演示模型获取、ONNX 转换与本地暂存目录
TensorRtSharp4.0 的演示代码不把深度学习模型提交到 GitHub。仓库只保存模型来源、许可证边界、固定版本、获取脚本、转换命令、ONNX 契约、文件长度和 SHA256；实际 ONNX 统一暂存在 Git 仓库外：
<workspace-root>/models
这个目录是第一版发布前的本地模型缓存，后续迁移到独立 Model Zoo。不得把该目录复制进 TensorRtSharp4.0，不得把模型塞进 managed/native NuGet 包，也不得把 CUDA、cuDNN、TensorRT 或 NVRTC 一并打包。用户自行安装 GPU 依赖。
机器可读清单是 samples/assets/demo-model-inventory.json。清单中的 trackedByGit=false、uploadsModelFiles=false 和 publishesModelFiles=false 是强制边界，不是临时注释。
各获取/导出步骤完成后，执行统一同步和哈希校验：
$repositoryRoot = (git rev-parse --show-toplevel)
$workspaceRoot = Split-Path -Parent $repositoryRoot
$modelsRoot = Join-Path $workspaceRoot 'models'
$python = (Get-Command python).Source
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Sync-DemoOnnxModels.ps1
如果 Windows 环境没有安装 PowerShell 7，使用系统自带的 Windows PowerShell 5.1 时，将命令开头的 pwsh 替换为 powershell.exe；脚本本身不依赖 PowerShell 7 专属语法。
脚本读取清单，把 downloads 或用户 TensorRT sample data 中的 ONNX 复制到外层 models，逐项检查长度与 SHA256，并写
artifacts/demo-models/inventory-validation.json。只检查而不复制时使用 -VerifyOnly；脚本不访问上传或发布接口。
目录布局
models/
Classification/
resnet18-torchvision-v0.25.0/
OnnxToEngine/
MNIST/nvidia-tensorrt-10.11/
YoloVision/
Classification/yolov8n-cls-ultralytics-v8.3.0/
Detection/yolov8n-ultralytics-v8.3.0/
Detection/yolov10n-thu-mig-v1.1/
Detection/yolox-s-megvii-v0.1.1rc0/
InstanceSegmentation/yolov8n-seg-ultralytics-v8.3.0/
OrientedBoundingBox/yolov8n-obb-ultralytics-v8.3.0/
Pose/yolov8n-pose-ultralytics-v8.3.0/
SemanticSegmentation/lraspp-mobilenet-v3-large-torchvision-v0.25.0/
逐模型可复现合同
以下字段逐项对应 demo-model-inventory.json。获取脚本负责下载或定位固定资产；转换命令说明如何得到 ONNX。
upstream-onnx-no-local-conversion 表示上游已经发布 ONNX，此时“转换方式”就是不重复转换，而是获取固定发布资产并校验
SHA256。命令里的 <downloads>、<models> 和 <artifacts> 是本机目录占位符。
classification-resnet18-imagenet1k-v1
- 获取 URL：https://download.pytorch.org/models/resnet18-f37072fd.pth
- 固定 revision：
torchvision-v0.25.0@8ac84ee75afb1c327902156b5336f56ad63b7e2f - 获取脚本：
eng/Acquire-TorchVisionResNet18OfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
python eng/Export-ClassificationResNet18Onnx.py --weights <downloads>/resnet18-f37072fd.pth --onnx <models>/resnet18-imagenet1k-v1.onnx --labels <models>/imagenet1k.names --report <models>/resnet18-onnx-export.json - 工具链：
PyTorch 2.10.0+cpu; torchvision 0.25.0+cpu; opset 17 - ONNX 暂存：
models/Classification/resnet18-torchvision-v0.25.0/resnet18-imagenet1k-v1.onnx - SHA256：
ead3558569edd88aa73a4eb46acbe6c38dee113933234547f04a0f6e48169903
onnxtoengine-nvidia-mnist-opset8
- 获取 URL：https://github.com/onnx/models/tree/main/validated/vision/classification/mnist
- 固定 revision：
TensorRT-10.11.0.33-sample-data - 获取/验证脚本：
eng/Test-TensorRtExecMnistOnnxRuntimeReference.ps1 - 转换类型：
upstream-onnx-no-local-conversion - 转换说明：
Copy mnist.onnx from the user-installed TensorRT data/mnist directory; no local framework-to-ONNX conversion is performed. - 工具链：
upstream ONNX opset 8 - ONNX 暂存：
models/OnnxToEngine/MNIST/nvidia-tensorrt-10.11/mnist.onnx - SHA256：
2f06e72de813a8635c9bc0397ac447a601bdbfa7df4bebc278723b958831c9bf
yolovision-yolov8n-detection-v8.3.0
- 获取 URL：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n.pt
