Snet.Yolo.Server 26.167.1

<h1 align="center"> <img width="120" height="120" src="https://api.shunnet.top/pic/nuget.png" alt="Snet Logo"/><br/> 🔍 VisualIdentity </h1>

<p align="center"> <b>基于 .NET 10 的 YOLO 多模型智能视觉识别平台</b> </p>

<p align="center"> <img src="https://img.shields.io/badge/.NET-8.0-blue?logo=dotnet"/> <img src="https://img.shields.io/badge/.NET-10.0-blue?logo=dotnet"/> <img src="https://img.shields.io/badge/license-MIT-green"/> <img src="https://img.shields.io/github/stars/shunnet/VisualIdentity?style=social"/> <img src="https://img.shields.io/nuget/v/Snet.Yolo.Server?color=blue"/> </p>

<p align="center"> 🚀 高效 · 🧩 灵活 · 📦 易部署 · 🔒 安全 </p>

<p align="center"> <a href="https://shunnet.top/"><b>🌐 官方网站</b></a> · <a href="https://github.com/shunnet/VisualIdentity"><b>📦 GitHub</b></a> · <a href="https://shunnet.top/EaiUj"><b>🎬 演示视频</b></a> · <a href="https://www.nuget.org/packages/Snet.Yolo.Server"><b>📦 NuGet</b></a> </p>

📖 目录

• 🌟 项目简介
• 🎯 应用场景
• 🏗️ 项目架构
• ⚡ 快速开始
• 📦 NuGet 安装
• 🔌 API 接口文档
• ⚙️ 配置文件
• 🧠 支持的任务
• ✅ 已验证的 YOLO 模型
• 🖥️ 执行提供者
• 💡 ONNX 模型导出
• 🐳 Docker 部署
• 🧪 测试
• 🔒 安全特性
• 📈 性能优化
• 📚 依赖组件
• 🙏 致谢
• 📜 许可证
• ⭐ 项目星标历史

🌟 项目简介

在 AI 应用落地的过程中，模型管理与多任务识别一直是开发者的痛点。 无论是检测、分类、分割、姿态估计、定向检测，往往都需要同时部署多个模型，传统方案在效率和易用性上总会遇到瓶颈。

VisualIdentity 正是为了解决这一系列问题而生。 它结合了 .NET 10 的现代化能力、YoloDotNet 的高性能推理引擎、以及 SQLite 的轻量级数据管理，为开发者提供一个开箱即用的智能识别平台。

✨ 核心特性

🎯 应用场景

🏗️ 项目架构

VisualIdentity/
├── Snet.Yolo.Server/              # 🧠 核心推理引擎 + 数据模型
│   ├── IdentityOperate.cs         #    YOLO 视觉识别（5 种任务）
│   ├── ManageOperate.cs           #    SQLite CRUD 模型管理
│   ├── handler/                   #    结果转换 · 公共工具 · 姿态颜色
│   ├── interface/                 #    IData · IIdentity · IManage
│   └── models/                    #    data/ (实体) · enum/ (枚举)
│
├── Snet.Yolo.Api.Shared/          # 🔗 共享 API 层（Shared Project）
│   ├── Controllers/               #    OperateBaseController（核心控制器）
│   ├── Handler/                   #    图片处理 · 历史文件清理
│   ├── Attribute/                 #    文件类型验证过滤器
│   ├── Model/                     #    ConfigModel
│   └── Program.cs                 #    ASP.NET 启动配置
│
├── Snet.Yolo.Api.Cpu/             # 🖥️ CPU API（端口 5157）
├── Snet.Yolo.Api.Cuda/            # 🎮 CUDA / TensorRT API（端口 5158）
├── Snet.Yolo.Api.OpenVino/        # 🔌 OpenVINO API（端口 5159）
├── Snet.Yolo.Api.CoreML/          # 🍎 Apple CoreML API（端口 5160）
├── Snet.Yolo.Api.DirectML/        # 🪟 DirectML API（端口 5161）
│
├── Snet.Yolo.Tool/                # 🛠️ WPF 桌面调试工具
│   ├── View/                      #    6 种识别模式页面
│   ├── ViewModel/                 #    识别逻辑 · 跌倒检测 · 数据统一
│   └── Data/                      #    UI 数据模型
│
├── Snet.Yolo.Test/                # 🧪 集成测试项目
├── Snet.Py/                       # 🐍 Python 模型导出脚本
│
├── appsettings.json               # ⚙️ 全局配置
└── VisualIdentity.sln             # 📦 解决方案文件

🔄 数据流

客户端上传图片 → API 控制器（参数验证 + CSRF 检查）
    → 速率限制中间件
    → ManageOperate（查询数据库获取 ONNX 模型路径）
    → IdentityOperate（加载 YOLO 模型 + 硬件加速器）
    → YoloDotNet 推理引擎（GPU / CPU 运算）
    → ResultHandler（结果转换）
    → ImageHandler（标注图片绘制 + 磁盘存储）
    → 返回 JSON 结果 + 图片 URL

