Comment appeler Microsoft.Windows.AI depuis C++

Sat, 19 Jul 2025 10:03:51 +0900

🎯 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

Élément	Contenu
API utilisée	Windows.AI.MachineLearning (WinRT)
Langage	C++ (basé sur Win32)
Méthode recommandée	Via l’en-tête C++/WinRT
Avantages	Les modèles ONNX fonctionnent nativement, prise en charge du GPU possible
Attention	Faites attention aux noms d’entrée du modèle et à la forme du tenseur

✅ 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 !

Microsoft.Windows.AI on kenji.blog