:31mb单文件exe实现姿态检测-将Yolo装进口袋)
一、环境准备
Nuget拉取 Microsoft.ML.OnnxRuntime.Managed 和 YoloDotNet，库内包含了完整所需的其他如Skia、OnnxRuntime等Native库文件。其中：
Microsoft.ML.OnnxRuntime.Managed: ONNX Runtime 是跨平台机器学习推理加速器，可兼容 PyTorch、TensorFlow/Keras 及 scikit-learn、LightGBM、XGBoost 等经典框架，通过图优化与硬件加速器协同，在异构操作系统与驱动环境下实现低成本、高吞吐、低延迟的统一部署。
YoloDotNet：基于 .NET 8、ONNX Runtime 的 C# 全栈库，把 YOLO 的检测、斜框、分割、分类、姿态、追踪能力一次打包，CUDA/TensorRT 双路 GPU 加速，开箱即跑；图片、视频、直播流全兼容，帧跳、可视化可定制，单库实现“模型到画面”的极速闭环。
二、模型准备
Yolo3-Yolo12预训练好的模型可以在https://docs.ultralytics.com/zh/models/yolo11/#supported-tasks-and-modes下载。
模型分为5大类：对象检测、图像分割、图像分类、姿态检测、目标检测(OBB)
所有模型下载后为.pt的格式，我们在C# 中使用的话需要在python中处理成.onnx格式。代码非常简单：
from ultralytics import YOLO
# 加载.pt模型
model = YOLO("D:/yolo11n-pose.pt")
# 输出.onnx模型
model.export(format="onnx")
三、代码实现
示例代码可参考官方YoloDotNet中的demo文件夹，有各种实现的详细案例。以下是Yolo初始化的示例：
//初始化Yolo示例
using var yolo = new Yolo(new YoloOptions
{
// 设定模型路径
// 不同的任务需加载不同的模型
OnnxModel = @"\yolo11n-pose.onnx",
// 设定由CPU实现
ExecutionProvider = new CpuExecutionProvider(),
// 推理前应用的缩放模式。Proportional（等比缩放）会保持宽高比（必要时加填充）；Stretch（拉伸缩放）则直接将图片resize到目标尺寸，不保持宽高比。该参数会直接影响推理结果。
ImageResize = ImageResize.Proportional,
// 缩放时可用的采样选项；会影响推理速度与质量。
// 其他采样选项的对比示例，参见基准测试：
SamplingOptions = new(SKFilterMode.Nearest, SKMipmapMode.None) // YoloDotNet default
});
YoloOptions的参数OnnxModel也可以改成OnnxModelBytes，从而直接加载字节数组，以便实现将模型内嵌。
在这里以姿态检测代码作为例子，非常简单，核心代码也就1-2行，其他部分可按需求增减：
// 用Skia加载目标图片
using var image = SKBitmap.Decode(args?[0] ?? @"d:\tt2.png");
// 使用加载好模型的Yolo示例执行任务
var results = yolo.RunPoseEstimation(image, confidence: 0.25, iou: 0.7);
// 绘制任务结果
image.Draw(results, _drawingOptions);
// 保存绘制任务结果
var fileName = Path.Combine(_outputFolder, "PoseEstimation.jpg");
image.Save(fileName, SKEncodedImageFormat.Jpeg, 80);
// 显示输出的图片
DisplayOutput(fileName);
四、发布选项
由于.Net平台的强大，我们可以任意选择我们的发布形式。以下比较了集中发布情况，所有发布的文件中均内嵌了一个11.2mb的小模型，发布后无需再外挂模型文件。
发布方式（内嵌模型资源） 大小 文件数量
单文件发布 47.6MB 3
单文件发布(Compression) 45.6MB 3
AOT发布 37.9MB 3
单文件发布(Compression)+Native自提取 31.0MB 1
需要注意的是。原生YoloDotNet发布Aot会报错，原因是其在某个函数传参过程中使用了Dynamic类型，我们将原库代码拔下来修改后重新编译即可支持了。
五、效果演示
Yolo的姿态模型可以识别面部头眼及四肢等多个关键点。效果展示如下（视频无加速）：
output
在最后一幅图大家也发现了，有部分人物未被识别到。这其实与案例中选择的模型大小有关。当我们切换到稍大点的模型时(yolo11x-pose，224mb)，主体人物均可被正常识别了。
yolo11n-pose，11.2mb:
PoseEstimation_n
yolo11x-pose，224mb:
PoseEstimation_x
六、 最后
本文借助 C# AOT 与 ONNX Runtime，可将 YOLO11 姿态模型及全部依赖压缩为 31 MB 单文件 EXE，现场部署无需 Python 环境与额外组件，显著降低实施、维护与版本漂移风险，可以将落地门槛再降一分，即插即用将AI装进了口袋。
感谢您的阅读，本案例及更加完整丰富的机器学习模型案例的代码已全部开源，关注公众号回复AISharp即可查看仓库地址。