⚡ 快速开始

前置要求

• .NET 10 SDK
• 至少一个 ONNX 格式的 YOLO 模型（导出方法）

1️⃣ 克隆仓库

git clone https://github.com/shunnet/VisualIdentity.git
cd VisualIdentity

2️⃣ 运行 CPU 版本 API

cd Snet.Yolo.Api.Cpu
dotnet run

浏览器访问 http://localhost:5157/swagger 查看 Swagger UI。

3️⃣ 上传模型并推理

# 1. 上传 ONNX 模型
curl -X POST http://localhost:5157/Operate/AddAsync \
  -F "file=@your_model.onnx" \
  -F "describe=我的检测模型" \
  -F "onnxType=ObjectDetection"

# 2. 执行推理（仅返回坐标数据）
curl -X POST http://localhost:5157/Operate/IdentityAsync \
  -F "onnxIndex=1" \
  -F "file=@test.jpg" \
  -F 'paramJson={"Confidence":0.2,"Iou":0.7}'

# 3. 执行推理（返回标注图 + 坐标 + 图片 URL）
curl -X POST http://localhost:5157/Operate/IdentityDrawAsync \
  -F "onnxIndex=1" \
  -F "file=@test.jpg" \
  -F 'paramJson={"Confidence":0.2,"Iou":0.7}'

📦 NuGet 安装

在您自己的 .NET 项目中使用 VisualIdentity 核心库：

# 核心推理库（必装）
dotnet add package Snet.Yolo.Server

# 根据硬件任选其一（⚠️ 只能选一个）
dotnet add package YoloDotNet.ExecutionProvider.Cpu      # 🖥️ 通用 CPU
dotnet add package YoloDotNet.ExecutionProvider.Cuda     # 🎮 NVIDIA GPU + TensorRT
dotnet add package YoloDotNet.ExecutionProvider.OpenVino # 🔌 Intel OpenVINO
dotnet add package YoloDotNet.ExecutionProvider.CoreML   # 🍎 Apple Silicon
dotnet add package YoloDotNet.ExecutionProvider.DirectML # 🪟 Windows GPU

💡 C# 调用示例

using SkiaSharp;
using Snet.Model.data;
using Snet.Yolo.Server;
using Snet.Yolo.Server.handler;
using Snet.Yolo.Server.models.data;
using Snet.Yolo.Server.models.@enum;
using YoloDotNet.ExecutionProvider.Cpu;
using YoloDotNet.Extensions;
using YoloDotNet.Models;

// 创建推理实例（自动缓存，配置不变时复用）
var identity = IdentityOperate.Instance(new IdentityData
{
    Hardware = new CpuExecutionProvider("/path/to/model.onnx"),
    IdentifyType = OnnxType.ObjectDetection,
    SN = "my-detector"
});

// 加载图片
using SKImage image = SKImage.FromEncodedData("/path/to/image.jpg");

// 执行推理
OperateResult result = await identity.RunAsync(new ObjectDetectionData
{
    Confidence = 0.23,  // 置信度阈值
    Iou = 0.7,          // 交并比阈值
    File = image.Encode().ToArray()
});

// 获取结果
var detections = result.GetObjectDetectionResult()?.ToObjectDetection();
if (detections is { Count: > 0 })
{
    foreach (var d in detections)
    {
        Console.WriteLine($"{d.Label.Name}: {d.Confidence:P1} @ {d.BoundingBox}");
    }

    // 绘制标注框
    using SKBitmap annotated = image.Draw(detections);
    // 保存或显示 annotated...
}

// 用完后释放（释放 GPU 资源）
identity.Dispose();

🔌 API 接口文档

📋 模型管理

🧠 推理接口

🖼️ 历史图片

🏥 健康检查

🔧 各硬件加速版本的额外参数

# CUDA - 指定 GPU ID + TensorRT 配置
IdentityAsync?onnxIndex=1&gpuid=0&trtConfig=...

# CoreML - 自适应模式
IdentityAsync?onnxIndex=1&adaptive=true

# DirectML - 指定 GPU ID
IdentityAsync?onnxIndex=1&gpuid=0

# OpenVINO - 高级配置
IdentityAsync?onnxIndex=1&openVino=...

paramJson 参数格式

⚙️ 配置文件

appsettings.json

{
  "AllowedOrigins": [],           // 🔒 CORS 白名单，空数组=拒绝所有跨域
  "RateLimit": {
    "PermitLimit": 120,           // ⏱️ 每分钟允许的请求数
    "WindowMinutes": 1,           // ⏱️ 时间窗口（分钟）
    "QueueLimit": 20              // ⏱️ 超出后的最大排队数
  },
  "ConfigModel": {
    "NameFormat": "yyyyMMddHHmmssffffff",           // 🏷️ 文件名时间格式
    "OriginalImageNamingFormat": "{0}-Original.jpeg",  // 🖼️ 原图命名
    "ResultImageNamingFormat": "{0}-Result.jpeg",      // 🎨 标注图命名
    "DetailsNamingFormat": "{0}-Details.ini",          // 📄 详情文件命名
    "RetentionDays": 30                               // 🗑️ 历史数据保留天数
  }
}

环境变量支持

⚠️ 注意: Swagger UI 仅在 Development 环境下启用，生产环境自动关闭。

🧠 支持的任务

🦴 姿态估计 — 内置跌倒检测

WPF 工具中的 YoloPoseViewModel 集成了实时跌倒检测算法（FallDetector），基于 17 个人体关键点进行多维度分析：

✅ 已验证的 YOLO 模型

以下 YOLO 模型已经过 YoloDotNet 与 Snet.Yolo.Server 的完整推理测试与验证：

🖥️ 执行提供者

⚠️ 重要: 每个项目/进程只能引用一个执行提供程序包。混合使用不同提供程序会导致运行时冲突（DLL 重复加载、符号冲突）。

💡 ONNX 模型导出

使用 Python (Ultralytics)

# 安装依赖
pip install ultralytics

# 训练或下载模型后导出
python Snet.Py/Snet.Py.py

手动导出

# YOLOv5u–YOLOv12 (opset 17)
yolo export model=yolov8n.pt format=onnx opset=17

# YOLOv26 (opset 18)
yolo export model=yolo26n.pt format=onnx opset=18

📌 使用正确的 opset 版本可确保与 ONNX Runtime 的最佳兼容性和推理性能。

🐳 Docker 部署

构建镜像

# CPU 版本
docker build -t snet-yolo-cpu -f Snet.Yolo.Api.Cpu/Dockerfile .

# CUDA 版本（需要 NVIDIA Container Toolkit）
docker build -t snet-yolo-cuda -f Snet.Yolo.Api.Cuda/Dockerfile .

# OpenVINO 版本
docker build -t snet-yolo-openvino -f Snet.Yolo.Api.OpenVino/Dockerfile .

运行容器

# CPU 版本
docker run -d -p 8080:8080 \
  -v /path/to/models:/app/wwwroot/onnxs \
  -v /path/to/data:/app/wwwroot \
  snet-yolo-cpu

# 健康检查
curl http://localhost:8080/health

📝 CoreML（仅 macOS）和 DirectML（仅 Windows）不支持 Docker 部署，应直接在目标系统上运行。

🧪 测试

# 运行集成测试（需设置环境变量）
cd Snet.Yolo.Test
export YOLO_IMAGE_PATH="/path/to/test.jpg"
export YOLO_MODEL_PATH="/path/to/model.onnx"
export YOLO_TYPE="ObjectDetection"
dotnet run

# 或使用 xUnit 运行
dotnet test

🔒 安全特性

📈 性能优化

推理性能

推理耗时构成（参考值，CPU 模式）

HTTP 接收        ~   5ms
图片解码         ~  20ms
ONNX 推理        ~ 150ms（取决于模型大小和硬件）
结果转换         ~   5ms
标注绘制         ~  30ms（仅 IdentityDraw 模式）
磁盘写入         ~  10ms（并行，不阻塞响应）
────────────────────────
总耗时 (快速)    ~ 180ms
总耗时 (完整)    ~ 220ms

📚 依赖组件

🔗 Snet.DB

• 集成 Dapper & SqlSugarCore 双 ORM 引擎
• 支持高性能 SQL 映射与链式查询
• 自动建表，Code-First 开发体验
• 保持轻量的同时具备生产级性能

⚡ YoloDotNet

• 适用于 .NET 的超快速、可投入生产的 YOLO 推理库
• 模块化、轻量级的 C# 库，实现实时计算机视觉
• 支持 YOLOv5u → YOLOv26 全系列模型
• 集成 SORT 目标追踪、GPU 加速、自定义后处理

🎨 SkiaSharp

• 跨平台 2D 图形渲染引擎
• 用于图片解码、标注框绘制、关键点渲染

🗄️ SQLite

• 嵌入式零配置关系型数据库
• 用于 ONNX 模型元数据管理（路径、类型、描述、时间戳）

🙏 致谢

📜 许可证

本项目基于 MIT 开源协议发布。

请阅读 LICENSE 获取完整条款。

⚠️ 软件按"原样"提供，作者不对使用后果承担责任。

📈 Star History

<a href="https://www.star-history.com/?repos=shunnet%2FVisualIdentity&type=date&legend=top-left"> <picture> <source media="(prefers-color-scheme: dark)" srcset="https://www.nuget.org/service/https://www.nuget.org/service/https://api.star-history.com/chart?repos=shunnet/VisualIdentity&type=date&theme=dark&legend=bottom-right " /> <source media="(prefers-color-scheme: light)" srcset="https://www.nuget.org/service/https://www.nuget.org/service/https://api.star-history.com/chart?repos=shunnet/VisualIdentity&type=date&legend=bottom-right " /> <img alt="Star History Chart" src="https://api.star-history.com/chart?repos=shunnet/VisualIdentity&type=date&legend=bottom-right" /> </picture> </a>