简介：本资源面向具备一定 C# 与深度学习基础的开发者，聚焦于在 .NET 环境中部署 PaDiM 异常检测模型这一具体工程问题，适用于工业视觉检测、医学影像分析等需要图像异常识别的场景。压缩包共 435 个文件，约 793.99MB，包含 10 个 cs 源码文件、1 个 sln 解决方案与 csproj 工程文件、2 个 onnx 模型文件，以及大量 png 示例图片、dll 依赖库、xml 配置与 nupkg 包等，覆盖从模型加载、输入输出定义到推理优化的完整链路。资源内含可直接运行的 Onnx Demo 演示程序与完整解决方案，读者可据此快速启动项目，省去环境配置与依赖查找的繁琐过程，并对照代码理解 ONNX Runtime 的 API 调用方式与 PaDiM 模型的集成思路。目前已有 78 人学习下载，适合希望将异常检测模型落地到 C# 应用的中高级开发者参考实践。
1. 从 Python 训练到 C# 产线部署：PaDiM 异常检测模型落地要跨过哪几道坎
工业质检场景里，PaDiM 算是异常检测里性价比很高的一条路线：预训练 CNN 提特征、每个 patch 位置拟合多元高斯分布、推理时用马氏距离打分，不需要负样本，几十张 OK 图就能跑起来。但真正卡住大多数人的不是算法本身，而是训练在 Python、产线设备跑的是 C# 上位机，中间隔着一整套张量对齐、算子兼容和内存管理的活儿。这份资源给的就是把 PaDiM 从 PyTorch 导出成 ONNX、再用 C# 和 ONNX Runtime 在本地推理的完整链路，包含模型导出脚本、C# 推理工程和预处理对齐代码。适合两类人：一类是做视觉质检上位机、需要把算法塞进现有 C# 系统的工程师；另一类是已经跑通 Python 版 PaDiM、想把它搬到无 Python 环境的产线机器上的开发者。下面按「模型怎么导 → C# 怎么接 → 坑在哪」的顺序拆开讲。
2. 把 PaDiM 导出成 ONNX：输入输出张量怎么定、算子怎么过
2.1 为什么 PaDiM 导出 ONNX 比想象中麻烦
PaDiM 的推理逻辑分两段：特征提取（ResNet18/50 的中间层输出）和距离计算（对每个 patch 位置算马氏距离）。特征提取部分导出 ONNX 很顺，因为全是标准卷积；麻烦的是距离计算——它依赖训练阶段统计出来的均值向量和协方差逆矩阵，这两个东西是随训练集变化的，不能写死在网络里。
常见做法有两种。第一种是把均值和高斯参数也做成 ONNX 的输入，网络只负责特征提取和距离计算，参数从外部喂进去。第二种是把参数固化进模型，导出成一个自包含的 ONNX。第一种灵活，换批次不用重新导出；第二种部署简单，但每次换产品型号都要重新导一次。这份资源走的是第一种，因为产线经常要切型号。
导出时还要注意：PaDiM 原版对每个 patch 位置单独建高斯分布，ResNet18 的 layer2+layer3 拼接后通道数是 448，特征图假设 28×28，那就有 784 个位置、每个位置一个 448×448 的协方差矩阵。这个量级直接塞进 ONNX 会很大，所以导出前一般会做降维（随机选 100 维左右），这一步在 Python 侧完成，ONNX 里只保留降维后的维度。
2.2 导出脚本与关键参数
import torch import torch.nn as nn import numpy as np class PaDiMExportWrapper(nn.Module): """只导出特征提取 + 马氏距离计算，均值/协方差作为输入""" def __init__(self, backbone): super().__init__() self.backbone = backbone # 已去掉 fc 的 ResNet def forward(self, x, mean, cov_inv): # x: [1, 3, H, W] feat = self.backbone(x) # [1, C, h, w] b, c, h, w = feat.shape feat = feat.permute(0, 2, 3, 1).reshape(b, h * w, c) # [1, N, C] # 马氏距离: sqrt((f-mean)^T * cov_inv * (f-mean)) diff = feat - mean # mean: [1, N, C] # cov_inv: [1, N, C, C] dist = torch.matmul(diff.unsqueeze(2), cov_inv) dist = torch.matmul(dist, diff.unsqueeze(3)).squeeze() dist = torch.sqrt(torch.clamp(dist, min=1e-8)) return dist.reshape(h, w) # 输出异常热力图 # 导出 model = PaDiMExportWrapper(backbone).eval() dummy_x = torch.randn(1, 3, 224, 224) dummy_mean = torch.randn(1, 784, 