ONNX Runtime 是一个跨平台的推理和训练机器学习加速器。ONNX 运行时推理可以实现更快的客户体验和更低的成本，支持来自深度学习框架（如 PyTorch 和 TensorFlow/Keras）以及经典机器学习库（如 scikit-learn、LightGBM、XGBoost 等）的模型。 ONNX 运行时与不同的硬件、驱动程序和操作系统兼容，并通过利用硬件加速器（如果适用）以及图形优化和转换来提供最佳性能。
ResNet50v2 是一种深度卷积神经网络架构，是 ResNet（Residual Network，残差网络）系列的一部分。ResNet 是由何凯明等人在 2015 年提出的，它通过引入残差块（Residual Block）解决了深度神经网络训练过程中梯度消失和梯度爆炸的问题，使得构建非常深的网络成为可能。ResNet50v2 被广泛应用于各种计算机视觉任务，如图像分类、目标检测、图像分割等。由于其深度和强大的特征学习能力，ResNet50v2 在众多基准测试中表现出色，是许多研究和应用中的首选模型之一。
这个示例代码在
fork一份，克隆到本地，在本地打开这个项目，项目结构如下所示：
依赖的包除了OnnxRuntime还有ImageSharp。
ImageSharp简介
ImageSharp 是一个新的、功能齐全、完全托管的跨平台 2D 图形库。ImageSharp 旨在简化图像处理，为您带来一个非常强大而又非常简单的 API。
ImageSharp 从头开始设计，具有灵活性和可扩展性。该库为常见的图像处理操作提供了 API 端点，并为开发其他操作提供了构建块。
ImageSharp 针对 .NET 8 构建，可用于设备、云和嵌入式/IoT 方案。
下载 ResNet50 v2 ONNX 模型，下载地址在：
读取路径
首先，源代码中是通过程序参数读取模型的路径和要测试的图像的路径，也可以直接赋值：
// Read paths
//string modelFilePath = args[0];
//string imageFilePath = args[1];
string modelFilePath = @"你的路径\Microsoft.ML.OnnxRuntime.ResNet50v2Sample\resnet50-v2-7.onnx";
string imageFilePath = @"你的路径\Microsoft.ML.OnnxRuntime.ResNet50v2Sample\狮子.jpg";
读取图像
接下来，我们将使用跨平台图像库 ImageSharp 读取图像：
// Read image
using Image<Rgb24> image = Image.Load<Rgb24>(imageFilePath);
调整图像大小
接下来，我们将图像大小调整为模型期望的适当大小;224 像素 x 224 像素：
using Stream imageStream = new MemoryStream();
image.Mutate(x =>
{
x.Resize(new ResizeOptions
{
Size = new Size(224, 224),
Mode = ResizeMode.Crop
});
});
image.Save(imageStream, format);
预处理图像
接下来，我们将根据模型的要求对图像进行预处理，具体要求见：
https://github.com/onnx/models/tree/main/validated/vision/classification/resnet#preprocessing
// We use DenseTensor for multi-dimensional access to populate the image data
var mean = new[] { 0.485f, 0.456f, 0.406f };
var stddev = new[] { 0.229f, 0.224f, 0.225f };
DenseTensor<float> processedImage = new(new[] { 1, 3, 224, 224 });
image.ProcessPixelRows(accessor =>
{
for (int y = 0; y < accessor.Height; y++)
{
Span<Rgb24> pixelSpan = accessor.GetRowSpan(y);
for (int x = 0; x < accessor.Width; x++)
{
processedImage[0, 0, y, x] = ((pixelSpan[x].R / 255f) - mean[0]) / stddev[0];
processedImage[0, 1, y, x] = ((pixelSpan[x].G / 255f) - mean[1]) / stddev[1];
processedImage[0, 2, y, x] = ((pixelSpan[x].B / 255f) - mean[2]) / stddev[2];
}
}
});
在这里，我们正在创建一个所需大小 (batch-size, channels, height, width) 的张量，访问像素值，对其进行预处理，最后将它们分配给适当指示的张量。
设置输入
接下来，我们将创建模型的输入：
using var inputOrtValue = OrtValue.CreateTensorValueFromMemory(OrtMemoryInfo.DefaultInstance,
processedImage.Buffer, new long[] { 1, 3, 224, 224 });
var inputs = new Dictionary<string, OrtValue>
{
{ "data", inputOrtValue }
}
要检查 ONNX 模型的输入节点名称，您可以使用 Netron 可视化模型并查看输入/输出名称。在本例中，此模型具有 data 作为输入节点名称。
运行推理
接下来，我们将创建一个推理会话并通过它运行输入：
using var session = new InferenceSession(modelFilePath);
using var runOptions = new RunOptions();
using IDisposableReadOnlyCollection<OrtValue> results = session.Run(runOptions, inputs, session.OutputNames);
后处理输出
接下来，我们需要对输出进行后处理以获得 softmax 向量，因为这不是由模型本身处理的：
var output = results[0].GetTensorDataAsSpan<float>().ToArray();
float sum = output.Sum(x => (float)Math.Exp(x));
IEnumerable<float> softmax = output.Select(x => (float)Math.Exp(x) / sum);
其他型号可能会在输出之前应用 Softmax 节点，在这种情况下，您不需要此步骤。同样，您可以使用 Netron 查看模型输出。
提取前10个预测结果
IEnumerable<Prediction> top10 = softmax.Select((x, i) => new Prediction { Label = LabelMap.Labels[i], Confidence = x })
.OrderByDescending(x => x.Confidence)
.Take(10);
打印结果
Console.WriteLine("Top 10 predictions for ResNet50 v2...");
Console.WriteLine("--------------------------------------------------------------");
foreach (var t in top10)
{
Console.WriteLine($"Label: {t.Label}, Confidence: {t.Confidence}");
}
本例的示例图片是一只狮子，如下所示：
查看预测结果：
在LabelMap类中可以查看该模型可以识别的物体：
例如cock是公鸡的意思，我们可以现场找一张公鸡的图片，查看效果。
找到的一张公鸡图片如下所示：
修改测试图片为这种图片，再次运行，结果如下所示：
成功识别出了公鸡。
以上就完成了ONNX Runtime的入门示例，可以根据兴趣与需求尝试使用其他的模型。
1、Image recognition with ResNet50v2 in C# | onnxruntime
4、SixLabors/ImageSharp: 📷 A modern, cross-platform, 2D Graphics library for .NET (github.com)