🎯 Cara Memanggil Microsoft.Windows.AI dari C++ [Dengan Contoh Kode]

Mulai dari Windows 10, Windows dilengkapi dengan standar runtime yang dapat mengeksekusi model AI berformat ONNX. Itu adalah Windows ML (Windows.AI.MachineLearning).

Artikel ini menjelaskan secara rinci cara memanggil Microsoft.Windows.AI.MachineLearning dari C++ (berbasis aplikasi Win32), lengkap dengan contoh kode.

✅ Persiapan

◾ Kebutuhan Sistem

• Windows 10 (1809+) atau Windows 11
• Visual Studio 2019 atau yang lebih baru (versi Community bisa digunakan)
• Dukungan C++/WinRT (Microsoft.Windows.CppWinRT)
• Windows SDK 10.0.17763.0 atau yang lebih tinggi

✅ Struktur Proyek

Buat proyek dengan struktur berikut di Visual Studio.

• Jenis: Aplikasi Desktop Windows C++ (Proyek Kosong)

• Subsistem: Windows (WinMain)

• Tambahkan paket berikut melalui NuGet

  1	Microsoft.Windows.CppWinRT

✅ Contoh Kode

Berikut ini adalah contoh minimal yang menggabungkan API Win32 dan Windows.AI.MachineLearning menggunakan WinMain.

※ Model ONNX yang digunakan adalah model.onnx, pastikan Anda menempatkannya di folder yang sama dengan file eksekusi.

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") // Untuk tautan WinRT

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

int WINAPI WinMain(HINSTANCE hInstance, HINSTANCE, LPSTR, int nCmdShow)
{
    // Inisialisasi WinRT (MTA atau STA diperbolehkan)
    winrt::init_apartment();

    try {
        // Memuat file model
        auto modelFile = StorageFile::GetFileFromPathAsync(L"model.onnx").get();
        LearningModel model = LearningModel::LoadFromStorageFileAsync(modelFile).get();

        // Membuat sesi
        LearningModelSession session(model);
        LearningModelBinding binding(session);

        // Input/Output model (input kosong untuk sementara di sini)
        // Sebenarnya, pengikatan diperlukan menggunakan TensorFloat, dll.

        // Menjalankan inferensi
        auto result = session.EvaluateAsync(binding, L"").get();

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

    return 0;
}

✅ Tambahan: Cara Menentukan Tensor Input dan Output

Tergantung pada modelnya, Anda mungkin perlu melakukan pembuatan dan pengikatan Tensor sebelum inferensi.

Contoh:

1
2
3
4
5
6
7
8

// Mengubah array float 1D menjadi Tensor
std::vector<float> inputData = {0.5f, 0.3f, 0.2f};
std::vector<int64_t> shape = {1, 3}; // Bentuk: [1, 3]

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

// Pengikatan input (sesuaikan dengan nama input model)
binding.Bind(L"input_0", tensor);

Demikian pula, output dapat diambil dengan result.Outputs().Lookup(L"output_0").

✅ Catatan Debugging

• Jika file model tidak ada di folder eksekusi, FileNotFoundException akan muncul.
• Jika nama input/output tidak cocok, akan terjadi error invalid_argument.
• Spesifikasi I/O persis model dapat diperiksa dengan alat seperti Netron.

✅ Kesimpulan

✅ Alternatif: Bagi yang Tidak Ingin Menggunakan WinRT

• Dengan menggunakan ONNX Runtime buatan Microsoft, Anda dapat sepenuhnya menangani model ONNX dari C++ tanpa WinRT sama sekali.
• Mendukung cross-platform, memungkinkan kode bersama untuk Windows/Linux.

📌 Penutup

Windows ML (Microsoft.Windows.AI) adalah mesin inferensi AI tangguh yang dapat digunakan dengan baik bahkan dari C++. Jika Anda membutuhkan inferensi native di Windows, silakan dicoba.

Contoh spesifik pembuatan model ONNX dan pengikatan Tensor akan dijelaskan pada artikel berikutnya!