DeploySharp 0.0.8 震撼升级！支持PP-OCR v4/v5 全系列模型极速推理，开源免费且多平台支持，RTX 3060 上狂飙至 23ms！我的项目我做主，从此加速不求人。

DeploySharp 0.0.8 震撼发布！这是一款专为 .NET 开发者打造的开源免费跨平台模型部署框架，全新支持 PP-OCR v4/v5 全系列模型，涵盖文本检测、方向分类、文字识别完整流程。框架打通了 OpenVINO、TensorRT、ONNX Runtime 三大主流推理引擎，同一段代码即可自由切换，在 RTX 3060 上推理速度狂飙至 23ms。无论你用 Intel CPU、NV

椒颜皮皮虾྅

1673人浏览 · 2026-02-05 10:00:00

椒颜皮皮虾྅ · 2026-02-05 10:00:00 发布

DeploySharp 0.0.8 震撼升级！支持PP-OCR v4/v5 全系列模型极速推理，开源免费且多平台支持，RTX 3060 上狂飙至 23ms！我的项目我做主，从此加速不求人。

嘿，C# 开发者朋友们注意了！DeploySharp 迎来了一次重大升级——0.0.8 版本正式上线啦！这次更新带来了大家期待已久的 PP-OCR v4 和 v5 全系列模型支持，从文本检测、方向分类到文字识别，一个不少。更炸裂的是，OpenVINO、TensorRT、ONNX Runtime 这三大主流推理引擎全部打通，在 RTX 3060 上推理速度最快能飙到 23ms，比闪电还快！

一、DeploySharp 是个啥？

简单来说，DeploySharp 就是专为 C# 开发者打造的一把"瑞士军刀"——一个跨平台的模型部署框架。不管你是想加载模型、管理配置，还是执行推理，它都能一站式搞定。

这个项目由「椒颜皮皮虾」开发并开源，遵循 Apache 2.0 许可协议。自从在 GitHub 上架以来，已经收获了广泛关注和星标。

架构设计有点东西

DeploySharp 的设计思路很清晰，就像搭积木一样：

统一入口：DeploySharp 作为总指挥，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：关键类都用上了泛型，图像处理、分类、检测等各种任务都能友好接入

想看源码？戳这里

https://github.com/guojin-yan/DeploySharp.git

1. 推理引擎全家桶

DeploySharp 一口气支持了三种主流推理引擎，任君选择：

推理引擎	状态	支持设备	性能特点
OpenVINO	已就绪	CPU、GPU0(集显)、GPU1(独显)、NPU	Intel 硬件优化
ONNX Runtime	已就绪	CPU、GPU(CUDA/DML)	跨平台兼容性好
TensorRT	已就绪	GPU(TensorRT)	NVIDIA GPU 极致性能

简单说：

手里是 Intel CPU 的？选 OpenVINO，优化到位
想跨平台尝鲜的？ONNX Runtime 绝对不坑你
有 NVIDIA 显卡且追求极致速度的？TensorRT 就是为你准备的

2. 图像处理两种选择

框架给你留了后路，两种图像处理库任你选：

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 应用
OpenCvSharp	OpenCV 的 C# 封装，功能强大，性能优异	桌面应用、高性能场景

怕麻烦选 ImageSharp，追求性能选 OpenCvSharp，就是这么任性。

3. 跨平台运行时全覆盖

不管你用的是哪个版本的 .NET，DeploySharp 都能接得住：

.NET Framework 4.8 / 4.8.1（老用户别担心）
.NET Core 3.1
.NET 5.0 ~ .NET 10.0（新用户随便上）

4. NuGet 包生态

4.1 核心包

包名	描述	NuGet 链接
JYPPX.DeploySharp	DeploySharp API 核心库	https://www.nuget.org/packages/JYPPX.DeploySharp/

