DeploySharp 0.0.9 发布新增 YOLOCls 分类与 BRIA-RMBG 抠图支持大家好DeploySharp又双叒叕升级啦本次我们正式发布了0.0.9版本核心 NuGet 包JYPPX.DeploySharp及其生态组件JYPPX.DeploySharp.OpenCvSharp、JYPPX.DeploySharp.ImageSharp均已同步推送至 NuGet 官方源。只要更新到最新版即可一键体验本次带来的两大重量级能力1.YOLOCls 分类模型—— 补齐 YOLO 系列在「分类」任务上的拼图2.BRIA-RMBG 背景移除模型—— 支持 v1.4 与 v2.0 双版本一键实现高精度抠图。下面带大家快速了解本次更新的亮点、新增模型特性以及开箱即用的示例代码。 一、版本亮点速览特性说明YOLOCls 支持支持 YOLO 系列分类模型如yolov8s-cls等输出 Top-10 置信度结果兼容 OpenVINO / ONNX Runtime / TensorRT。BRIA-RMBG 支持新增BriaRmbgModel同时支持v1.4与v2.0在内部自动适配不同归一化策略Scale_Neg05_05/ImageNetStandard。NuGet 0.0.9 上线核心包与图像处理扩展包全部更新至 0.0.9直接Update-Package即可享受新特性。全新 Samples 上线在samples/yolocls与samples/rmbg目录下新增 3 个完整 Console 示例覆盖 OpenCvSharp 与 ImageSharp 双图像方案。 二、DeploySharp 框架速览如果你是第一次接触 DeploySharp不妨花 30 秒快速认识一下这位 C# 开发者的「模型部署瑞士军刀」。简单来说DeploySharp是一个专为 C# 开发者设计的跨平台模型部署框架提供从模型加载、配置管理到推理执行的端到端解决方案。该项目由「椒颜皮皮虾」开发并开源遵循 Apache 2.0 许可协议在 GitHub 上已经收获了众多开发者的关注与 Star。2.1 架构设计DeploySharp 采用模块化命名空间设计像搭积木一样清晰•统一入口根命名空间DeploySharp集成模型加载、推理执行等核心功能。•模块化分层通过DeploySharp.Engine推理引擎、DeploySharp.Data数据处理、DeploySharp.Model模型定义等子命名空间各司其职。•泛型设计关键类采用泛型设计支持图像处理、分类、检测、分割等多任务标准数据交互。2.2 多引擎与多图像库支持推理引擎状态支持设备性能特点OpenVINO已就绪CPU、GPU、NPUIntel 硬件深度优化ONNX Runtime已就绪CPU、GPU(CUDA/DML)跨平台兼容性极佳TensorRT已就绪NVIDIA GPU极致推理性能图像处理库特点适用场景ImageSharp纯 C# 实现跨平台兼容性好无原生依赖跨平台应用、Web 后端OpenCvSharpOpenCV 的 C# 封装功能强大性能优异桌面应用、高性能视觉场景2.3 当前支持的模型清单截至目前DeploySharp 已经完成了以下主流模型的封装并且仍在持续扩充中Model NameModel TypeOpenVINOONNX RuntimeTensorRTYOLOClsClassification (YOLO)✅✅✅YOLOv5Detection✅✅✅YOLOv5Segmentation✅✅✅YOLOv6Detection✅✅✅YOLOv7Detection✅✅✅YOLOv8Detection✅✅✅YOLOv8Segmentation✅✅✅YOLOv8Pose✅✅✅YOLOv8Oriented Bounding Boxes✅✅✅YOLOv9Detection✅✅✅YOLOv9Segmentation✅✅✅YOLOv10Detection✅✅✅YOLOv11Detection✅✅✅YOLOv11Segmentation✅✅✅YOLOv11Pose✅✅✅YOLOv11Oriented Bounding Boxes✅✅✅YOLOv12Detection✅✅✅YOLOv26Detection✅✅✅YOLOv26Segmentation✅✅✅YOLOv26Pose✅✅✅YOLOv26Oriented Bounding Boxes✅✅✅AnomalibSegmentation✅✅✅PP-YOLOEDetection✅✅✅DEIMv2Detection✅✅✅RFDETRDetection✅✅✅RFDETRSegmentation✅✅✅RTDETRDetection✅✅✅PP-OCR v5Detection✅✅✅PP-OCR v5Classification✅✅✅PP-OCR v5Recognize✅✅✅PP-OCR v5DetClsRec✅✅✅PP-OCR v4Detection✅✅✅PP-OCR v4Classification✅✅✅PP-OCR v4Recognize✅✅✅PP-OCR v4DetClsRec✅✅✅BRIABria-RMBG v1.4v2.0✅✅✅ 三、YOLOCls让 YOLO 系列真正「全能」在目标检测、实例分割、姿态估计、旋转框检测之后DeploySharp 终于补齐了 YOLO 系列的分类能力。YOLOCls 主打「轻量、快速、易部署」适合以下场景• 工业质检中的缺陷分类• 生产线上的产品品类识别• 内容审核中的图像主题分类3.1 设计特点•Top-10 输出不仅返回最高置信度类别还会给出前 10 个疑似结果方便业务层做二次决策。•自动预处理默认使用Stretch缩放 Scale_0_1归一化与 YOLO 分类模型官方导出参数保持一致。•多后端无感切换一行代码config.SetTargetInferenceBackend(...)即可在 OpenVINO、ONNX Runtime、TensorRT 之间切换。