100) dummy_cov_inv = torch.eye(100).repeat(1, 784, 1, 1) torch.onnx.export( model, (dummy_x, dummy_mean, dummy_cov_inv), "padim.onnx", input_names=["input", "mean", "cov_inv"], output_names=["anomaly_map"], dynamic_axes={"input": {0: "batch"}}, opset_version=12, do_constant_folding=True )这段脚本的逻辑：把 backbone 和距离计算包成一个 nn.Module，forward 里先提特征、再 reshape 成 patch 序列、最后算马氏距离。参数说明几个关键点。opset_version=12是因为 matmul 对高维张量的支持和 squeeze 行为在 11 之后才稳定，低于 11 容易在 C# 侧报维度不匹配。dynamic_axes只对 batch 维开放，H/W 固定，因为 PaDiM 的均值向量是按固定特征图尺寸统计的，输入尺寸一变，patch 数量就对不上。do_constant_folding=True能把 BN 层折进卷积，减小模型体积，但要注意如果后面要改 BN 的 momentum，得重新导。
导出完建议用 onnxruntime 的 Python 版先验一遍，确认输出和 PyTorch 原版误差在 1e-4 以内再往 C# 搬，否则后面在 C# 里排查数值问题会很痛苦。
2.3 导出后的模型自检
import onnxruntime as ort import numpy as np sess = ort.InferenceSession("padim.onnx", providers=["CPUExecutionProvider"]) x = np.random.randn(1, 3, 224, 224).astype(np.float32) mean = np.random.randn(1, 784, 100).astype(np.float32) cov_inv = np.tile(np.eye(100, dtype=np.float32), (1, 784, 1, 1)) out = sess.run(["anomaly_map"], {"input": x, "mean": mean, "cov_inv": cov_inv}) print("输出形状:", out[0].shape) # 期望 (28, 28) print("数值范围:", out[0].min(), out[0].max())这一步是黑匣子验证：只要形状对、数值不是 NaN、和 PyTorch 输出对得上，就说明 ONNX 图没问题。如果这里就报维度错误，别急着改 C#，先回 Python 查导出时的 reshape 顺序——permute 和 reshape 的顺序写反是最高频的翻车点。
3. C# 侧接 ONNX Runtime：张量构造、会话配置与内存复用
3.1 环境准备与 NuGet 包选择
C# 侧要跑 ONNX，核心就一个包：Microsoft.ML.OnnxRuntime。CPU 版直接装这个；如果要上 GPU，装Microsoft.ML.OnnxRuntime.Gpu，但要注意 CUDA 和 cuDNN 版本必须和包内置的版本对齐，否则会话创建时直接抛异常。产线机器如果没独显，CPU 版配CPUExecutionProvider就够，PaDiM 的 backbone 是 ResNet18 级别，单张 224×224 推理在普通 i5 上大概几十毫秒，节拍要求不高的场景完全能接受。
dotnet add package Microsoft.ML.OnnxRuntime --version 1.16.3版本号建议锁死，别用浮动版本。ONNX Runtime 的 API 在小版本间偶有变动，产线环境最忌讳的就是「昨天还能跑今天编译不过」。
3.2 构造输入张量的正确姿势
using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; public class PaDiMInference : IDisposable { private readonly InferenceSession _session; private readonly string[] _inputNames = { "input", "mean", "cov_inv" }; public PaDiMInference(string modelPath) { var options = new SessionOptions(); options.IntraOpNumThreads = 4; // 按 CPU 核数调 options.GraphOptimizationLevel = GraphOptimizationLevel.ORT_ENABLE_ALL; _session = new