Convert ONNX models into Apple Core ML format onnx 转换为 mlmodel

最新推荐文章于 2024-06-04 10:32:43 发布
最新推荐文章于 2024-06-04 10:32:43 发布
阅读量1.7k 收藏 2
点赞数 1
分类专栏： Apple Core ML
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Sico2Sico/article/details/106337092
版权

Convert ONNX models into Apple Core ML format

  1. 安装onnx-coreml
/// 如果报错 使用python3 因为你的电脑可能有两个版本的python mac自带的python的是2
pip install torchvision onnx-coreml 
/// 或者
pip3 install torchvision onnx-coreml
  1. 创建 onnx_to_coreml2.py
import sys
from onnx import onnx_pb
from onnx_coreml import convert

model_in = sys.argv[1]
model_out = sys.argv[2]

"""
IMAGE_NET_MEAN = [0.485, 0.456, 0.406]
IMAGE_NET_STD = [0.229, 0.224, 0.225]
"""

scale = 1.0 / (1.0 * 255.0)
args = dict(is_bgr=False, red_bias = -(0 * 255.0) * scale  , green_bias = -(0 * 255.0) * scale , blue_bia = -(0 * 255.0) * scale, image_scale = scale)

model_file = open(model_in, 'rb')
model_proto = onnx_pb.ModelProto()
model_proto.ParseFromString(model_file.read())
coreml_model = convert(model_proto,image_input_names = ['input'],preprocessing_args = args, minimum_ios_deployment_target='13')
coreml_model.save(model_out)

需要注意的是在做模型转换的时候 需要设置 image_input_names = [‘input’] 这样 mlmodel 才会识别是图片而不是数组 不然会报错 还需要注意归一化处理和 通道颜色值偏差

