AI與.NET技術(shù)實現(xiàn)圖像分類模型的部署與調(diào)用的詳細(xì)步驟

更新時間：2025年05月23日 09:48:06 作者：AI.NET 極客圈

本文詳細(xì)介紹了如何在 .NET 環(huán)境下使用 C# 部署和調(diào)用 AI 圖像分類模型,從環(huán)境搭建到模型選擇、部署與調(diào)用,再到性能優(yōu)化和應(yīng)用場景,我們提供了一套完整的實踐指南,感興趣的朋友一起看看吧

引言

人工智能（AI）技術(shù)的迅猛發(fā)展推動了各行各業(yè)的數(shù)字化轉(zhuǎn)型。圖像分類，作為計算機視覺領(lǐng)域的核心技術(shù)之一，能夠讓機器自動識別圖像中的物體、場景或特征，已廣泛應(yīng)用于醫(yī)療診斷、安防監(jiān)控、自動駕駛和電子商務(wù)等領(lǐng)域。

與此同時，.NET 平臺憑借其高效性、跨平臺能力和強大的 C# 編程語言支持，成為開發(fā)者構(gòu)建企業(yè)級應(yīng)用的首選技術(shù)棧。將 AI 圖像分類模型與 .NET 技術(shù)結(jié)合，不僅能充分發(fā)揮兩者的優(yōu)勢，還能為開發(fā)者提供一種高效、直觀的實現(xiàn)方式。

本文將詳細(xì)介紹如何在 .NET 環(huán)境下使用 C# 部署和調(diào)用 AI 圖像分類模型。我們將從環(huán)境搭建、模型選擇，到模型調(diào)用，再到實際應(yīng)用場景，逐步展開講解，并提供豐富的代碼示例和實踐指導(dǎo)，幫助開發(fā)者快速上手并應(yīng)用到實際項目中。

準(zhǔn)備工作

在開始實現(xiàn)圖像分類之前，我們需要準(zhǔn)備必要的開發(fā)環(huán)境和工具。以下是所需的軟件和庫：

Visual Studio：Visual Studio 2022。
.NET SDK：安裝 .NET 6.0 或更高版本，確保支持最新的功能和性能優(yōu)化。
ML.NET：微軟提供的開源機器學(xué)習(xí)框架，專為 .NET 開發(fā)者設(shè)計，支持模型訓(xùn)練和推理。
模型文件：我們將使用預(yù)訓(xùn)練的圖像分類模型 tensorflow_inception_graph.pb。

安裝步驟

創(chuàng)建項目并添加依賴：在命令行中運行以下命令，創(chuàng)建一個控制臺應(yīng)用程序并安裝必要的 NuGet 包：

dotnet new console -n ImageClassificationDemo
cd ImageClassificationDemo
dotnet add package Microsoft.ML
dotnet add package Microsoft.ML.ImageAnalytics
dotnet add package Microsoft.ML.TensorFlow
dotnet add package SciSharp.TensorFlow.Redist

完成以上步驟后，你的環(huán)境就準(zhǔn)備好了。接下來，我們將選擇一個合適的圖像分類模型。

圖像分類模型的選擇

圖像分類模型是基于監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，其目標(biāo)是將輸入圖像分配到預(yù)定義的類別中。在選擇模型時，我們需要考慮模型的性能、計算復(fù)雜度和適用場景。以下是幾種常見的圖像分類模型：

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：如 LeNet、AlexNet 和 VGGNet，適合基本的圖像分類任務(wù)，但層數(shù)較深時可能面臨梯度消失問題。
殘差網(wǎng)絡(luò)（ResNet）：通過引入殘差連接（skip connections），解決了深層網(wǎng)絡(luò)的訓(xùn)練難題，適用于高精度分類任務(wù)。
EfficientNet：通過平衡網(wǎng)絡(luò)深度、寬度和分辨率，提供高效的性能，適合資源受限的場景。

模型訓(xùn)練與導(dǎo)出

考慮到時間和資源成本，我們將直接使用預(yù)訓(xùn)練的 tensorflow_inception_graph.pb 模型。如果你有自定義需求，可以使用以下步驟訓(xùn)練并導(dǎo)出模型：

數(shù)據(jù)準(zhǔn)備：收集并標(biāo)注圖像數(shù)據(jù)集，分為訓(xùn)練集和驗證集。
訓(xùn)練模型：使用 TensorFlow 或 PyTorch 等框架訓(xùn)練模型。
導(dǎo)出模型：利用框架提供的導(dǎo)出工具導(dǎo)出模型。

在本文中，我們選擇 tensorflow_inception_graph.pb 作為示例模型，這是一種由Google開發(fā)的高性能卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)。