核心包里装的是啥？

推理引擎的统一抽象接口
数据结构定义
模型配置基类
性能分析工具
日志系统
可视化基础功能

4.2 图像处理扩展包

包名	描述	NuGet 链接
JYPPX.DeploySharp.ImageSharp	使用 ImageSharp 的图像处理扩展	https://www.nuget.org/packages/JYPPX.DeploySharp.ImageSharp/
JYPPX.DeploySharp.OpenCvSharp	使用 OpenCvSharp 的图像处理扩展	https://www.nuget.org/packages/JYPPX.DeploySharp.OpenCvSharp/

扩展包给你带来：

图像加载和保存
图像预处理实现
可视化功能实现
批量处理支持

5. 支持的模型清单

截至目前，DeploySharp 已经完成了以下模型的封装，而且还在不断扩充中：

Model Name	Model Type	OpenVINO	ONNX Runtime	TensorRT
YOLOv5	Detection	✅	✅	✅
YOLOv5	Segmentation	✅	✅	✅
YOLOv6	Detection	✅	✅	✅
YOLOv7	Detection	✅	✅	✅
YOLOv8	Detection	✅	✅	✅
YOLOv8	Segmentation	✅	✅	✅
YOLOv8	Pose	✅	✅	✅
YOLOv8	Oriented Bounding Boxes	✅	✅	✅
YOLOv9	Detection	✅	✅	✅
YOLOv9	Segmentation	✅	✅	✅
YOLOv10	Detection	✅	✅	✅
YOLOv11	Detection	✅	✅	✅
YOLO11	Segmentation	✅	✅	✅
YOLO11	Pose	✅	✅	✅
YOLO11	Oriented Bounding Boxes	✅	✅	✅
YOLO12	Detection	✅	✅	✅
Anomalib	Segmentation	✅	✅	✅
PP-YOLOE	Detection	✅	✅	✅
DEIMv2	Detection	✅	✅	✅
RFDETR	Detection	✅	✅	✅
RFDETR	Segmentation	✅	✅	✅
RTDETR	Detection	✅	✅	✅
YOLO26	Detection	✅	✅	✅
YOLO26	Segmentation	✅	✅	✅
YOLO26	Pose	✅	✅	✅
YOLO26	Oriented Bounding Boxes	✅	✅	✅
PP-OCR v5	Detection	✅	✅	✅
PP-OCR v5	Classification	✅	✅	✅
PP-OCR v5	Recognize	✅	✅	✅
PP-OCR v5	Det+Cls+Rec	✅	✅	✅
PP-OCR v4	Detection	✅	✅	✅
PP-OCR v4	Classification	✅	✅	✅
PP-OCR v4	Recognize	✅	✅	✅
PP-OCR v4	Det+Cls+Rec	✅	✅	✅

二、PP-OCR v4/v5 模型支持

OCR 是什么鬼？

OCR（光学字符识别）这东西，说白了就是把图片里的文字"抠"出来，变成可编辑的文本。想想看，以前扫个文档还得手打，现在一键搞定，这不就是黑科技嘛！

数字化办公、文档管理、票据识别……这些场景全得靠它。百度飞桨开源的 PP-OCR 作为 OCR 界的"扛把子"，以识别精度高、功能丰富著称，深受开发者喜爱。

同一套代码，多种引擎自由切

得益于 DeploySharp 底层接口统一的优势，开发者现在可以用同一段代码在 OpenVINO、TensorRT、ONNX Runtime 等多种推理引擎间自由切换。就像换衣服一样方便，代码不用改，引擎随便换！

最近，我们完成了 PP-OCR v4/v5 的支持更新，给 .NET 开发者送上了一份完整的 OCR 解决方案大礼。功能已经集成到 DeploySharp 开源项目中，代码已上传仓库，NuGet 包也已发布，坐等大家来体验！

2.1 模型架构：三段式流水线

PP-OCR 采用经典的"检测-分类-识别"三阶段流水线架构，就像一个精密的工厂车间：

输入图片
    │
    ▼
┌─────────────┐
│ 文本检测     │ → 第一步：找出图片里哪里有文字，标出位置
│ (Detection) │
└─────────────┘
    │
    ▼
┌─────────────┐
│ 文本方向分类 │ → 第二步：判断文字有没有颠倒（比如倒着拍的照片）
│ (Classifier)│
└─────────────┘
    │
    ▼
┌─────────────┐
│ 文本识别     │ → 第三步：把检测到的文字框里的内容认出来
│ (Recognition)│
└─────────────┘
    │
    ▼
输出识别结果 → 搞定！