3.2 快速上手OpenCvSharp 版using DeploySharp.Data.ResultData; using DeploySharp.Engine; using DeploySharp.Model; using OpenCvSharp; string modelPath E:\Model\yolo\yolov8s-cls.onnx; string imagePath E:\Data\image\demo_4.jpg; YoloClsConfig config new YoloClsConfig(modelPath); config.SetTargetInferenceBackend(InferenceBackend.OnnxRuntime); YoloClsModel model new YoloClsModel(config); Mat img Cv2.ImRead(imagePath); ClsResult result model.Predict(img); model.ModelInferenceProfiler.PrintAllRecords(); Console.WriteLine(result.ToString());运行后result.Category即为排名第一的类别result.SuspectedResults中包含了 Top-10 的全部信息。以下是控制台运行后的输出效果image-20260413215347871 四、BRIA-RMBG高精度背景移除双版本一键切换BRIA-RMBG是目前开源社区效果最出色的通用抠图模型之一。为了让 C# 开发者也能零门槛接入本次 0.0.9 版本将其完整封装进了 DeploySharp。4.1 版本适配DeploySharp 通过BriaRmbgConfig.BriaRmbgVersion枚举在内部自动处理两个版本在预处理上的差异版本归一化方式备注V1_4Scale_Neg05_05经典版本社区资源丰富V2_0ImageNetStandard新版本边缘细节更精细4.2 快速上手OpenCvSharp v1.4using DeploySharp.Data; using DeploySharp.Engine; using DeploySharp.Model; using OpenCvSharp; string modelPath E:\Model\RMBG\bria-rmbg-1.4.onnx; string imagePath E:\Data\image\boy.jpg; BriaRmbgConfig config new BriaRmbgConfig( BriaRmbgConfig.BriaRmbgVersion.V1_4, modelPath); config.SetTargetInferenceBackend(InferenceBackend.OnnxRuntime); config.SetTargetOnnxRuntimeDeviceType(OnnxRuntimeDeviceType.DML); config.SetTargetDeviceType(DeviceType.GPU0); config.InputSizes.Add(new int[] { 1, 3, 1024, 1024 }); config.OutputSizes.Add(new int[] { 1, 1, 1024, 1024 }); BriaRmbgModel model new BriaRmbgModel(config); Mat img Cv2.ImRead(imagePath); SegResult[] result model.Predict(img); model.ModelInferenceProfiler.PrintAllRecords(); // 获取 Mask 并合成透明背景图 Mat resultImg result[0].ByteMask.ToMat(); Mat merged BriaRmbgModel.MergeWithMask(img, result[0]); Cv2.ImShow(mask, resultImg); Cv2.ImShow(merged, merged); Cv2.WaitKey(0);程序运行后的推理输出如下图所示image-20260413215821473下图是在 ONNX Runtime DML 加速下的运行耗时表现image-202604132159451274.3 ImageSharp v2.0 示例如果你更偏好ImageSharp跨平台、纯托管代码同样简洁using DeploySharp.Data; using DeploySharp.Engine; using DeploySharp.Model; using SixLabors.ImageSharp; string modelPath E:\Model\RMBG\RMBG-2.0.onnx; string imagePath E:\Data\image\boy.jpg; BriaRmbgConfig config new BriaRmbgConfig( BriaRmbgConfig.BriaRmbgVersion.V2_0, modelPath); config.SetTargetInferenceBackend(InferenceBackend.OnnxRuntime); config.InputSizes.Add(new int[] { 1, 3, 1024, 1024 }); config.OutputSizes.Add(new int[] { 1, 1, 1024, 1024 }); BriaRmbgModel model new BriaRmbgModel(config); var img Image.Load(imagePath); SegResult[] result