該模塊通過并行使用不同大小的卷積核（如1x1、3x3、5x5）和池化層，提取圖像的多尺度特征。這種設(shè)計提高了模型在圖像分類任務(wù)中的表現(xiàn)，同時保持了計算效率。支持 1000 個類別的分類，且可以輕松集成到 .NET 中。

大家可以直接點擊 tensorflow_inception_graph.pb 下載（文章最后也有下載方式）預(yù)訓(xùn)練的模型文件和分類文件，并將其放入項目目錄中。

也可以到github上下載（文章最后也有下載方式），里面的內(nèi)容相對來說也更豐富些。

在 .NET 中調(diào)用模型

現(xiàn)在，我們進(jìn)入核心部分：在 .NET 中調(diào)用 tensorflow_inception_graph.pb。以下是逐步實現(xiàn)的過程。

1. 創(chuàng)建 .NET 項目

使用命令行創(chuàng)建一個控制臺應(yīng)用，項目基本結(jié)構(gòu)如下：

ImageClassificationDemo/
├── ImageClassificationDemo.csproj
├── Program.cs
├── assets/inputs/inception/tensorflow_inception_graph.pb
├── assets/inputs/inception/imagenet_comp_graph_label_strings.txt

2. 定義輸入和輸出數(shù)據(jù)結(jié)構(gòu)

如果在運行的時候報錯說找不到模型或者label文件，可以進(jìn)行如下操作：

輸入類中定義數(shù)據(jù)的結(jié)構(gòu)如下，后續(xù)會使用 TextLoader 加載數(shù)據(jù)時引用該類型。此處的類名為 ImageNetData：

    public class ImageNetData
    {
        [LoadColumn(0)]
        public string ImagePath;
        [LoadColumn(1)]
        public string Label;
        public static IEnumerable<ImageNetData> ReadFromCsv(string file, string folder)
        {
            return File.ReadAllLines(file)
             .Select(x => x.Split('\t'))
             .Select(x => new ImageNetData { ImagePath = Path.Combine(folder, x[0]), Label = x[1] } );
        }
    }
    public class ImageNetDataProbability : ImageNetData
    {
        public string PredictedLabel;
        public float Probability { get; set; }
    }

需要強調(diào)的是，ImageNetData 類中的標(biāo)簽在使用 TensorFlow 模型進(jìn)行評分時并沒有真正使用。而是在測試預(yù)測時使用它，這樣就可以將每個樣本數(shù)據(jù)的實際標(biāo)簽與 TensorFlow 模型提供的預(yù)測標(biāo)簽進(jìn)行比較。

輸出類的結(jié)構(gòu)如下：

public class ImageNetPrediction
{
    [ColumnName(TFModelScorer.InceptionSettings.outputTensorName)]
    public float[] PredictedLabels;
}

Inception 模型還需要幾個傳入的默認(rèn)參數(shù)：

public struct ImageNetSettings
{
    public const int imageHeight = 224;
    public const int imageWidth = 224;
    public const float mean = 117;
    public const bool channelsLast = true;
}

3. 定義 estimator 管道

在處理深度神經(jīng)網(wǎng)絡(luò)時，必須使圖像適應(yīng)網(wǎng)絡(luò)期望的格式。這就是圖像被調(diào)整大小然后轉(zhuǎn)換的原因（主要是像素值在所有R，G，B通道上被歸一化）。

var pipeline = mlContext.Transforms.LoadImages(outputColumnName: "input", imageFolder: imagesFolder, inputColumnName: nameof(ImageNetData.ImagePath))
    .Append(mlContext.Transforms.ResizeImages(outputColumnName: "input", imageWidth: ImageNetSettings.imageWidth, imageHeight: ImageNetSettings.imageHeight, inputColumnName: "input"))
    .Append(mlContext.Transforms.ExtractPixels(outputColumnName: "input", interleavePixelColors: ImageNetSettings.channelsLast, offsetImage: ImageNetSettings.mean))
    .Append(mlContext.Model.LoadTensorFlowModel(modelLocation)
        .ScoreTensorFlowModel(outputColumnNames: new[] { "softmax2" }, inputColumnNames: new[] { "input" },
            addBatchDimensionInput:true));

運行代碼后，模型將被成功加載到內(nèi)存中，接下來我們可以調(diào)用它進(jìn)行圖像分類。

通常情況下，這里經(jīng)常報的錯就是輸入/輸出節(jié)點的名稱不正確，你可以通過 Netron (https://netron.app/)工具查看輸入/輸出節(jié)點的名稱。

因為這兩個節(jié)點的名稱后面會在 estimator 的定義中使用：在 inception 網(wǎng)絡(luò)的情況下，輸入張量命名為 ‘input’，輸出命名為 ‘softmax2’。

