1. 程序获取和下载
基于DeploySharp 开发的深度学习模型部署测试平台，提供了YOLO框架的主流系列模型，包括YOLOv5~v13，以及其系列下的Detection、Segmentation、Oriented Bounding Box、Human Pose Estimation等应用场景。模型部署引擎支持OpenVINO™、ONNX runtime，支持CPU、IGPU以及GPU多种设备推理。项目链接为：
https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/applications
如果你想快速使用该平台，可以加入QQ技术交流群通过群文件下载，或者通过GitHub在DeploySharp 项目中下载。
git clone https://github.com/guojin-yan/DeploySharp.git
cd DeploySharp/applications
打开指定目录后，直接打开DeploySharp-Applications.sln解决方案即可。
image-20251003123525415
打开解决方案后，资源管理器中有两个项目，一个是.NET 6.0框架，一个是.NET Framework 4.8框架，用户可以根据自己需求进行运行。
image-20251003123554619
程序运行后页面如下图所示：
image-20251002182043813
2. 平台介绍
2.1 支持的模型选项
基于DeploySharp 开发的深度学习模型部署测试平台所支持的模型列表与DeploySharp 库一致，后续会跟着DeploySharp 迭代进行同步更新，具体支持的模型：
image-20251003131537123
开发者在使用时，可以根据自己需求进行选择，但在使用时，模型路径“Model Path”选择的模型类型，要和“Model Type保持一致，否者程序运行可能出差或者结果出现错误。
2.2 支持的推理引擎工具
基于DeploySharp 开发的深度学习模型部署测试平台所支持多种推理引擎，其中已经开发完成并已经支持的有OpenVINO和ONNX Runtime，其中TensorRT正在开发中，不日后会完成支持。
image-20251003131610600
其中当推理设备选择ONNX Runtime时，还可以选择ONNX Runtime运行的推理引擎，支持的内容如下图所示：
image-20251003131828937
ONNX Runtime支持的更多加速方式，需要用户自己进行代码构建，其构建流程与方式，参考官方教程即可，链接为：
https://runtime.onnx.org.cn/docs/execution-providers/
2.3 支持的推理设备
同时用户还可以选择不同的推理设备，包括AUTO、CPU、GPU0、GPU1、NPU，其中GPU0、GPU1表示的含义要在使用的推理引擎工具中确定。
image-20251003131706230
3. 推理引擎和设备匹配使用
推理引擎 推理设备 ONNX加速
OpenVINO AUTO，CPU，GPU0(Intel 集显)，GPU1(Intel 独显)，NPU Default
ONNX Runtime CPU Default
ONNX Runtime AUTO，CPU，GPU0(Intel 集显)，GPU1(Intel 独显)，NPU OpenVINO
ONNX Runtime GPU0(英伟达独显)，GPU1(英伟达独显) Cuda
ONNX Runtime GPU0，GPU1 DML
4. 程序运行示例
在对应的项目中，图像处理库已经安装，不同项目就是使用的不同图像处理库，下面演示使用不同的模型推理引擎使用流程。
4.1 OpenVINO推理
所下载的项目中已经配置好了OpenVINO环境，选择模型和图片后，直接运行即可。推理结果如下图所示：
image-20251003141905755
如果使用的是.NET Framework 4.8框架，在程序运行前，请卸载并重新安装一下OpenVINO.runtime.win NuGet Package，重新生成项目后，进入到项目bin/Debug或者bin/Release目录，找到该目录下的文件夹dll/win-x64，在该目录下可以看到openvino_c.dll文件，然后将该目录下所有文件，复制到bin/Debug或者bin/Release目录下，重新再生成一下项目。如果使用的.NET 6.0框架，
4.2 ONNX Runtime推理
如果只是用ONNX Runtime推理，不需要安装其他的依赖既可以使用，默认只能使用CPU推理，如下图所示：
image-20251003143004837
4.3 ONNX Runtime推理 + OpenVINO加速
如果是用ONNX Runtime推理并配合OpenVINO加速，则需要安装额外的依赖库:
Intel.ML.OnnxRuntime.OpenVino
安装完成后，运行程序即可，其中原生OpenVINO支持的推理设备AUTO、CPU、GPU0(Intel 集显)、GPU1(Intel 独显)、NPU，在此处均可以使用，如下图所示：
image-20251003144046348
如果使用的是.NET Framework 4.8框架，安装完Intel.ML.OnnxRuntime.OpenVino后，如果依旧报错：”无法在 DLL“onnxruntime”中找到名为“OrtSessionOptionsAppendExecutionProvider_OpenVINO”的入口点。”，可以找到Intel.ML.OnnxRuntime.OpenVino包目录，然后将该目录下的所有dll文件，复制到项目的bin/Debug或者bin/Release目录下即可。
4.4 ONNX Runtime推理 + DML加速
如果是用ONNX Runtime推理并配合DML加速，则需要安装额外的依赖库:
Microsoft.ML.OnnxRuntime.DirectML
安装完成后，运行程序即可，此处可以使用GPU、GPU1，如下图所示：
image-20251003145255956
5.模型运行时间测试
在开发的模型部署平台上进行时间测试，当前的测试环境为：
CPU: Intel(R) Core(TM) Ultra 9 288V
IGPU: Intel(R) Arc(TM) 140V GPU (16GB)
NPU: Intel(R) AI Boost
在同一环境下，对其中一些模型进行了测试，如下表所示：
Model Name OpenVINO CPU OpenVINO IGPU OpenVINO NPU ONNX Runtime CPU ONNX Runtime OpenVINO CPU ONNX Runtime DirectML IGPU
YOLOv5s-det 16.84 FPS 60.23 FPS 48.36 FPS 21.06 FPS 16.80 FPS 40.11 FPS
YOLOv5-seg 8.91 FPS 21.24 FPS 20.11 FPS 10.86 FPS 8.56 FPS 16.54 FPS
YOLOv8s-det 12.02 FPS 67.74 FPS 51.84 FPS 14.84 FPS 11.52 FPS 36.38 FPS
YOLOv8s-seg 6.30 FPS 15.96 FPS 14.09 FPS 7.17 FPS 6.24 FPS 12.71 FPS
YOLOv8s-obb 4.61 FPS 35.13 FPS 20.02 FPS 5.62 FPS 4.56 FPS 15.80 FPS
YOLOv11s-det 13.48 FPS 62.40 FPS 53.51 FPS 15.71 FPS 13.41 FPS 38.83 FPS
YOLOv11s-seg 6.64 FPS 16.18 FPS 14.46 FPS 7.55 FPS 6.59 FPS 12.74 FPS
YOLOv11s-obb 5.58 FPS 33.14 FPS 19.99 FPS 6.35 FPS 5.56 FPS 17.87 FPS
以上便是基于DeploySharp 开发的深度学习模型部署测试平台的安装和使用教程。最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。
)
