个 cs 源码文件、10 个 config 配置、10 个 dll 依赖库、9 个 exe 可执行程序、2 个 onnx 模型及 resx、resources 等资源文件覆盖从模型推理到界面展示的完整工程结构。目前已有 329 人学习下载。源码以 Onnx 推理为核心将车辆检测、车型分类、颜色识别与车牌检测串联为可运行流程读者可据此理解模型加载、预处理、后处理与结果可视化的实现思路并在此基础上替换模型或调整参数快速搭建自己的车辆分析应用。1. 从一张卡口图说起C# Onnx PP-Vehicle 车辆分析源码能跑出什么手里有一批卡口抓拍图想在一台普通工控机上把车辆检测、车型识别、车身颜色分类、车牌检测四件事一次跑完还要用 C# 直接嵌进现有桌面程序——这是我拿到这份 C# Onnx PP-Vehicle 车辆分析源码时的真实诉求。它基于 ONNX Runtime 在 .NET 里做推理模型侧对应 PaddleDetection 的 PP-Vehicle 系列输出四类结果车辆框、车型、颜色、车牌框。适合做停车场出入口、地磅、园区卡口这类需要本地化、离线、低依赖的车辆结构化场景不适合追求超大模型精度或云端批量吞吐的团队。下面按「模型怎么接、代码怎么跑、坑在哪」拆开讲。2. PP-Vehicle 四任务拆解模型输入输出与 C# 侧数据流2.1 四个子任务各自吃什么、吐什么PP-Vehicle 不是一个单模型端到端出全部结果而是检测 多分类 车牌检测的组合流水线。常见做法是车辆检测模型先出 vehicle 框再把框裁剪出来分别送车型分类、颜色分类车牌检测独立跑一遍全图或车辆 ROI。理解这一点很关键因为后面所有坐标换算、阈值调节都围绕「谁给谁喂数据」展开。子任务典型输入尺寸输出含义常见后处理车辆检测640×640 letterbox类别 xyxy scoreNMS、坐标反 letterbox车型识别224×224 裁剪图类别概率向量argmax 置信度过滤颜色识别224×224 裁剪图类别概率向量argmax 置信度过滤车牌检测640×640车牌框 xyxy scoreNMS、可加角度回归车型和颜色的类别数取决于训练集源码里一般以字符串数组形式硬编码在配置类里改类别时数组顺序必须和训练时一致否则会出现「明明是 SUV 却输出轿车」的玄学。2.2 C# 侧的数据流与张量组织C# 用 Microsoft.ML.OnnxRuntime 加载 .onnx输入张量是float[1,3,H,W]通道顺序 NCHW归一化一般是(pixel/255 - mean)/stdPP 系列常用 mean[0.485,0.456,0.406]、std[0.229,0.224,0.225]。下面这段是图像转张量的核心逻辑抄的时候注意 BGR/RGB 顺序。// 将 Bitmap 转为 NCHW float 张量PP 系列通常要求 RGB public static DenseTensorfloat ToTensor(Bitmap bmp, int w, int h) { var tensor new DenseTensorfloat(new[] { 1, 3, h, w }); using var resized new Bitmap(bmp, new Size(w, h)); for (int y 0; y h; y) { for (int x 0; x w; x) { var c resized.GetPixel(x, y); // 注意Paddle 训练多为 RGB若模型精度异常先查这里 tensor[0, 0, y, x] (c.R / 255f - 0.485f) / 0.229f; tensor[0, 1, y, x] (c.G / 255f - 0.456f) / 0.224f; tensor[0, 2, y, x] (c.B / 255f - 0.406f) / 0.225f; } } return tensor; }参数说明w/h必须和模型输入一致检测模型一般 640分类模型 224mean/std若和训练脚本不一致表现为置信度整体偏低但框位置还行这是最容易被忽略的翻车点。GetPixel 在批量场景很慢生产环境建议换成 LockBits 或 ImageSharp。2.3 会话初始化与线程配置var options new SessionOptions(); options.GraphOptimizationLevel GraphOptimizationLevel.ORT_ENABLE_ALL; options.IntraOpNumThreads 4; // 按 CPU 核数调工控机一般 4 options.InterOpNumThreads 1; using var session new InferenceSession(vehicle_det.onnx, options);IntraOpNumThreads设太大反而抢核实测 4 核工控机上设 4 比设 8 帧率更稳。GPU 场景要换成SessionOptions.AppendExecutionProvider_CUDA并确认 onnxruntime.gpu 包版本和 CUDA 匹配否则会直接抛 provider 加载失败。3. 从零跑通环境、推理与四任务串联代码3.1 环境与依赖清单.NET 6/8 桌面项目x64 平台ONNX Runtime 不支持 AnyCPU 下的原生库加载NuGetMicrosoft.ML.OnnxRuntimeCPU或 Microsoft.ML.OnnxRuntime.GpuSystem.Drawing.Common.NET 6 后 Windows 限定跨平台需换 ImageSharp四个 .onnx 模型文件放输出目录路径别写死绝对路径提示项目里那堆.csproj.AssemblyReference.cache是编译缓存删掉不影响运行别当成模型文件。