  1. 执行脚本
/// python onnx_to_coreml2.py  inputfileName.onnx outputfileName.mlmodel 
/// 报错的话 直接使用python3
python3 onnx_to_coreml2.py  inputfileName.onnx outputfileName.mlmodel
  1. 结果
demon@Demon Coreml % python3 /Users/demon/Desktop/Coreml/onnx_to_coreml2.py  nima_mobilenetv2-simple.onnx dezhi_nima.mlmodel
1/153: Converting Node Type Conv
2/153: Converting Node Type BatchNormalization
3/153: Converting Node Type Relu
4/153: Converting Node Type Conv
5/153: Converting Node Type BatchNormalization
6/153: Converting Node Type Relu
7/153: Converting Node Type Conv
8/153: Converting Node Type BatchNormalization
9/153: Converting Node Type Conv
10/153: Converting Node Type BatchNormalization
11/153: Converting Node Type Relu
12/153: Converting Node Type Conv
13/153: Converting Node Type BatchNormalization
14/153: Converting Node Type Relu
15/153: Converting Node Type Conv
16/153: Converting Node Type BatchNormalization
17/153: Converting Node Type Conv
18/153: Converting Node Type BatchNormalization
19/153: Converting Node Type Relu
20/153: Converting Node Type Conv
21/153: Converting Node Type BatchNormalization
22/153: Converting Node Type Relu
23/153: Converting Node Type Conv
24/153: Converting Node Type BatchNormalization
25/153: Converting Node Type Add
26/153: Converting Node Type Conv
27/153: Converting Node Type BatchNormalization
28/153: Converting Node Type Relu
29/153: Converting Node Type Conv
30/153: Converting Node Type BatchNormalization
31/153: Converting Node Type Relu
32/153: Converting Node Type Conv
33/153: Converting Node Type BatchNormalization
34/153: Converting Node Type Conv
35/153: Converting Node Type BatchNormalization
36/153: Converting Node Type Relu
37/153: Converting Node Type Conv
38/153: Converting Node Type BatchNormalization
39/153: Converting Node Type Relu
40/153: Converting Node Type Conv
41/153: Converting Node Type BatchNormalization
42/153: Converting Node Type Add
43/153: Converting Node Type Conv
44/153: Converting Node Type BatchNormalization
45/153: Converting Node Type Relu
46/153: Converting Node Type Conv
47/153: Converting Node Type BatchNormalization
48/153: Converting Node Type Relu
49/153: Converting Node Type Conv
50/153: Converting Node Type BatchNormalization
51/153: Converting Node Type Add
52/153: Converting Node Type Conv
53/153: Converting Node Type BatchNormalization
54/153: Converting Node Type Relu
55/153: Converting Node Type Conv
56/153: Converting Node Type BatchNormalization
57/153: Converting Node Type Relu
58/153: Converting Node Type Conv
59/153: Converting Node Type BatchNormalization
60/153: Converting Node Type Conv
61/153: Converting Node Type BatchNormalization
62/153: Converting Node Type Relu
63/153: Converting Node Type Conv
64/153: Converting Node Type BatchNormalization
65/153: Converting Node Type Relu
66/153: Converting Node Type Conv
67/153: Converting Node Type BatchNormalization
68/153: Converting Node Type Add
69/153: Converting Node Type Conv
70/153: Converting Node Type BatchNormalization
71/153: Converting Node Type Relu
72/153: Converting Node Type Conv
73/153: Converting Node Type BatchNormalization
74/153: Converting Node Type Relu
75/153: Converting Node Type Conv
76/153: Converting Node Type BatchNormalization
77/153: Converting Node Type Add
78/153: Converting Node Type Conv
79/153: Converting Node Type BatchNormalization
80/153: Converting Node Type Relu
81/153: Converting Node Type Conv
82/153: Converting Node Type BatchNormalization
83/153: Converting Node Type Relu
84/153: Converting Node Type Conv
85/153: Converting Node Type BatchNormalization
86/153: Converting Node Type Add
87/153: Converting Node Type Conv
88/153: Converting Node Type BatchNormalization
89/153: Converting Node Type Relu
90/153: Converting Node Type Conv
91/153: Converting Node Type BatchNormalization
92/153: Converting Node Type Relu
93/153: Converting Node Type Conv
94/153: Converting Node Type BatchNormalization
95/153: Converting Node Type Conv
96/153: Converting Node Type BatchNormalization
97/153: Converting Node Type Relu
98/153: Converting Node Type Conv
99/153: Converting Node Type BatchNormalization
100/153: Converting Node Type Relu
101/153: Converting Node Type Conv
102/153: Converting Node Type BatchNormalization
103/153: Converting Node Type Add
104/153: Converting Node Type Conv
105/153: Converting Node Type BatchNormalization
106/153: Converting Node Type Relu
107/153: Converting Node Type Conv
108/153: Converting Node Type BatchNormalization
109/153: Converting Node Type Relu
110/153: Converting Node Type Conv
111/153: Converting Node Type BatchNormalization
112/153: Converting Node Type Add
113/153: Converting Node Type Conv
114/153: Converting Node Type BatchNormalization
115/153: Converting Node Type Relu
116/153: Converting Node Type Conv
117/153: Converting Node Type BatchNormalization
118/153: Converting Node Type Relu
119/153: Converting Node Type Conv
120/153: Converting Node Type BatchNormalization
121/153: Converting Node Type Conv
122/153: Converting Node Type BatchNormalization
123/153: Converting Node Type Relu
124/153: Converting Node Type Conv
125/153: Converting Node Type BatchNormalization
126/153: Converting Node Type Relu
127/153: Converting Node Type Conv
128/153: Converting Node Type BatchNormalization
129/153: Converting Node Type Add
130/153: Converting Node Type Conv
131/153: Converting Node Type BatchNormalization
132/153: Converting Node Type Relu
133/153: Converting Node Type Conv
134/153: Converting Node Type BatchNormalization
135/153: Converting Node Type Relu
136/153: Converting Node Type Conv
137/153: Converting Node Type BatchNormalization
138/153: Converting Node Type Add
139/153: Converting Node Type Conv
140/153: Converting Node Type BatchNormalization
141/153: Converting Node Type Relu
142/153: Converting Node Type Conv
143/153: Converting Node Type BatchNormalization
144/153: Converting Node Type Relu
145/153: Converting Node Type Conv
146/153: Converting Node Type BatchNormalization
147/153: Converting Node Type Conv
148/153: Converting Node Type BatchNormalization
149/153: Converting Node Type Relu
150/153: Converting Node Type AveragePool
151/153: Converting Node Type Conv
152/153: Converting Node Type Reshape
153/153: Converting Node Type Softmax
Translation to CoreML spec completed. Now compiling the CoreML model.
Model Compilation done.