2.2 v4 和 v5 有啥区别？

特性	PP-OCR v4	PP-OCR v5
Cls 输入尺寸	48x192	80x160
精度	高	更高
推理速度	较快	相当
模型体积	较小	相当

一句话总结：v5 精度更高，但速度和体积与 v4 基本持平。如果你的应用场景对精度要求更高，果断上 v5！

2.3 配置很简单

DeploySharp 为不同版本的 PP-OCR 提供了预设配置，不用费脑细胞：

PP-OCR v4 一键配置：

PaddleOCRConfig config = PaddleOCRConfig.GetPPOCRv4Config(
    detModelPath: @"E:\Model\ppocrv4\det\det.onnx",
    clsModelPath: @"E:\Model\ppocrv4\cls\cls.onnx",
    recModelPath: @"E:\Model\ppocrv4\rec\rec.onnx",
    recDictPath: @"E:\Model\ppocrv4\ppocr_keys_v1.txt"
);
// v4 特点：Cls 输入尺寸为 48x192

PP-OCR v5 一键配置：

PaddleOCRConfig config = PaddleOCRConfig.GetPPOCRv5Config(
    detModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_det_onnx.onnx",
    clsModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_cls_onnx.onnx",
    recModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_rec_onnx_combined.onnx",
    recDictPath: @"E:\Model\ppocrv5\ppocrv5_dict.txt"
);
// v5 特点：Cls 输入尺寸为 80x160

自定义配置（适合有特殊需求的朋友）：

// 分别指定检测(det)、分类(cls)和识别(rec)模型的本地路径，以及字典文件路径
var paddleOCRConfig = new PaddleOCRConfig(
    detModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_det_onnx.onnx",       // 检测模型：负责定位文字框
    clsModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_cls_onnx.onnx",       // 分类模型：判断文字方向（可选）
    recModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_rec_onnx_combined.onnx", // 识别模型：负责认字
    recDictPath: @"E:\Model\ppocrv5\ppocrv5_dict.txt"                      // 字典文件：模型能识别的字符表
);

三、推理引擎全面支持

DeploySharp 最新版本支持的推理引擎，前面已经说过，这里再详细唠唠各家的特点：

3.1 OpenVINO：Intel 的亲儿子

支持设备：

CPU（普通电脑也能跑）
Intel iGPU（Intel 集显）
Intel GPU（Intel 独显，比如 Arc 系列）
AUTO（混合模式：CPU + iGPU 双剑合璧）

什么时候用它？

手头没有独立显卡
用的是 Intel 处理器
对稳定性要求贼高的生产环境

3.2 TensorRT：NVIDIA 的速度之王

支持设备：

NVIDIA GPU（必须有 N 卡）
CUDA 11.x / 12.x

什么时候用它？

手里有 NVIDIA 显卡
追求极致推理速度，就是要快
可以接受离线模型转换的过程

3.3 ONNX Runtime：万能选手

支持设备：

CPU（最基础）
CUDA 12（N 卡专属）
DML GPU（DirectML，支持 AMD/NVIDIA/Intel 全家桶显卡）
TensorRT（通过 ONNX Runtime 调用）

什么时候用它？

需要跨平台部署
快速原型验证
需要支持多厂商显卡

四、性能表现：说话要靠数据

空口无凭，咱们上实测数据！

4.1 性能对比实测

测试设备1：Intel 组合拳

推理引擎	设备	设备类型	PP-OCR v4 推理时间	PP-OCR v5 推理时间
OpenVINO	CPU	Intel Core Ultra 9 288V 8核	81 ms	148 ms
OpenVINO	IGPU	Intel Arc 140V GPU (16GB)	46 ms	61 ms
OpenVINO	AUTO	Intel Core Ultra 9 288V 8核 + Intel Arc 140V GPU	47 ms	62 ms
ONNX Runtime DML	IGPU	Intel Arc 140V GPU	241 ms	188 ms