InferenceSession(modelPath, options); } public float[,] Infer(float[] chwData, float[] mean, float[] covInv, int h, int w, int patchNum, int dim) { // 图像张量: [1, 3, H, W] var inputTensor = new DenseTensor<float>(chwData, new[] { 1, 3, h, w }); // 均值: [1, N, C] var meanTensor = new DenseTensor<float>(mean, new[] { 1, patchNum, dim }); // 协方差逆: [1, N, C, C] var covTensor = new DenseTensor<float>(covInv, new[] { 1, patchNum, dim, dim }); var inputs = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor("input", inputTensor), NamedOnnxValue.CreateFromTensor("mean", meanTensor), NamedOnnxValue.CreateFromTensor("cov_inv", covTensor) }; using var results = _session.Run(inputs); var map = results.First(r => r.Name == "anomaly_map").AsTensor<float>(); var output = new float[h, w]; for (int i = 0; i < h; i++) for (int j = 0; j < w; j++) output[i, j] = map[i, j]; return output; } public void Dispose() => _session?.Dispose(); }逻辑说明：DenseTensor 的构造函数接收一维数组和形状，数组必须按行优先（C 顺序）排好。图像数据从 Bitmap 转过来时，常见做法是先锁定位图取像素，再按 R 通道全部、G 通道全部、B 通道全部的顺序填进数组，也就是 CHW 而不是 HWC。这一步写反了不会报错，但输出热力图会完全乱掉，属于典型的「不崩但结果错」的坑。
参数说明：IntraOpNumThreads控制单算子内部并行线程数，产线机器如果同时跑多个相机，建议调小避免线程争抢；GraphOptimizationLevel设成 ALL 让 ORT 做算子融合，能提速 10% 到 20%。NamedOnnxValue.CreateFromTensor每次调用都会包一层，如果追求极致性能，可以用OrtValue和IOBinding做零拷贝，但代码复杂度上一个台阶，一般质检场景没必要。
3.3 预处理对齐：归一化和 resize 必须和训练一致
PaDiM 训练时用的归一化参数（ImageNet 的 mean/std）和 resize 方式（双线性还是双三次）必须原样搬到 C#。C# 里没有现成的 torchvision，resize 得自己写或者用 OpenCvSharp。用 OpenCvSharp 的话：
using OpenCvSharp; public static float[] Preprocess(string imagePath, int targetH, int targetW) { using var src = Cv2.ImRead(imagePath, ImreadModes.Color); using var resized = new Mat(); // 训练用双线性，这里必须一致 Cv2.Resize(src, resized, new Size(targetW, targetH), 0, 0, InterpolationFlags.Linear); var floatData = new float[3 * targetH * targetW]; int idx = 0; // OpenCV 默认 BGR，PyTorch 训练用 RGB，通道顺序要换 for (int c = 2; c >= 0; c--) { for (int y = 0; y < targetH; y++) { for (int x = 0; x < targetW; x++) { var px = resized.At<Vec3b>(y, x)[c] / 255.0f; // ImageNet 归一化 float[] mean = { 0.485f, 0.456f, 0.406f }; float[] std = { 0.229f, 0.224f, 0.225f }; floatData[idx++] = (px - mean[c]) / std[c]; } } } return floatData; }这里有两个高频错误。一是通道顺序：OpenCV 读进来是 BGR，PyTorch 训练是 RGB，不换通道结果会偏。二是归一化参数：有人图省事只除以 255 不减均值，训练时减了推理不减，异常分数整体偏移，阈值全废。这两个错误都不会让程序崩，但会让检测结果不可用，属于血泪经验级别的坑。