需要注意的是 在输入输出的时候 你可能需要查看 .onnx .mlmodel等输入输出的变量等可以使用

netron 这个软件 如图
在这里插入图片描述

在这里插入图片描述

MK_Derek
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
解码Core ML YOLO对象检测器（二）
寒冰屋的专栏
04-28 422
目录 介绍 了解YOLO v2输出 准备YOLO输出解码 解码YOLO输出 下一步 下载带循环解码-690.3 KB 介绍 本系列假定您熟悉Python、Conda和ONNX，并且具有使用Xcode开发iOS应用程序的经验。我们将使用macOS 10.15 +、Xcode 11.7+和iOS 13+运行代码。 了解YOLO v2输出 YOLO v2接受固定分辨率的416 x 416输入图像，这些图像被分成13 x 13的网格。根据此模型进行的预测将返回形状为(1, 425, 13, 13)
将ONNX对象检测模型转换为iOS Core ML
gumenghua_com1的博客
11-21 805
在本系列中，我们将使用预训练的模型来创建一个iOS应用程序，该应用程序将在实时摄像头Feed中（而非静态图片中）检测多个人和物体。 在本文中，我们将从YOLO对象检测模型从开放神经网络交换格式（ONNX）转换为Core ML开始。 下载源350.1 KB 介绍 在上一篇文章系列中，我们创建了一个用于图像分类的iOS应用程序。但是，在许多情况下，仅给图片分配一个标签是不够的。例如，在安全系统中，您不仅想知道图片中是否有手提箱，还想知道手提箱在哪里，以及它是否被人包围或被遗弃。 对象检测模型可以帮助我们实现这一
模型部署系列：ONNX模型格式的构建、分析和优化指南
最新发布
2401_85375298的博客
06-04 714
ONNX（Open Neural Network Exchange，开放式神经网络交换格式）是一种**模型文件格式**，它在模型训练和模型推理中间提供了**中间桥梁**，使得上游不同的训练框架都能导出ONNX格式的模型，给到下游不同的推理框架都可以读取ONNX进行部署。
将ONNX对象检测模型转换为iOS Core ML（一）
寒冰屋的专栏
04-28 1956
目录 介绍 使用YOLO进行物体检测 寻找正确的模型 将ONNX转换为Core ML 下一步 在本文中，我们将从YOLO对象检测模型从开放神经网络交换格式（ONNX）到Core ML的转换开始。 下载源350.1 KB 介绍 在上一个系列文章中，我们创建了一个用于图像分类的iOS应用程序。但是，在许多情况下，仅给图片分配一个标签是不够的。例如，在安全系统中，您不仅想知道图片中是否有手提箱，还想知道手提箱在哪里，以及它是否被人包围或被遗弃。 对象检测模型可以帮助我们实现这一目标。在本系列中，
coremltools onnx转mlmodel AttributeError: module ‘coremltools.converters‘ has no attribute ‘onnx‘
bengqian1670的博客
11-08 1355
coremltools onnx转mlmodel AttributeError: module 'coremltools.converters' has no attribute 'onnx' or ‘caffe’
将ONNX图像分类模型转换为Core ML
04-08
在本文中，我们将ResNet模型转换为Core ML格式。
tensorflow-onnx：将TensorFlow模型转换为ONNX
02-06
tf2onnx-将TensorFlow模型转换为ONNX。 构建类型 操作系统 Python 张量流 Onnx Opset 状态 单元测试-基本 Linux，MacOS * ，Windows * 3.6、3.7、3.8 1.12-1.15、2.1-2.4 7-13 单元测试-完整 Linux，MacOS，...
将tf.kerasKeras模型转换为ONNX-源码.zip
08-17
要将Keras模型转换为ONNX，我们使用`onnx-tf`提供的`convert_tensorflow`函数。这个函数接受一个TensorFlow模型的图，并将其转换为ONNX模型。注意，我们需要指定目标ONNX模型的版本： ```python import onnx from ...
Convert ONNX model file to Caffe2 model file(pb)
weixin_41521681的博客
01-29 233