- 固定 revision：
ultralytics-v8.3.0@6e43d1e1e5db72afbf686dee6745669bcb124b0a - 获取脚本：
eng/Acquire-YoloV8DetectionOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
yolo export model=yolov8n.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu - 工具链：
Ultralytics 8.4.21; opset 17 - ONNX 暂存：
models/YoloVision/Detection/yolov8n-ultralytics-v8.3.0/yolov8n.onnx - 本地包消费：YoloVision YOLOv8n Detection 本地包消费教程
- SHA256：
db28a49ffbb0425f39ae56252e7e0b43d06b357416c7da58872e285560b4221e
yolovision-yolov10n-detection-v1.1
- 获取 URL：https://github.com/THU-MIG/yolov10/releases/download/v1.1/yolov10n.onnx
- 固定 revision：
v1.1@799ff3be47d21173bcf29b351820d4b8e955e0fe - 获取脚本：
eng/Acquire-YoloV10OfficialAssets.ps1 - 转换类型：
upstream-onnx-no-local-conversion - 转换说明：
Use the hash-pinned official v1.1 ONNX release asset; no local conversion is required. - 工具链：
upstream release ONNX - ONNX 暂存：
models/YoloVision/Detection/yolov10n-thu-mig-v1.1/yolov10n.onnx - SHA256：
7025ea1913f9a259cf8a8465ed608e10610d1bb376db2e0348b13e3bd286e0d3
yolovision-yolox-s-detection-0.1.1rc0
- 获取 URL：https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx
- 固定 revision：
0.1.1rc0@e1052df71842031413f6030723c3607b839c80ce - 获取脚本：
eng/Acquire-YoloXOfficialAssets.ps1 - 转换类型：
upstream-onnx-no-local-conversion - 转换说明：
Use the official ONNX release asset; upstream reproduction command: python3 tools/export_onnx.py --output-name yolox_s.onnx -n yolox-s -c yolox_s.pth - 工具链：
upstream YOLOX exporter; opset 11 release graph - ONNX 暂存：
models/YoloVision/Detection/yolox-s-megvii-v0.1.1rc0/yolox_s.onnx - SHA256：
c5c2d13e59ae883e6af3b45daea64af4833a4951c92d116ec270d9ddbe998063
yolovision-yolov8n-classification-v8.3.0
- 获取 URL：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n-cls.pt
- 固定 revision：
ultralytics-v8.3.0@6e43d1e1e5db72afbf686dee6745669bcb124b0a - 获取脚本：
eng/Acquire-YoloV8ClassificationOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
yolo export model=yolov8n-cls.pt format=onnx imgsz=224 opset=17 simplify=True dynamic=False batch=1 device=cpu - 工具链：
Ultralytics 8.4.21; opset 17 - ONNX 暂存：
models/YoloVision/Classification/yolov8n-cls-ultralytics-v8.3.0/yolov8n-cls.onnx - 本地包消费：YoloVision YOLOv8n 分类本地包消费教程
- SHA256：
630c022a99885d59f633ab5a614738f8a49be7f361e340fd3ff89b8c19b0768f
yolovision-yolov8n-instance-segmentation-v8.3.0
- 获取 URL：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n-seg.pt
- 固定 revision：
ultralytics-v8.3.0@6e43d1e1e5db72afbf686dee6745669bcb124b0a - 获取脚本：
eng/Acquire-YoloV8SegOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
yolo export model=yolov8n-seg.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu - 工具链：
Ultralytics 8.4.21; opset 17 - ONNX 暂存：
models/YoloVision/InstanceSegmentation/yolov8n-seg-ultralytics-v8.3.0/yolov8n-seg.onnx - SHA256：
08b5c61368d4ddec5e647522fc55a93c42a9e0c581770aae48b87bba65a9b21d
yolovision-yolov8n-pose-v8.3.0
- 获取 URL：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n-pose.pt
- 固定 revision：
ultralytics-v8.3.0@6e43d1e1e5db72afbf686dee6745669bcb124b0a - 获取脚本：
eng/Acquire-YoloV8PoseOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
