🎯 Comment appeler Microsoft.Windows.AI depuis C++ 【Avec code d’exemple】

Depuis Windows 10, Windows inclut en standard un runtime capable d’exécuter des modèles d’IA au format ONNX . Il s’agit de Windows ML (Windows.AI.MachineLearning) .

Dans cet article, nous expliquerons concrètement comment appeler Microsoft.Windows.AI.MachineLearning depuis C++ (basé sur une application Win32) avec du code d’exemple .

✅ Préparation

◾ Environnement requis

• Windows 10 (1809+) ou Windows 11
• Visual Studio 2019 ou ultérieur (l’édition Community suffit)
• Prise en charge de C++/WinRT (Microsoft.Windows.CppWinRT)
• Windows SDK 10.0.17763.0 ou supérieur

✅ Structure du projet

Créez un projet avec la structure suivante dans Visual Studio.

• Type : Application de bureau Windows C++ (projet vide)

• Sous-système : Windows (WinMain)

• Ajoutez le package suivant via NuGet

  1	Microsoft.Windows.CppWinRT

✅ Code d’exemple

Voici un exemple minimal utilisant WinMain qui combine l’API Win32 et Windows.AI.MachineLearning.

※ Le modèle ONNX utilisé sera nommé model.onnx et doit être placé dans le même dossier que le fichier exécutable.

main.cpp

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

#include <windows.h>
#include <winrt/Windows.AI.MachineLearning.h>
#include <winrt/Windows.Storage.h>

#pragma comment(lib, "windowsapp") // Pour le lien WinRT

using namespace winrt;
using namespace Windows::AI::MachineLearning;
using namespace Windows::Storage;

int WINAPI WinMain(HINSTANCE hInstance, HINSTANCE, LPSTR, int nCmdShow)
{
    // Initialisation WinRT (MTA ou STA sont acceptés)
    winrt::init_apartment();

    try {
        // Charger le fichier du modèle
        auto modelFile = StorageFile::GetFileFromPathAsync(L"model.onnx").get();
        LearningModel model = LearningModel::LoadFromStorageFileAsync(modelFile).get();

        // Créer une session
        LearningModelSession session(model);
        LearningModelBinding binding(session);

        // Entrée/Sortie du modèle (ici une entrée vide à titre d'exemple)
        // En pratique, une liaison avec TensorFloat etc. est nécessaire
        
        // Exécution de l'inférence
        auto result = session.EvaluateAsync(binding, L"").get();

        MessageBox(nullptr, L"Inférence terminée", L"Windows ML (C++)", MB_OK);
    }
    catch (winrt::hresult_error const& ex) {
        MessageBox(nullptr, ex.message().c_str(), L"Erreur", MB_ICONERROR);
    }

    return 0;
}

✅ Supplément : Comment spécifier les tenseurs d’entrée et de sortie

Selon le modèle, il est nécessaire de créer et lier un tenseur (Tensor) avant l’inférence.

Exemple :

1
2
3
4
5
6
7
8

// Convertir un tableau float 1D en Tenseur
std::vector<float> inputData = {0.5f, 0.3f, 0.2f};
std::vector<int64_t> shape = {1, 3}; // Forme : [1, 3]

auto tensor = TensorFloat::CreateFromArray(shape, inputData);

// Liaison d'entrée (doit correspondre au nom d'entrée du modèle)
binding.Bind(L"input_0", tensor);

La sortie peut également être obtenue de la même manière avec result.Outputs().Lookup(L"output_0").

✅ Points d’attention lors du débogage

• Si le fichier du modèle n’est pas dans le dossier d’exécution, une FileNotFoundException sera levée.
• Si les noms d’entrée et de sortie ne correspondent pas, une erreur invalid_argument se produira.
• Les spécifications exactes des E/S du modèle peuvent être vérifiées avec des outils comme Netron.

✅ Résumé

✅ Alternative : Pour ceux qui ne veulent pas utiliser WinRT

• En utilisant ONNX Runtime de Microsoft, vous pouvez gérer des modèles ONNX depuis C++ sans utiliser WinRT du tout .
• Il est multiplateforme, permettant d’utiliser un code commun sur Windows/Linux.

📌 En conclusion

Windows ML (Microsoft.Windows.AI) est un moteur d’inférence d’IA puissant qui peut être utilisé de manière robuste même depuis C++. Si vous avez besoin d’une inférence native sous Windows, n’hésitez pas à l’essayer.

Si vous souhaitez des exemples concrets de création de modèles ONNX ou de liaison de tenseurs, nous prévoyons de les expliquer dans un prochain article !