model.Predict(img); model.ModelInferenceProfiler.PrintAllRecords(); // 保存 Mask 与合成图 var resultImg result[0].ByteMask.ToImage(); resultImg.Save($./result_{ModelType.BriaRmbg}.jpg); var merged BriaRmbgModel.MergeWithMask(img, result[0]); merged.Save($./merge_result_{ModelType.BriaRmbg}.jpg);小贴士BriaRmbgModel.MergeWithMask是框架提供的便捷工具方法可直接将原图与抠图 Mask 合并为带透明通道的图像无需手写像素级操作。程序运行后的推理输出如下image-20260413220317684下图是在 OpenVINO 加速下的运行耗时表现image-20260413220557680 五、升级到 0.0.9 运行新 Samples5.1 NuGet 更新方式打开你的项目执行以下命令即可升级到 0.0.9# 核心库 Update-Package JYPPX.DeploySharp -Version 0.0.9 # 根据你的图像处理方案二选一 Update-Package JYPPX.DeploySharp.OpenCvSharp -Version 0.0.9 Update-Package JYPPX.DeploySharp.ImageSharp -Version 0.0.9如果你创建的是新项目推荐直接通过PackageReference引用以OpenCvSharp ONNX Runtime(DML)为例ItemGroup PackageReference IncludeJYPPX.DeploySharp Version0.0.9 / PackageReference IncludeJYPPX.DeploySharp.OpenCvSharp Version0.0.9 / PackageReference IncludeMicrosoft.ML.OnnxRuntime.DirectML Version1.24.4 / PackageReference IncludeOpenCvSharp4.runtime.win Version4.11.0.20250507 / PackageReference IncludeOpenVINO.runtime.win Version2026.0.0 / /ItemGroup5.2 新增 Samples 目录结构为了方便大家直接跑通我们在samples目录下新增了以下示例samples/ ├── yolocls/ │ └── yolov8-cls_opencvsharp/ # YOLOCls OpenCvSharp 分类示例 ├── rmbg/ │ ├── bria-rmbg-v1.4_opencvsharp/ # BRIA v1.4 OpenCvSharp 抠图示例 │ └── bria-rmbg-v2.0_imagesharp/ # BRIA v2.0 ImageSharp 抠图示例所有示例均已配置好项目引用下载模型与测试图后F5 一键运行即可看到效果。 模型和测试图片可以前往 QQ 交流群945057948获取群里还有更详细的部署答疑与最新动态哦 六、技术支持与相关资源6.1 反馈与交流遇到问题有好的建议欢迎通过以下方式联系我们•GitHub Issues在项目仓库提交 Issue 或 Pull Request•QQ 交流群加入945057948获取实时技术支持•微信公众号CSharp与边缘模型部署更多教程案例等你来•CSDN 博客guojin.blog.csdn.net技术文章持续更新6.2 官方资源•DeploySharp 主页https://github.com/guojin-yan/DeploySharp•DeploySharp API 文档https://guojin-yan.github.io/DeploySharp.docs/index.html•PaddleOCR 官方https://github.com/PaddlePaddle/PaddleOCR•OpenVINO 官方https://docs.openvino.ai/•TensorRT 官方https://docs.nvidia.com/deeplearning/tensorrt/•ONNX Runtime 官方https://onnxruntime.ai/docs/ 未来展望DeploySharp 的目标始终不变让 C# 开发者以最低成本、最高效率完成深度学习模型落地。在接下来的版本中我们计划• 持续扩充主流模型生态如 SAM、YOLO-World 等• 推出更丰富的可视化与桌面端应用模板。如果你有任何模型需求或改进建议欢迎在GitHub Issues留言或者加入 QQ 群945057948直接交流结语DeploySharp 0.0.9的发布标志着我们在 AI 模型部署领域又迈出了重要一步。无论是想快速原型验证还是需要生产环境部署DeploySharp 都能满足你的需求。同一段代码多种引擎自由切换让 .NET 开发者在 AI 部署的道路上少走弯路。未来我们将继续优化框架性能支持更多模型类型和推理引擎为 .NET 开发者提供更完善的 AI 模型部署解决方案。期待您的使用和反馈QQ群二维码作者Guojin Yan版本DeploySharp 0.0.9发布时间2026年4月【文章声明】本文主要内容基于作者的研究与实践部分表述借助 AI 工具进行了辅助优化。由于技术局限性文中可能存在错误或疏漏之处恳请各位读者批评指正。如果内容无意中侵犯了您的权益请及时通过公众号后台与我们联系我们将第一时间核实并妥善处理。感谢您的理解与支持