Yolov8的ONNX转换比较简单,仔细看下源码完全可以明白。
def _export_onnx(self, prefix=colorstr('ONNX:')): # colorstr():改变输出字符串的颜色
# YOLOv8 ONNX export
# 对当前环境onnx的版本进行检查
check_requirements('onnx>=1.12.0')
import onnx # noqa
LOGGER.info(f'\n{prefix} starting export with onnx {onnx.__version__}...')
# with_suffix(suffix) 有扩展名则替换,无则补充扩展名
# 转换ONNX文件的存储路径
f = str(self.file.with_suffix('.onnx'))
# 模型输出的名字
output_names = ['output0', 'output1'] if isinstance(self.model, SegmentationModel) else ['output0']
dynamic = self.args.dynamic
# 判断是否动态输入和输出
if dynamic:
# dynamic 中 'images' 是动态输入的名字,{0: 'batch', 2: 'height', 3: 'width'}是每个动态维度及其名字
dynamic = {'images': {0: 'batch', 2: 'height', 3: 'width'}} # shape(1,3,640,640)
if isinstance(self.model, SegmentationModel):
dynamic['output0'] = {0: 'batch', 1: 'anchors'} # shape(1,25200,85)
dynamic['output1'] = {0: 'batch', 2: 'mask_height', 3: 'mask_width'} # shape(1,32,160,160)
elif isinstance(self.model, DetectionModel):
dynamic['output0'] = {0: 'batch', 1: 'anchors'} # shape(1,25200,85)
torch.onnx.export(
# 动态只与CPU兼容
self.model.cpu() if dynamic else self.model, # 模型
self.im.cpu() if dynamic else self.im, # 模型的输入
f, # 导出ONNX的名字
verbose=False,
opset_version=self.args.opset,
# 使用torch>=1.12的DNN推断可能需要do_constant_folding=False
do_constant_folding=True,
input_names=['images'], # 输出张量
output_names=output_names, # 输入张量
dynamic_axes=dynamic or None # 设置动态维度
)
# Checks
model_onnx = onnx.load(f) # load onnx model
onnx.checker.check_model(model_onnx) # check onnx model
# Metadata
# 自定义元数据填充onnx模型, 存放一些模型相关信息
d = {'stride': int(max(self.model.stride)), 'names': self.model.names}
for k, v in d.items():
meta = model_onnx.metadata_props.add()
meta.key, meta.value = k, str(v)
onnx.save(model_onnx, f)