🎯 Como chamar Microsoft.Windows.AI a partir de C++ [Com código de exemplo]

A partir do Windows 10, o Windows inclui nativamente um ** runtime capaz de executar modelos de IA no formato ONNX **. Esse é o ** Windows ML (Windows.AI.MachineLearning) **.

Neste artigo, explicarei de forma prática como chamar Microsoft.Windows.AI.MachineLearning a partir de ** C++ (baseado em aplicativo Win32) **, com ** código de exemplo **.

✅ Preparação

◾ Requisitos do Ambiente

• Windows 10 (1809+) ou Windows 11
• Visual Studio 2019 ou posterior (A versão Community é suficiente)
• Suporte a C++/WinRT (Microsoft.Windows.CppWinRT)
• Windows SDK 10.0.17763.0 ou superior

✅ Configuração do Projeto

Crie um projeto no Visual Studio com a seguinte configuração:

• Tipo: Aplicativo de Área de Trabalho do Windows em C++ (Projeto Vazio)

• Subsistema: Windows (WinMain)

• Adicione o seguinte pacote via NuGet:

  1	Microsoft.Windows.CppWinRT

✅ Código de Exemplo

Abaixo está um exemplo de configuração mínima que usa WinMain para combinar a API Win32 e Windows.AI.MachineLearning.

※ O modelo ONNX utilizado será chamado model.onnx e deve ser colocado na mesma pasta que o arquivo executável.

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") // Para linkagem WinRT

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

int WINAPI WinMain(HINSTANCE hInstance, HINSTANCE, LPSTR, int nCmdShow)
{
    // Inicialização WinRT (MTA ou STA são válidos)
    winrt::init_apartment();

    try {
        // Carregar o arquivo do modelo
        auto modelFile = StorageFile::GetFileFromPathAsync(L"model.onnx").get();
        LearningModel model = LearningModel::LoadFromStorageFileAsync(modelFile).get();

        // Criar uma sessão
        LearningModelSession session(model);
        LearningModelBinding binding(session);

        // Entrada e saída do modelo (aqui temporariamente entrada vazia)
        // Na prática, é necessário fazer bind com TensorFloat, etc.

        // Executar inferência
        auto result = session.EvaluateAsync(binding, L"").get();

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

    return 0;
}

✅ Complemento: Como especificar Tensors de Entrada/Saída

Dependendo do modelo, ** a criação e o bind de Tensors ** são necessários antes da inferência.

Exemplo:

1
2
3
4
5
6
7
8

// Converter um array float unidimensional para Tensor
std::vector<float> inputData = {0.5f, 0.3f, 0.2f};
std::vector<int64_t> shape = {1, 3}; // Formato: [1, 3]

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

// Bind de entrada (deve corresponder ao nome de entrada do modelo)
binding.Bind(L"input_0", tensor);

A saída pode ser obtida de forma semelhante com result.Outputs().Lookup(L"output_0").

✅ Pontos de Atenção na Depuração

• Se o arquivo do modelo não existir na pasta de execução, ocorrerá uma FileNotFoundException.
• Se os nomes de entrada/saída não corresponderem, resultará em um erro invalid_argument.
• As especificações exatas de E/S do modelo podem ser verificadas com ferramentas como o Netron.

✅ Resumo

✅ Alternativa: Para quem não quer usar WinRT

• Usando o ONNX Runtime da Microsoft, ** você pode lidar com modelos ONNX a partir de C++ de forma totalmente sem WinRT **.
• É multiplataforma, permitindo código comum entre Windows e Linux.

📌 Conclusão

O Windows ML (Microsoft.Windows.AI) é um motor de inferência de IA poderoso que pode ser perfeitamente utilizado também a partir de C++. Se você precisa de inferência nativa no Windows, não deixe de experimentar.

Para aqueles que desejam exemplos concretos de criação de modelos ONNX e binding de Tensor, explicaremos isso em artigos subsequentes!