yolo export model=yolov8n-pose.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu - 工具链：
Ultralytics 8.4.21; opset 17 - ONNX 暂存：
models/YoloVision/Pose/yolov8n-pose-ultralytics-v8.3.0/yolov8n-pose.onnx - SHA256：
ed1e8d2d2aeb8a2c66e642a16295a72a2990393e3a3843325537da7e11c8a899 - 本地包消费：YoloVision YOLOv8n Pose 本地包消费教程
yolovision-yolov8n-obb-v8.3.0
- 获取 URL：https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n-obb.pt
- 固定 revision：
ultralytics-v8.3.0@6e43d1e1e5db72afbf686dee6745669bcb124b0a - 获取脚本：
eng/Acquire-YoloV8ObbOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
yolo export model=yolov8n-obb.pt format=onnx imgsz=1024 opset=17 simplify=True dynamic=False batch=1 device=cpu - 工具链：
Ultralytics 8.4.21; opset 17 - ONNX 暂存：
models/YoloVision/OrientedBoundingBox/yolov8n-obb-ultralytics-v8.3.0/yolov8n-obb.onnx - SHA256：
5f2701ef5326fb5a691999438cfc55a69656323c21ffddebaff8968ab6de2e92 - 本地包消费：YoloVision YOLOv8n OBB 本地包消费教程
yolovision-lraspp-mobilenet-v3-large-v0.25.0
- 获取 URL：https://download.pytorch.org/models/lraspp_mobilenet_v3_large-d234d4ea.pth
- 固定 revision：
torchvision-v0.25.0@8ac84ee75afb1c327902156b5336f56ad63b7e2f - 获取脚本：
eng/Acquire-TorchVisionLrasppOfficialAssets.ps1 - 转换类型：
local-weight-export - 转换命令：
python eng/Invoke-YoloVisionSemanticReference.py --weights <models>/lraspp_mobilenet_v3_large-d234d4ea.pth --image <downloads>/dog.jpg --onnx <models>/lraspp-mobilenet-v3-large-320.onnx --output-directory <artifacts> --export-onnx - 工具链：
PyTorch 2.10.0+cpu; torchvision 0.25.0+cpu; opset 17 - ONNX 暂存：
models/YoloVision/SemanticSegmentation/lraspp-mobilenet-v3-large-torchvision-v0.25.0/lraspp-mobilenet-v3-large-320.onnx - 本地包消费：YoloVision LRASPP 语义分割本地包消费教程
- SHA256：
3cb94e561bdefe606ed7d1a2c4d0296409bec066f3a39a9fe9dabd72b23728f8
Classification：TorchVision ResNet18
清单 ID：classification-resnet18-imagenet1k-v1。
- 权重：TorchVision
ResNet18_Weights.IMAGENET1K_V1。 - 固定源码：torchvision
v0.25.0，commit8ac84ee75afb1c327902156b5336f56ad63b7e2f。 - 获取地址：
https://download.pytorch.org/models/resnet18-f37072fd.pth。 - 权重 SHA256：
f37072fd47e89c5e827621c5baffa7500819f7896bbacec160b1a16c560e07ec。 - 转换：PyTorch
2.10.0+cpu、torchvision0.25.0+cpu、opset 17，固定images:[1,3,224,224] -> logits:[1,1000]。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-TorchVisionResNet18OfficialAssets.ps1 `
-AllowDownload `
-ExportOnnx `
-PythonPath $python
脚本调用 eng/Export-ClassificationResNet18Onnx.py，同时生成 imagenet1k.names 和导出报告。当前 ONNX 长度是 46,748,553 bytes，SHA256 是 ead3558569edd88aa73a4eb46acbe6c38dee113933234547f04a0f6e48169903。
eng/Invoke-ClassificationResNet18Reference.py 使用精确 C# 预处理 tensor 生成 ONNX Runtime raw logits 与任务级 Softmax
reference，并与 PyTorch CPU 交叉比较。本机 TensorRT 10.11 已同时完成 1000 个 raw logits 和 1000 个 probabilities 的
全量比较，两层 mismatch 均为 0，outputValidated=true，Top-1 为 Samoyed（0.8799871）。单值篡改负例得到 exit code
1、mismatch 1、first mismatch 0。证据见 samples/assets/classification-resnet18-real-model-runtime-evidence.json；它是
source-tree real-model-runtime，不是 package consumer、公开包、再分发授权或发布后证明。
OnnxToEngine：NVIDIA MNIST
清单 ID：onnxtoengine-nvidia-mnist-opset8。