解读： Intel 自家的 OpenVINO 在 Intel 硬件上表现抢眼，集显加速效果明显。

测试设备2：AMD + NVIDIA 组合

推理引擎	设备	设备类型	PP-OCR v4 推理时间	PP-OCR v5 推理时间
OpenVINO	CPU	AMD Ryzen 7 5800H 8核	94ms	236ms
ONNX Runtime	CPU	AMD Ryzen 7 5800H 8核	295ms	329 ms
ONNX Runtime DML	GPU	NVIDIA GeForce RTX 3060	73ms	81ms
ONNX Runtime CUDA	GPU	NVIDIA GeForce RTX 3060	62ms	62ms
ONNX Runtime TensorRT	GPU	NVIDIA GeForce RTX 3060	28ms	40 ms
TensorRT	GPU	NVIDIA GeForce RTX 3060	29ms	49ms

解读： RTX 3060 上 TensorRT 和 ONNX Runtime TensorRT 模式都能跑到 30ms 左右，速度相当可观！

优化版本：还能更快！

经过一番优化调优，我们拿到了更漂亮的成绩：

推理引擎	设备	设备类型	PP-OCR v4 推理时间	PP-OCR v5 推理时间
ONNX Runtime DML	GPU	NVIDIA GeForce RTX 3060	60ms	59ms
ONNX Runtime CUDA	GPU	NVIDIA GeForce RTX 3060	58ms	56ms
ONNX Runtime TensorRT	GPU	NVIDIA GeForce RTX 3060	25ms	26ms
TensorRT	GPU	NVIDIA GeForce RTX 3060	23ms	36ms

温馨提示：关于优化细节，这里先卖个关子，后续我会单独写一篇文章揭秘，敬请期待！

4.2 性能优化小贴士

想让你的模型跑得更快？试试这几招：

调整并发数：根据 GPU 核心数设置合理的并发数量，不是越多越好
优化 Batch Size：适当增大 Batch Size 可以提高 GPU 利用率，但要避免爆显存
模型精度：使用 FP16 量化可进一步提升推理速度，精度损失微乎其微
预热推理：首次推理较慢是正常现象（加载模型需要时间），后续推理速度会显著提升
Rec模型最大输入宽度：这个参数很关键！根据你识别的文字内容调整宽度，能有效降低推理时间

五、案例演示：眼见为实

5.1 控制台 Demo

项目路径： demos/DeploySharp.OpenCvSharp.PaddleOcr.Demo

核心代码（保姆级注释版）：

using DeploySharp.Data;
using DeploySharp.Engine;
using DeploySharp.Log;
using DeploySharp.Model;
using OpenCvSharp;
using System.Diagnostics;

namespace DeploySharp.OpenCvSharp.PaddleOcr.Demo
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 第一步：设置日志级别，避免刷屏
            MyLogger.SetLevel(Log.LogLevel.ERROR);
            string imagePath = @"E:\Data\ocr\demo_1.jpg";
            Mat img = Cv2.ImRead(imagePath);

            // 第二步：创建 PP-OCR v5 配置
            PaddleOCRConfig paddleOCRConfig = new PaddleOCRConfig(
                detModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_det_onnx.onnx",
                clsModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_cls_onnx.onnx",
                recModelPath: @"E:\Model\ppocrv5\PP-OCRv5_mobile_rec_onnx_combined.onnx",
                recDictPath: @"E:\Model\ppocrv5\ppocrv5_dict.txt"
            );

            // 第三步：配置推理引擎和设备
            // 1. 设置全局推理后端为 ONNX Runtime
            paddleOCRConfig.GlobalInferenceBackend = InferenceBackend.OnnxRuntime;

