PyTorch模型部署：pth转onnx跨框架部署详解+代码

最新推荐文章于 2024-05-22 13:47:11 发布

虾米小馄饨

最新推荐文章于 2024-05-22 13:47:11 发布

阅读量5.7k

点赞数 8

分类专栏： PyTorch 文章标签：深度学习机器学习 pytorch python onnx

本文链接：https://blog.csdn.net/Bit_Coders/article/details/112911371

版权

PyTorch 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

文章目录

引言
基础概念
- onnx：跨框架的模型表达标准
- onnxruntime：部署模型的推理引擎
示例代码
参考教程

引言

目前训练阶段最流行的框架是pytorch和tensorflow，训练完的模型常常需要集成到现有的应用程序中、部署到不同类型的平台上（比如云端、边端等）。

如果要在每个平台上实现所有模型的框架，会极大增加环境的复杂性，优化不同框架和硬件的所有组合非常耗时。

所以需要一种通用的解决方案，来集成、部署、优化不同框架训练出的模型。ONNX就是为了解决这个问题而诞生。

现在常用的跨框架部署方案是：

训练模型→中间模型（如onnx）→推理引擎（如onnxruntime、TensorRT）

基础概念

onnx：跨框架的模型表达标准

开放式神经网络交换（ONNX），为深度学习和传统ML的AI模型提供了一种开源格式。它定义了一个可扩展的计算图形模型，以及内置运算符和标准数据类型的定义。
在这里插入图片描述

当前，ONNX专注于推理所需的功能（暂不支持训练的相关功能）。

Microsoft 和合作伙伴社区创建了 ONNX 作为表示机器学习模型的开放标准。许多框架（包括 TensorFlow、PyTorch、SciKit-Learn、Keras、Chainer、MXNet、MATLAB 和 SparkML）中的模型都可以导出或转换为标准 ONNX 格式。模型采用 ONNX 格式后，可在各种平台和设备上运行。

onnxruntime：部署模型的推理引擎

onnxruntime是一种用于将 ONNX 模型部署到生产环境的高性能推理引擎，与许多流行的ML / DNN框架兼容，包括PyTorch，TensorFlow / Keras，scikit-learn等。github地址

针对云和 Edge 进行了优化，适用于 Linux、Windows 和 Mac。
使用 C++ 编写，还包含 C、Python、C#、Java 和 Javascript (Node.js) API，可在各种环境中使用。
同时支持 DNN 和传统 ML 模型，并与不同硬件上的加速器（例如，NVidia GPU 上的 TensorRT、Intel 处理器上的 OpenVINO、Windows 上的 DirectML 等）集成。

采用ONNX Runtime的主要优点是：

提高各种ML模型的推理性能
减少训练大型模型的时间和成本
使用Python进行训练，但可以部署到C＃/ C ++ / Java应用程序中
在不同的硬件和操作系统上运行
支持在多个不同框架中创建的模型

API文档：https://www.onnxruntime.ai/python/index.html

示例代码

0）安装onnx和onnxruntime

# pytorch一般自带onnx
conda install -c conda-forge onnx
# onnxruntime的其他版本有可能报错ImportError: cannot import name 'get_all_providers'
pip install onnxruntime       # CPU build
pip install onnxruntime-gpu   # GPU build

如果需要编译安装，可以参照ONNX Runtime 的GitHub仓库地址上的说明。

需要注意的是：

默认安装方式只支持Python3
windows下编译安装需要Visual C++ 2019 runtime，且只支持win10及以上版本

1）pytorch模型转onnx模型

利用torch.onnx.export导出模型到ONNX格式。

import torch.onnx
import torchvision

# Standard ImageNet input - 3 channels, 224x224,
# values don't matter as we care about network structure.
# But they can also be real inputs.
dummy_input = torch.randn(1, 3, 224, 224)
# Obtain your model, it can be also constructed in your script explicitly
model = torchvision.models.alexnet(pretrained=True)
# Invoke export
torch.onnx.export(model, dummy_input, "alexnet.onnx")

2）onnx模型检验

检查onnx模型，并打印模型的结构表示。onnx模型还可以通过可视化工具（如 Netron）查看。

import onnx

# Load the ONNX model
model = onnx.load("alexnet.onnx")

# Check that the IR is well formed
onnx.checker.check_model(model)

# Print a human readable representation of the graph
print(onnx.helper.printable_graph(model.graph))

3）调用ONNX Runtime测试输入图片

采用python API，加载一张图片测试我们转化后的onnx模型。


import numpy as np # we're going to use numpy to process input and output data
import onnxruntime # to inference ONNX models, we use the ONNX Runtime
import time
from PIL import Image

def load_labels(path):
    with open(path) as f:
        data = json.load(f)
    return np.asarray(data)

# 图像预处理
def preprocess(input_data):
    # convert the input data into the float32 input
    img_data = input_data.astype('float32')

    #normalize
    mean_vec = np.array([0.485, 0.456, 0.406])
    stddev_vec = np.array([0.229, 0.224, 0.225])
    norm_img_data = np.zeros(img_data.shape).astype('float32')
    for i in range(img_data.shape[0]):
        norm_img_data[i,:,:] = (img_data[i,:,:]/255 - mean_vec[i]) / stddev_vec[i]
        
    #add batch channel
    norm_img_data = norm_img_data.reshape(1, 3, 224, 224).astype('float32')
    return norm_img_data

def softmax(x):
    x = x.reshape(-1)
    e_x = np.exp(x - np.max(x))
    return e_x / e_x.sum(axis=0)

def postprocess(result):
    return softmax(np.array(result)).tolist()

# Load the raw image
img = Image.open("D://Pic//cat.jpg")
img = img.resize((224, 224), Image.BILINEAR)
print("Image size: ", img.size)

image_data = np.array(img).transpose(2, 0, 1)
input_data = preprocess(image_data)

# Run the model on the backend
session = onnxruntime.InferenceSession('.//alexnet.onnx', None)

# get the name of the first input of the model
input_name = session.get_inputs()[0].name  
print('Input Name:', input_name)

# Inference
start = time.time()
raw_result = session.run([], {input_name: input_data})
end = time.time()
res = postprocess(raw_result)

inference_time = np.round((end - start) * 1000, 2)
idx = np.argmax(res)

print('========================================')
print('Final top prediction is: %d'% idx)
print('========================================')

print('========================================')
print('Inference time: ' + str(inference_time) + " ms")
print('========================================')

参考教程

[1] https://github.com/onnx/tutorials/blob/master/tutorials/PytorchOnnxExport.ipynb
[2] https://pytorch.org/tutorials/advanced/super_resolution_with_onnxruntime.html
[3] https://github.com/onnx/onnx-docker/blob/master/onnx-ecosystem/inference_demos/resnet50_modelzoo_onnxruntime_inference.ipynb