下圖是通過 Netron 讀取的 tensorflow_inception_graph.pb 模型分析圖：

輸入張量名

輸出張量名

4. 提取預(yù)測結(jié)果

填充 estimator 管道

ITransformer model = pipeline.Fit(data);
var predictionEngine = mlContext.Model.CreatePredictionEngine<ImageNetData, ImageNetPrediction>(model);

當(dāng)獲得預(yù)測結(jié)果后，我們會在屬性中得到一個浮點數(shù)數(shù)組。數(shù)組中的每個位置都會分配到一個標(biāo)簽。

例如，如果模型有5個不同的標(biāo)簽，則數(shù)組將為length = 5。數(shù)組中的每個位置都表示標(biāo)簽在該位置的概率；所有數(shù)組值（概率）的和等于1。

然后，您需要選擇最大的值（概率），并檢查配給了該位置的那個以填充 estimator 管道標(biāo)簽。

調(diào)用模型進(jìn)行圖像分類

接下來我們需要編寫代碼來加載圖像、進(jìn)行預(yù)測并解析結(jié)果。

1. 準(zhǔn)備素材與分類文件

定義圖像文件夾目錄和圖像分類目錄。以下代碼加載并預(yù)處理圖像：

string assetsRelativePath = @"../../../assets";
string assetsPath = GetAbsolutePath(assetsRelativePath);
string tagsTsv = Path.Combine(assetsPath, "inputs", "images", "tags.tsv");
string imagesFolder = Path.Combine(assetsPath, "inputs", "images");
string inceptionPb = Path.Combine(assetsPath, "inputs", "inception", "tensorflow_inception_graph.pb");
string labelsTxt = Path.Combine(assetsPath, "inputs", "inception", "imagenet_comp_graph_label_strings.txt");

2. 加載模型

private PredictionEngine<ImageNetData, ImageNetPrediction> LoadModel(string dataLocation, string imagesFolder, string modelLocation)
{
    ConsoleWriteHeader("Read model");
    Console.WriteLine($"Model location: {modelLocation}");
    Console.WriteLine($"Images folder: {imagesFolder}");
    Console.WriteLine($"Training file: {dataLocation}");
    Console.WriteLine($"Default parameters: image size=({ImageNetSettings.imageWidth},{ImageNetSettings.imageHeight}), image mean: {ImageNetSettings.mean}");
    var data = mlContext.Data.LoadFromTextFile<ImageNetData>(dataLocation, hasHeader: true);
    var pipeline = mlContext.Transforms.LoadImages(outputColumnName: "input", imageFolder: imagesFolder, inputColumnName: nameof(ImageNetData.ImagePath))
                    .Append(mlContext.Transforms.ResizeImages(outputColumnName: "input", imageWidth: ImageNetSettings.imageWidth, imageHeight: ImageNetSettings.imageHeight, inputColumnName: "input"))
                    .Append(mlContext.Transforms.ExtractPixels(outputColumnName: "input", interleavePixelColors: ImageNetSettings.channelsLast, offsetImage: ImageNetSettings.mean))
                    .Append(mlContext.Model.LoadTensorFlowModel(modelLocation).
                    ScoreTensorFlowModel(outputColumnNames: new[] { "softmax2" },
                                        inputColumnNames: new[] { "input" }, addBatchDimensionInput:true));
    ITransformer model = pipeline.Fit(data);
    var predictionEngine = mlContext.Model.CreatePredictionEngine<ImageNetData, ImageNetPrediction>(model);
    return predictionEngine;
}

3. 解析輸出結(jié)果

protected IEnumerable<ImageNetData> PredictDataUsingModel(string testLocation, 
                                                          string imagesFolder, 
                                                          string labelsLocation, 
                                                          PredictionEngine<ImageNetData, ImageNetPrediction> model)
{
    ConsoleWriteHeader("Classify images");
    Console.WriteLine($"Images folder: {imagesFolder}");
    Console.WriteLine($"Training file: {testLocation}");
    Console.WriteLine($"Labels file: {labelsLocation}");
    var labels = ReadLabels(labelsLocation);
    var testData = ImageNetData.ReadFromCsv(testLocation, imagesFolder);
    foreach (var sample in testData)
    {
        var probs = model.Predict(sample).PredictedLabels;
        var imageData = new ImageNetDataProbability()
        {
            ImagePath = sample.ImagePath,
            Label = sample.Label
        };
        (imageData.PredictedLabel, imageData.Probability) = GetBestLabel(labels, probs);
        imageData.ConsoleWrite();
        yield return imageData;
    }
}