            // 2. 配置硬件加速设备
            paddleOCRConfig.GlobalDeviceType = DeviceType.GPU0;
            // GlobalOnnxRuntimeDeviceType 指定 ONNX Runtime 具体使用的执行提供者（EP）
            // OnnxRuntimeDeviceType.Cuda 表示启用 CUDA 加速（需确保安装了 CUDA 和 cuDNN）
            paddleOCRConfig.GlobalOnnxRuntimeDeviceType = OnnxRuntimeDeviceType.Cuda;

            // 3. 设置并发与批处理参数
            // MaxConcurrency: 并发处理的最大线程数，设为 4 可充分利用 CPU 多核能力或 GPU 并行能力
            paddleOCRConfig.MaxConcurrency = 4;
            // GlobalMaxBatchSize: 动态批处理的最大批次大小
            // 设为 4 允许引擎将 4 张图片打包一次性推理，大幅提升 GPU 利用率和吞吐量
            paddleOCRConfig.GlobalMaxBatchSize = 4;

            // 4. 配置识别模型的具体参数
            // InferImageHeight: 统一将输入图片的高度缩放到 48 像素，这是 PP-OCRv5 识别模型的固定要求
            paddleOCRConfig.RecConfig.InferImageHeight = 48;
            // MaxImageWidth: 限制输入图片的最大宽度为 320 像素
            // 适当限制宽度可减少显存占用并提高推理速度，通常能覆盖大多数长条形文字图片
            paddleOCRConfig.RecConfig.MaxImageWidth = 320;

            // 第四步：创建预测器并执行推理
            using (PaddleOcrPredictor paddleOcrPredictor = new PaddleOcrPredictor(paddleOCRConfig))
            {
                // 预热：第一次推理会慢一点，模型加载需要时间
                OcrResult ocrResult = paddleOcrPredictor.Predict(img);

                // 性能测试：记录推理时间
                Stopwatch sw = Stopwatch.StartNew();
                ocrResult = paddleOcrPredictor.Predict(img);
                sw.Stop();

                // 第五步：输出结果
                Console.WriteLine(ocrResult.ToString());
                Console.WriteLine("---- Profiling Time ----");
                paddleOcrPredictor.PrintTimeProfiling();
                Console.WriteLine($"Inference time: {sw.ElapsedMilliseconds} ms");

                // 可视化：在原图上标注识别结果
                Mat resultMat = Visualize.DrawOcrResult(img, ocrResult, new VisualizeOptions(1.0f));
                Cv2.ImShow("image", resultMat);
                Cv2.WaitKey();
            }
        }
    }
}

运行效果截图：

控制台输出示例：

========== OCR 识别结果 (共 16 处) ==========
[序号 1]
  区域: Center: [81.8, 467.7] Size: 109.4x20.8 Angle: 0.0°
  检测置信度: 0.98
  方向: 0 (ID:0, 置信度:1.00)
  内容: 发足够的滋养
  识别置信度: 1.00
  ----------------------------------------
[序号 2]
  区域: Center: [199.5, 436.5] Size: 340.6x14.6 Angle: 0.0°
  检测置信度: 1.00
  方向: 0 (ID:0, 置信度:1.00)
  内容: 即时持久改善头发光泽的效果，给干燥的头
  识别置信度: 0.97
  ----------------------------------------
[序号 3]
  区域: Center: [193.2, 404.7] Size: 334.4x18.8 Angle: 0.0°
  检测置信度: 0.81
  方向: 0 (ID:0, 置信度:1.00)
  内容: 【主要功能】：可紧致头发磷层，从而达到
  识别置信度: 0.99
  ----------------------------------------
[序号 4]
  区域: Center: [421.4, 377.6] Size: 109.4x21.9 Angle: 0.0°
  检测置信度: 0.94
  方向: 0 (ID:0, 置信度:1.00)
  内容: （成品包材）
  识别置信度: 1.00
  ----------------------------------------
（省略部分结果...）
[序号 16]
  区域: Center: [165.6, 55.2] Size: 279.2x39.6 Angle: 0.0°
  检测置信度: 0.91
  方向: 0 (ID:0, 置信度:1.00)
  内容: 纯臻营养护发素
  识别置信度: 1.00
========================================