4. 避坑与排查：C# 调 ONNX 最容易翻车的五个地方
4.1 现象：会话创建成功但 Run 报维度不匹配
原因通常是 C# 侧构造的 DenseTensor 形状和 ONNX 里声明的输入形状对不上。ONNX 导出时如果 mean 声明成[1, 784, 100]，C# 侧传了[784, 100]或者[1, 100, 784]，ORT 在绑定输入时就会抛。解决方法是先用 Netron 打开 onnx 文件，把每个输入的名字和形状抄下来，C# 侧严格照抄，别凭记忆写。
4.2 现象：推理结果全是 NaN 或极大值
多半是协方差逆矩阵传进去的时候维度或数值有问题。cov_inv 是[1, N, C, C]，如果 C# 侧按[N, C, C]填，ORT 可能不报错但计算全乱。另外协方差逆矩阵在 Python 侧算的时候如果用了 float64，导出到 C# 用 float32，精度损失可能导致某些接近奇异的矩阵求逆后数值爆炸。常见做法是在 Python 侧对协方差加一个小的正则项（比如 0.01 倍单位阵）再求逆，保证数值稳定。
4.3 现象：单张推理正常，连续跑几百张后内存持续上涨
这是没释放 InferenceSession 或者没 dispose 结果。_session.Run返回的IDisposableReadOnlyCollection必须用 using 包起来，否则每次推理的中间张量不释放。另外 DenseTensor 如果反复 new，GC 压力也大。产线连续跑的场景，建议把输入张量的缓冲区复用，用DenseTensor的Buffer属性直接写数据，避免每次分配。
4.4 现象：CPU 版跑得动，换 GPU 版就报 provider 加载失败
GPU 版 ONNX Runtime 对 CUDA/cuDNN 版本极其敏感。包内置的 CUDA 版本和机器上装的不一致时，会话创建会直接失败。解决方法是查所用 ONNX Runtime 版本的官方文档，确认它要求的 CUDA 和 cuDNN 具体版本，然后在产线机器上装对应版本，别用系统里已有的其他版本。如果产线机器不方便装 CUDA，老老实实用 CPU 版，PaDiM 这个量级 CPU 完全扛得住。
4.5 现象：热力图看起来对，但阈值怎么调都不对
这通常不是推理的问题，而是训练侧和推理侧的预处理没对齐。检查三件事：resize 的插值方式是否一致、归一化参数是否一致、输入图像是否做了和训练时相同的裁剪。还有一个容易忽略的点：PaDiM 训练时如果对图像做了 padding 或者中心裁剪，推理时也要做同样的操作，否则特征图对应的空间位置就错位了，异常分数整体偏移。
5. 进阶：把热力图变成产线能用的判定结果
拿到float[,]的热力图只是第一步，产线要的是「OK/NG」和一个可追溯的分数。常见做法是对热力图做后处理：先高斯模糊去掉噪点，再取最大值或者 top-k 均值作为图像级异常分数，最后和一个标定好的阈值比较。
public static (bool isNg, float score) Judge(float[,] heatmap, float threshold, int topK = 10) { int h = heatmap.GetLength(0), w = heatmap.GetLength(1); var flat = new List<float>(h * w); for (int i = 0; i < h; i++) for (int j = 0; j < w; j++) flat.Add(heatmap[i, j]); flat.Sort((a, b) => b.CompareTo(a)); // 降序 float score = 0; for (int i = 0; i < Math.Min(topK, flat.Count); i++) score += flat[i]; score /= Math.Min(topK, flat.Count); return (score > threshold, score); }用 top-k 均值而不是最大值，是因为单点噪声容易让最大值虚高，top-k 更稳。阈值怎么定？拿一批已知 OK 和 NG 的图跑一遍，画 score 的分布，取两类分布之间能分开的那个点。如果两类重叠严重，说明模型或者预处理有问题，别硬调阈值。
还有一个实用技巧：把热力图叠加到原图上保存，NG 的时候留档，方便后面追溯是模型误判还是真有缺陷。C# 里用 OpenCvSharp 做伪彩色叠加几行代码的事，但对产线调试帮助很大。
从那以后我每次把 Python 模型往 C# 搬，都强制先跑一遍「同一张图、Python 和 C# 各推理一次、逐像素比对」的流程，误差超过 1e-3 就先查预处理，绝不带着偏差往下调阈值。希望帮到你。
本文还有配套的精品资源，点击获取