该模型由 TensorRT 的 data/mnist 样例数据直接提供，目录内 README 将它标注为 ONNX Model Zoo 的 opset 8 模型。它已经是 ONNX，因此没有本地框架到 ONNX 的转换步骤；只从用户安装的 TensorRT SDK 样例目录复制并核对 hash：
$source = Join-Path $env:TENSORRT_PATH 'data\mnist\mnist.onnx'
$target = Join-Path $modelsRoot 'OnnxToEngine\MNIST\nvidia-tensorrt-10.11\mnist.onnx'
New-Item -ItemType Directory -Force -Path (Split-Path $target) | Out-Null
Copy-Item -LiteralPath $source -Destination $target
Get-FileHash -Algorithm SHA256 -LiteralPath $target
项目当前固定副本为 26,454 bytes，SHA256 2f06e72de813a8635c9bc0397ac447a601bdbfa7df4bebc278723b958831c9bf。若用户安装包不包含 data，可以从 NVIDIA TensorRT sample data 或 ONNX Model Zoo 获取，但必须先核对同一 hash，不能把名字相同但图契约不同的文件混用。
当前 OnnxToEngine --mnist 已用外层 models 中的同一 ONNX 和 TensorRT 7.pgm 完成 TensorRT 10.11 源树实跑：
预测 digit 7、置信度 0.99999285，10 个 logits 对独立 ONNX Runtime 1.23.2 CPU reference 为 mismatch 0，最大绝对
误差 0.000006。只把 expectedDigit 改为 6 的受控负例完成 enqueue 后返回 exit code 2、
State=mnist-output-mismatch、OutputMatch=False。小型证据见
samples/assets/onnxtoengine-mnist-real-model-runtime-evidence.json；模型、engine 和运行日志均不上传。
YOLOv8n Detection
清单 ID：yolovision-yolov8n-detection-v8.3.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV8DetectionOfficialAssets.ps1 -AllowDownload
yolo export model=yolov8n.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu
权重来自 Ultralytics assets v8.3.0，源码固定到 commit 6e43d1e1e5db72afbf686dee6745669bcb124b0a。ONNX 为 12,851,047 bytes，SHA256 db28a49ffbb0425f39ae56252e7e0b43d06b357416c7da58872e285560b4221e。完整步骤见 yolovision-detection-yolov8n-download-export-run.md。
YOLOv10n Detection
清单 ID：yolovision-yolov10n-detection-v1.1。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV10OfficialAssets.ps1 -AllowDownload
该用例直接使用 THU-MIG YOLOv10 v1.1 发布的 yolov10n.onnx，不再做本地转换。固定 revision 是 799ff3be47d21173bcf29b351820d4b8e955e0fe；文件为 9,386,466 bytes，SHA256 7025ea1913f9a259cf8a8465ed608e10610d1bb376db2e0348b13e3bd286e0d3。
YOLOX-S Detection
清单 ID：yolovision-yolox-s-detection-0.1.1rc0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloXOfficialAssets.ps1 -AllowDownload
运行用例直接使用 Megvii YOLOX 0.1.1rc0 官方 ONNX 发布资产，不需要再次转换。需要从权重复现时，上游命令是：
python3 tools/export_onnx.py --output-name yolox_s.onnx -n yolox-s -c yolox_s.pth
固定 revision 是 e1052df71842031413f6030723c3607b839c80ce；文件为 35,858,002 bytes，SHA256 c5c2d13e59ae883e6af3b45daea64af4833a4951c92d116ec270d9ddbe998063。
YOLOv8n Classification
清单 ID：yolovision-yolov8n-classification-v8.3.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV8ClassificationOfficialAssets.ps1 -AllowDownload
yolo export model=yolov8n-cls.pt format=onnx imgsz=224 opset=17 simplify=True dynamic=False batch=1 device=cpu
ONNX 为 10,911,331 bytes，SHA256 630c022a99885d59f633ab5a614738f8a49be7f361e340fd3ff89b8c19b0768f。模型输出已包含 Softmax，不能再把它当 raw logits 重复做 Softmax。
YOLOv8n Instance Segmentation
清单 ID：yolovision-yolov8n-instance-segmentation-v8.3.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV8SegOfficialAssets.ps1 -AllowDownload
yolo export model=yolov8n-seg.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu
ONNX 为 13,873,432 bytes，SHA256 08b5c61368d4ddec5e647522fc55a93c42a9e0c581770aae48b87bba65a9b21d。模型有 detection rows 与 mask prototypes 两个输出，不能只按普通 detection 图处理。