---- Profiling Time ----
---- Detection ----
Inference Time Records:
Index   Preprocess(ms)  Inference(ms)   Postprocess(ms) Total(ms)
1       23.54           462.38          252.68          738.60
2       3.11            5.03            1.16            9.30

---- Classification ----
Inference Time Records:
Index   Preprocess(ms)  Inference(ms)   Postprocess(ms) Total(ms)
1       5.36            18.41           0.28            24.05
2       2.52            3.59            0.00            6.11

Inference Time Records:
Index   Preprocess(ms)  Inference(ms)   Postprocess(ms) Total(ms)
1       5.35            18.68           0.01            24.05
2       2.54            3.22            0.01            5.78

---- Recognition ----
Inference Time Records:
Index   Preprocess(ms)  Inference(ms)   Postprocess(ms) Total(ms)
1       0.00            25.25           0.56            25.81
2       0.00            19.15           0.02            19.16

Inference Time Records:
Index   Preprocess(ms)  Inference(ms)   Postprocess(ms) Total(ms)
1       0.00            26.91           0.03            26.94
2       0.00            19.23           0.03            19.26

Inference time: 38 ms

5.2 桌面应用 Demo

项目路径： applications/.NET 8.0/JYPPX.DeploySharp.OpenCvSharp.PaddleOcr

主要功能一览：

功能	说明
推理模型选择	支持 PP-OCR v4、PP-OCR v5 一键切换
推理引擎选择	OpenVINO / TensorRT / ONNX Runtime（多种执行提供者）
推理设备选择	CPU / GPU0 / GPU1 / AUTO
ONNX工具选择	支持CUDA、OpenVINO、TensorRT、DML等执行提供者
并发数量	支持 1-8 个并发引擎，根据设备性能设置，不是越多越好哦
批量处理（BatchSize）	支持 1-16 的 Batch Size，同样要量力而行
Det\Cls\Rec模型配置	设置模型路径、模型输入形状限制，自由度超高
时间测试	连续 10 次推理，输出详细性能分析、平均时间
结果可视化	图像标注和文本结果显示，所见即所得

界面截图：

推理结果展示：

六、快速开始：三步上手

6.1 控制台 Demo 使用指南

第一步：克隆项目

git clone https://github.com/guojin-yan/DeploySharp.git
cd DeploySharp

第二步：准备模型文件

下载 PP-OCR 模型文件并放置到指定路径（记得创建文件夹哦）：

E:\Model\ppocrv5\
├── PP-OCRv5_mobile_det_onnx.onnx      # 检测模型
├── PP-OCRv5_mobile_cls_onnx.onnx      # 分类模型
├── PP-OCRv5_mobile_rec_onnx_combined.onnx  # 识别模型
└── ppocrv5_dict.txt                   # 字典文件

第三步：修改代码中的模型路径

编辑 demos/DeploySharp.OpenCvSharp.PaddleOcr.Demo/Program.cs，把模型路径改成你实际的路径。

第四步：编译运行

使用 Visual Studio 打开解决方案，或者用 dotnet CLI：

cd demos/DeploySharp.OpenCvSharp.PaddleOcr.Demo
dotnet run

6.2 桌面应用 Demo 使用指南

第一步：克隆项目

git clone https://github.com/guojin-yan/DeploySharp.git
cd DeploySharp/applications/.NET\ 8.0/JYPPX.DeploySharp.OpenCvSharp.PaddleOcr

第二步：准备模型文件

将模型文件放置到 test_demo 目录下：

test_demo\
├── PP-OCRv4_mobile_det_onnx.onnx
├── PP-OCRv4_mobile_cls_onnx.onnx
├── PP-OCRv4_mobile_rec_onnx.onnx
├── ppocrv4_dict.txt
├── PP-OCRv5_mobile_det_onnx.onnx
├── PP-OCRv5_mobile_cls_onnx.onnx
├── PP-OCRv5_mobile_rec_onnx.onnx
└── ppocrv5_dict.txt

第三步：编译运行

用 Visual Studio 打开解决方案直接运行，或者用命令行：

dotnet run

第四步：使用说明

选择模型版本（PP-OCR v4/v5）
选择推理引擎和设备
点击「加载模型」
选择测试图片
点击「推理图片」或「时间测试」
查看识别结果和性能数据

就这么简单！

七、软件获取

7.1 源码下载

DeploySharp 项目已完全开源，欢迎 Fork 和 Star！

主仓库：

https://github.com/guojin-yan/DeploySharp.git

分支说明：

DeploySharpV1.0 - v1.0 开发分支

7.2 模型文件获取

PP-OCR 模型文件可以从以下途径获取：

PaddleOCR 官方仓库：https://github.com/PaddlePaddle/PaddleOCR
交流群下载：加入 945057948 QQ交流群，在群文件中下载转换好的模型

7.3 可执行程序

不想自己编译？没问题！加入技术交流群，从群文件下载最新编译好的可执行程序，开箱即用。

八、技术支持

8.1 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）

8.2 相关资源

想深入了解技术细节？这里有官方文档：

DeploySharp 主页：https://github.com/guojin-yan/DeploySharp
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/

结语

DeploySharp 0.0.8 版本的发布，标志着我们在 AI 模型部署领域又迈出了重要一步。通过新增对 PP-OCR v4/v5 的完整支持，以及提供 OpenVINO、TensorRT、ONNX Runtime 等多种推理引擎的统一接口，我们为 .NET 开发者提供了一套强大而灵活的 OCR 部署解决方案。

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。

想深入了解 PP-OCR 在不同平台上的部署细节？后续我们将陆续推出 OpenVINO、TensorRT、ONNX Runtime 全平台实战教程，还有上文埋下的"速度优化"伏笔，敬请期待！

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 0.0.8
发布时间：2026年2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！

腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

腾讯云开发者社区

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

腾讯云开发者社区

所有评论(0)

查看更多评论

椒颜皮皮虾྅

@Grape_yan

已为社区贡献6条内容

DeploySharp 0.0.8 震撼升级！支持PP-OCR v4/v5 全系列模型极速推理，开源免费且多平台支持，RTX 3060 上狂飙至 23ms！我的项目我做主，从此加速不求人。

椒颜皮皮虾྅

DeploySharp 0.0.8 震撼升级！支持PP-OCR v4/v5 全系列模型极速推理，开源免费且多平台支持，RTX 3060 上狂飙至 23ms！我的项目我做主，从此加速不求人。

📖 目录

一、DeploySharp 是个啥？

架构设计有点东西

想看源码？戳这里

1. 推理引擎全家桶

2. 图像处理两种选择

3. 跨平台运行时全覆盖

4. NuGet 包生态

4.1 核心包

4.2 图像处理扩展包

5. 支持的模型清单

二、PP-OCR v4/v5 模型支持

OCR 是什么鬼？

同一套代码，多种引擎自由切

2.1 模型架构：三段式流水线

2.2 v4 和 v5 有啥区别？

2.3 配置很简单

三、推理引擎全面支持

3.1 OpenVINO：Intel 的亲儿子

3.2 TensorRT：NVIDIA 的速度之王

3.3 ONNX Runtime：万能选手

四、性能表现：说话要靠数据

4.1 性能对比实测

测试设备1：Intel 组合拳

测试设备2：AMD + NVIDIA 组合

优化版本：还能更快！

4.2 性能优化小贴士

五、案例演示：眼见为实

5.1 控制台 Demo

5.2 桌面应用 Demo

六、快速开始：三步上手

6.1 控制台 Demo 使用指南

6.2 桌面应用 Demo 使用指南

七、软件获取

7.1 源码下载

7.2 模型文件获取

7.3 可执行程序

八、技术支持

8.1 反馈与交流

8.2 相关资源

结语

所有评论(0)

温馨提示：您尚未绑定手机号

椒颜皮皮虾྅