3.2 车辆检测推理与坐标还原// 假设输出为 [1,N,6]x1,y1,x2,y2,score,class var outputs session.Run(new[] { NamedOnnxValue.CreateFromTensor(images, tensor) }); var data outputs.First().AsTensorfloat(); float scale Math.Min(640f / srcW, 640f / srcH); float padX (640 - srcW * scale) / 2f; float padY (640 - srcH * scale) / 2f; for (int i 0; i data.Dimensions[1]; i) { float score data[0, i, 4]; if (score 0.35f) continue; // 检测阈值卡口场景 0.3~0.4 float x1 (data[0, i, 0] - padX) / scale; float y1 (data[0, i, 1] - padY) / scale; float x2 (data[0, i, 2] - padX) / scale; float y2 (data[0, i, 3] - padY) / scale; // 后续裁剪该框送分类模型 }逻辑说明letterbox 会补边反算时必须先减 pad 再除 scale顺序反了框会整体偏移。阈值 0.35 是经验值夜间逆光图可降到 0.25 但误检会上升需要按现场光照调。3.3 车型与颜色分类串联// 裁剪车辆框留 5% 边距避免切掉车头特征 var rect Expand(bbox, 0.05f, srcW, srcH); using var crop srcBitmap.Clone(rect, srcBitmap.PixelFormat); var clsTensor ToTensor(crop, 224, 224); var clsOut clsSession.Run(new[] { NamedOnnxValue.CreateFromTensor(x, clsTensor) }); var probs clsOut.First().AsTensorfloat(); int typeId ArgMax(probs); // 车型 int colorId ArgMax(colorSession.Run(...)); // 颜色参数说明Expand的边距系数 0.05 是平衡「切太紧丢特征」和「带太多背景」的折中分类置信度低于 0.5 时建议输出「未知」而不是硬给标签否则颜色识别在阴天灰车场景会频繁误判。3.4 车牌检测与结果组装车牌检测单独跑一次全图输出框后按 IoU 归属到最近的车辆框。最终组装成一个VehicleResult对象车辆框、车型、颜色、车牌框、各任务置信度。车牌框若要做识别再串一个 CRNN 或 PP-OCR 的 ONNX 模型即可源码里只到检测这一步。4. 避坑与排查四类高频翻车现场4.1 现象框位置整体偏移或缩放错位原因letterbox 的 pad 和 scale 计算顺序错或用了非等比 resize。解决统一封装Letterbox和UnLetterbox两个函数所有模型共用禁止各写各的。4.2 现象车型/颜色全部输出同一个类别原因分类模型输入通道顺序错BGR 当 RGB或 mean/std 与训练不一致。解决先用一张已知图打印 softmax 前 5 个概率若全挤在一起基本就是预处理问题。4.3 现象CPU 占用 100% 但帧率只有个位数原因GetPixel 逐像素拷贝 每帧新建 Session。解决Session 全局单例图像转换改 LockBits分类模型可合并成一个多输出模型减少调用次数。4.4 现象GPU 版报 provider 加载失败原因onnxruntime.gpu 版本与 CUDA/cuDNN 不匹配或项目平台是 AnyCPU。解决平台锁 x64按官方版本矩阵对齐 CUDA 版本别混装 CPU 和 GPU 包。4.5 现象车牌框在夜间图大量漏检原因车牌检测阈值沿用白天值且未做图像增强。解决按亮度分档设阈值或对暗图先做一次 CLAHE 再推理代价是增加约 15% 耗时。5. 进阶把四任务压进一条流水线并验证精度跑通单图后真正决定能不能上线的是吞吐和一致性。我一般会把四个 Session 做成单例池检测和分类分两个线程队列检测出框后异步送分类主线程只做组装和绘制。这样在 4 核工控机上1080P 图端到端能压到 80~120ms 一张比串行快近一倍。验证环节别只看单张效果图要建一个小评测集至少 200 张覆盖白天、夜间、逆光、雨雾、不同车型颜色。指标上车辆检测看 mAP0.5车型和颜色看 top-1 准确率车牌检测看召回。下面这个对比表是我调参时的记录方式供参考。场景检测阈值分类置信度下限车牌召回备注白天顺光0.350.50.96基线夜间补光0.280.450.88需 CLAHE雨雾0.250.40.79误检上升明显调参顺序建议先固定分类阈值调检测阈值再回头调分类两个一起动会分不清是谁的锅。另外车型和颜色的类别字符串数组一定要和训练时的label_list逐行核对我吃过一次亏——数组顺序错位整批 SUV 被标成轿车查了两天才发现是配置问题。从那以后我每次换模型都强制走一遍「单类别已知图」验证确认每个类别都能被正确命中再上量。希望帮到你。本文还有配套的精品资源点击获取