YOLOv8n Pose
清单 ID：yolovision-yolov8n-pose-v8.3.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV8PoseOfficialAssets.ps1 -AllowDownload
yolo export model=yolov8n-pose.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False batch=1 device=cpu
ONNX 为 13,514,570 bytes，SHA256 ed1e8d2d2aeb8a2c66e642a16295a72a2990393e3a3843325537da7e11c8a899；输出包含 17 个关键点，每个关键点 3 个值。
YOLOv8n OBB
清单 ID：yolovision-yolov8n-obb-v8.3.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-YoloV8ObbOfficialAssets.ps1 -AllowDownload
yolo export model=yolov8n-obb.pt format=onnx imgsz=1024 opset=17 simplify=True dynamic=False batch=1 device=cpu
ONNX 为 12,664,838 bytes，SHA256 5f2701ef5326fb5a691999438cfc55a69656323c21ffddebaff8968ab6de2e92；输入是 1024x1024，角度通道使用弧度。
LRASPP Semantic Segmentation
清单 ID：yolovision-lraspp-mobilenet-v3-large-v0.25.0。
pwsh -NoProfile -ExecutionPolicy Bypass -File .\eng\Acquire-TorchVisionLrasppOfficialAssets.ps1 `
-AllowDownload `
-ExportOnnx `
-PythonPath $python
权重来自 TorchVision LRASPP MobileNetV3 Large，固定到 torchvision v0.25.0。转换脚本 eng/Invoke-YoloVisionSemanticReference.py 导出 opset 17、images:[1,3,320,320] -> semantic:[1,21,320,320]。ONNX 为 12,879,801 bytes，SHA256 3cb94e561bdefe606ed7d1a2c4d0296409bec066f3a39a9fe9dabd72b23728f8。
真实运行证据索引
机器清单的 10 个模型均显式链接到已经存在的小型 source-tree runtime 证据；这些记录不包含模型文件，也不等同于 package consumer、公开包、post-publish 或再分发授权。
| 清单 ID | 真实运行证据 |
|---|---|
classification-resnet18-imagenet1k-v1 |
samples/assets/classification-resnet18-real-model-runtime-evidence.json |
onnxtoengine-nvidia-mnist-opset8 |
samples/assets/onnxtoengine-mnist-real-model-runtime-evidence.json |
yolovision-yolov8n-detection-v8.3.0 |
samples/assets/yolovision-yolov8n-det-real-model-runtime-evidence.json |
yolovision-yolov10n-detection-v1.1 |
artifacts/interface-coverage/yolov10-official-runtime-proof-closure.json |
yolovision-yolox-s-detection-0.1.1rc0 |
artifacts/interface-coverage/yolox-official-runtime-proof-closure.json |
yolovision-yolov8n-classification-v8.3.0 |
samples/assets/yolovision-yolov8n-cls-real-model-runtime-evidence.json |
yolovision-yolov8n-instance-segmentation-v8.3.0 |
samples/assets/yolovision-yolov8n-seg-real-model-runtime-evidence.json |
yolovision-yolov8n-pose-v8.3.0 |
samples/assets/yolovision-yolov8n-pose-real-model-runtime-evidence.json |
yolovision-yolov8n-obb-v8.3.0 |
samples/assets/yolovision-yolov8n-obb-real-model-runtime-evidence.json |
yolovision-lraspp-mobilenet-v3-large-v0.25.0 |
samples/assets/yolovision-torchvision-lraspp-real-model-runtime-evidence.json |
不需要外部深度学习模型的样例
DynamicShape、InferenceBindings、MultiStream、CUDA RTC 与多数接口 smoke 在代码中创建最小网络或只读取 metadata，不依赖下载的深度学习模型。OnnxToEngine 的默认 identity 图也是进程内生成的教学图，不属于需要进入 Model Zoo 的真实模型。自定义 classifier.onnx、image-and-metadata.onnx、model.onnx 等路径是用户替换占位符，不是项目声称已经提供的模型。
发布边界
- GitHub 只上传源码、C# managed 包和按 TensorRT/CUDA 版本编译的 bridge-only 包。
- 所有模型权重、ONNX、TensorRT engine、输入图片和大体积 reference 留在外层工作区。
- 模型 SHA256 只证明本地文件身份，不等于获得公开再分发授权。
- CUDA、cuDNN、TensorRT 与 NVRTC 始终由用户自行安装。
- 独立 Model Zoo 建立前，不创建任何含模型二进制的 Release asset 或 NuGet 包。