在 Main 方法中調(diào)用，完整代碼如下：

static void Main(string[] args)
{
    string assetsRelativePath = @"../../../assets";
    string assetsPath = GetAbsolutePath(assetsRelativePath);
    string tagsTsv = Path.Combine(assetsPath, "inputs", "images", "tags.tsv");
    string imagesFolder = Path.Combine(assetsPath, "inputs", "images");
    string inceptionPb = Path.Combine(assetsPath, "inputs", "inception", "tensorflow_inception_graph.pb");
    string labelsTxt = Path.Combine(assetsPath, "inputs", "inception", "imagenet_comp_graph_label_strings.txt");
    try
    {
        TFModelScorer modelScorer = new TFModelScorer(tagsTsv, imagesFolder, inceptionPb, labelsTxt);
        modelScorer.Score();
    }
    catch (Exception ex)
    {
        ConsoleHelpers.ConsoleWriteException(ex.ToString());
    }
    ConsoleHelpers.ConsolePressAnyKey();
}

運行程序后，你將看到類似以下的輸出：

其他實現(xiàn)方式

在實際應(yīng)用中，我們也可以使用ONNX模型，此處不做額外敘述。由于模型的性能和效率至關(guān)重要，只是提供一些優(yōu)化建議：

模型量化：使用 ONNX Runtime 的量化工具，將模型從浮點數(shù)（FP32）轉(zhuǎn)換為整數(shù)（INT8），減少模型大小和推理時間。
硬件加速：結(jié)合 ONNX Runtime 的 GPU 支持，利用 CUDA 或 DirectML 加速推理。
批處理：如果需要處理多張圖像，可以將輸入組織為批次（batch），提高吞吐量。例如：

var inputs = new List<ImageInput> { input1, input2, input3 };
var batchPrediction = mlContext.Data.LoadFromEnumerable(inputs);
var predictions = model.Transform(batchPrediction);

緩存機制：對于頻繁使用的模型，保持預(yù)測引擎的單例實例，避免重復(fù)加載。

通過這些優(yōu)化，模型可以在 .NET 環(huán)境中實現(xiàn)更高的性能，滿足實時應(yīng)用的需求。

實際應(yīng)用場景

圖像分類模型在 .NET 應(yīng)用中有廣泛的用途，以下是幾個典型場景：

醫(yī)療影像分析
在醫(yī)療系統(tǒng)中，部署圖像分類模型可以輔助醫(yī)生識別 X 光片或 MRI 圖像中的異常。例如，檢測肺部結(jié)節(jié)或腫瘤。

智能安防
在監(jiān)控系統(tǒng)中，模型可以實時識別可疑物體或行為，如檢測闖入者或遺留物品。

電子商務(wù)
在商品管理系統(tǒng)中，自動分類上傳的商品圖像，提升搜索和推薦的準(zhǔn)確性。

挑戰(zhàn)與解決方案

數(shù)據(jù)隱私：通過加密傳輸和本地推理保護(hù)用戶數(shù)據(jù)。
模型更新：定期從云端下載新模型，并使用版本控制管理。
計算資源：在資源受限的設(shè)備上，使用輕量化模型（如 MobileNet）。

結(jié)論

本文詳細(xì)介紹了如何在 .NET 環(huán)境下使用 C# 部署和調(diào)用 AI 圖像分類模型。從環(huán)境搭建到模型選擇、部署與調(diào)用，再到性能優(yōu)化和應(yīng)用場景，我們提供了一套完整的實踐指南。通過 ML.NET 和預(yù)測模式的支持，開發(fā)者可以輕松地將強大的 AI 能力集成到 .NET 應(yīng)用中。

隨著 AI 技術(shù)的不斷進(jìn)步和 .NET 平臺的持續(xù)發(fā)展，二者的結(jié)合將為開發(fā)者帶來更多可能性。無論是構(gòu)建智能桌面應(yīng)用、Web 服務(wù)還是跨平臺解決方案，圖像分類模型都能為項目增添創(chuàng)新價值。希望本文能為你的 AI 之旅提供啟發(fā)和幫助！

參考資料

素材下載地址： https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip
Netron工具地址： https://netron.app/
224x224圖像素材： https://www.kaggle.com/datasets/abhinavnayak/catsvdogs-transformed/data
tensorflow教程及模型文件和label文件： https://github.com/martinwicke/tensorflow-tutorial
Image Classification - Scoring sample： https://github.com/dotnet/machinelearning-samples/blob/main/samples/csharp/getting-started/DeepLearning_ImageClassification_TensorFlow/README.md
ML.NET 官方文檔： https://dotnet.microsoft.com/apps/machinelearning-ai/ml-dotnet
ONNX Model Zoo： https://github.com/onnx/models

到此這篇關(guān)于AI與.NET技術(shù)實現(xiàn)圖像分類模型的部署與調(diào)用的詳細(xì)步驟的文章就介紹到這了,更多相關(guān).net 圖像分類模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: