纯C#无法原生实现图像识别，必须依赖ONNX Runtime、ML.NET或OpenCVSharp调用预训练模型；核心难点在于输入预处理（尺寸/归一化/通道顺序）和输出后处理（NMS/坐标映射）。
纯 C# 不装第三方库，做不了真正意义上的图像识别；所谓“C# 图像识别”，实际是调用封装好的模型推理接口，核心在 ONNX Runtime、ML.NET 或绑定 OpenCVSharp + Python 服务。直接写 Bitmap.GetPixel 遍历判色？那叫图像处理，不是识别。
用 ML.NET 做简单分类（如手写数字、logo 二分类）
ML.NET 适合轻量、.NET 原生集成、无需部署 Python 环境的场景，但只支持预训练管道或有限结构的自定义模型。
- 必须用
Microsoft.ML2.0+，旧版不支持图像输入；训练数据需转成ImageData类型（含ImageSource字符串路径 + 标签） - 不能直接喂
Bitmap对象，得先保存为文件（如temp.jpg），再传路径——否则报NotSupportedException: Image loading from stream is not supported - 模型导出后是
.zip，加载时用mlContext.Model.Load("model.zip", out var model)，别误用.mlnet后缀（那是旧版文本描述） - 推理速度慢：单图约 300–800ms（CPU），不适用于实时视频流；若要提速，得手动把
ImageClassificationTrainer换成OnnxModelScorer加载 ONNX
用 ONNX Runtime 跑 YOLOv5 / ResNet（推荐主流做法）
这才是当前 C# 工程中真正可行的图像识别路径：Python 训练好模型 → 导出 ONNX → C# 用 Microsoft.ML.OnnxRuntime 加载推理。
- ONNX 模型输入尺寸必须严格匹配，例如 YOLOv5s 要求
[1, 3, 640, 640]，传入Bitmap前得用Bitmap.Resize(640, 640)+ BGR 通道转换（OpenCVSharp.Cv2.CvtColor） - 别直接用
float[]喂数据：ONNX Runtime 要求float[, , ,]四维数组，且通道顺序为 NCHW（不是 NHWC），错一位结果全乱 - 常见错误：
InvalidArgument: Input 'images' has incompatible shape—— 多半是维度没 reshape 对，或图片没归一化到[0.f, 1.f]（YOLO 系列通常要除以 255f） - 性能关键点：复用
InferenceSession实例，别每次 new；输入 tensor 用OrtAllocator.Default避免 GC 压力
OpenCVSharp + DNN 模块调用（免 Python，但模型少）
OpenCVSharp4 自带 DNN 模块，可直接读取 .onnx、.pb、.torchscript，适合快速验证，缺点是算子支持不如 ONNX Runtime 全。
- 必须显式设置后端和目标：如
net.SetPreferableBackend(OpenCvSharp.Dnn.Backend.OPENCV)+net.SetPreferableTarget(OpenCvSharp.Dnn.Target.CPU)，否则默认用INFERENCE_ENGINE，会因缺 DLL 崩溃 - 标签文件（
classes.txt）每行一个类别，不能有空行；加载时用File.ReadAllLines("classes.txt")，别用Split('\n')——Windows 行尾是\r\n - 输出 blob 解析依赖模型结构：YOLOv5 输出是
[1, 25200, 85]，需自己实现 NMS（非极大值抑制）；SSD 输出是[1, 1, N, 7]，第 7 维含置信度，可直接用Cv2.Dnn.NMSBoxes - 注意
Bitmap到Mat的转换开销：用Mat.FromImageData比先存文件再Cv2.ImRead快 5 倍以上
真正卡住人的往往不是代码怎么写，而是模型输入预处理和输出后处理——尺寸、归一化、通道顺序、NMS 阈值、坐标映射回原图，这四步错任何一环，结果就全偏。源码里最值得抄的不是主逻辑，是那几行 Resize → Normalize → Transpose → ToTensor 的 pipeline。