Convert ONNX model file to Caffe2 model file(pb) onnx-caffe2 has bundled a shell command convert-onnx-to-caffe2 for converting ONNX model file to Caffe2 model file. $ convert-onnx-to-caffe2 assets/squeezenet.onnx --output predict_net.pb --init-net-output i
转换到Core ML模型
mandagod的博客
03-03 496
Caffe模型转换到Core ML模型 下载一个caffe模型： # Age and gender models wget http://www.openu.ac.il/home/hassner/projects/cnn_agegender/cnn_age_gender_models_and_data.0.0.2.zip unzip -a cnn_age_gender_models_and_...
手把手教你如何快速解析.mlmodel文件
qq_42376419的博客
05-27 3389
把训练好的模型拖入工程 把.mlmodel文件拖入到 iOS程序后，点击.mlmodel文件他会显示这个界面 Model Class 这个是 Xcode 根据模型编译生成的接口类，应用程序需要 #import “imageClassifier.h”。点最右边那个箭头，就会打开这个头文件。 Model Evaluation Parameters 描述输入和输出，CoreML 接的机器学习...
Atlas 200 DK 系列 --高级篇--模型转换
荪荪的博客
03-20 7835
一、模型转换工具的介绍与操作演示–模型转换OMG介绍 Atlas200DK平台中提供了模型转换工具（OMG）。可以将caffe、Tensorflow等开源框架模型转换成Atlas200DK支持的模型，从而能够更方便快捷地把其他平台地模型放到Atlas200DK平台进行调试并拓展相关业务 1）OMG的功能介绍 2）OMG命令使用及命令参数解析 3）Mind Studio模型转换实际操作 4）OMG与...
MLCore 端上推理全流程
HatsuneMikuFans的博客
07-20 375
这里写自定义目录标题MLCore 端上推理全流程1. 问题描述2. 如何转化模型3. 如何验证模型转化是否成功4. 在iOS端上使用该模型4.1 如何转化输入4.2 输出的数据5. 总结 MLCore 端上推理全流程 1. 问题描述 目前，我们在做一项端上的增强项目，需要用到相关平台的推理框架。现在有一个这样的问题:存在已有的onnx模型，可否转化成mlmodel模型，以供iOS端上使用。听上去挺简单的，安排☑️。 对于端上推理框架的套路如下几点： 如何转化模型 如何转化模型输入 如何推理 如何转化模型输
【笔记】tf 模型 不同类型之间的转化：ckpt 转pb、mlmodel；mlmodel转mlmodelc；pb转mnn
nyist_yangguang的博客
12-06 796
注： 正文： 1. 转pb和mlmodel # csdn -牧野- 2020-7-18 # https://blog.csdn.net/dcrmg/article/details/107213367 import tensorflow as tf from tensorflow import graph_util import os import tfcoreml import network def freeze_graph(input_checkpoint, output_gr.
ONNX格式模型转MNN格式模型
gy笨瓜的博客
10-03 3603
本文主要包含ONNX格式模型转MNN格式模型的两种方法 第一种方法：在线转换 网址：https://convertmodel.com/ 网页截图如下： 第二种方法：使用MNNConvert工具转换（待csdn审核通过，加入windows系统MNNConvert.exe的CSDN下载地址） 测试系统：Windows 7 Service Pack 1 测试版本： 使用方法：控制台输入命令（注意目录切换） MNNConvert.exe –f ONNX --modelFile model_onnx.onnx..
model.onnx转换成model.tflite文件
05-11
tf_model = tf.keras.models.Model.from_onnx(onnx_model) # 将ONNX模型导入到TensorFlow中 ``` 3. 将TensorFlow模型转换为TFLite模型 ```python converter = tf.lite.TFLiteConverter.from_keras_model(tf_model)...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值