onnx.export报警告：WARNING: The shape inference of prim::Constant type is missing...解决方法

最新推荐文章于 2024-06-27 16:19:01 发布
最新推荐文章于 2024-06-27 16:19:01 发布
阅读量1.2w 收藏 16
点赞数 8
分类专栏： pytorch 文章标签： pytorch 人工智能 python
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/cai1493105270/article/details/122488629
版权

在将pytorch模型转换为onnx模型时报警：

```

WARNING: The shape inference of prim::Constant type is missing, so it may result in wrong shape inference for the exported graph. Please consider adding it in symbolic function.

```

经过模块尝试发现是`F.interpolate`函数（换成F.upsmple也报）导致的，下面给出两种解决方法：

方法1. 用反卷积代替上采样（只是猜测，未尝试）

方法2. 将onnx.export函数的属性加上opset_version=11。（我自己用的这个方法）

日暮乡关何处是
关注
  • 8
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
NetworkInference.jl:从数据推断无向网络的方法
03-17
网络推断描述NetworkInference是一个用于推断（非定向）网络的程序包，其中为每个节点提供了一组测量值。 主要输出是InferredNetwork类型，它表示完全连接的加权网络，其中边缘的权重表示真实网络中存在的边缘的相对...
yolov5_convert_onnx.zip
09-26
4. **验证转换**: 转换完成后，为了确保ONNX模型能够正确运行，可以使用`onnx.checker.check_model`进行模型检查，以及`onnx.shape_inference.infer_shapes`进行形状推理，确保所有输出形状都能被正确推断。...
Pytorch实现LSTM预测模型并使用C++相应的ONNX模型推理
午夜的行人
09-15 807
【代码】Pytorch实现LSTM预测模型并使用C++相应的ONNX模型推理。
torch to onnx加速，复杂网络pytorch转onnx报错记录及解决
unique_zhao的博客
12-18 2592
torch转onnx中问题的解决思路，设计interpolate算子，instance norm， grid sampler
PyTorch中的prim操作
qq_44815135的博客
05-10 461
用户在使用PyTorch时，会使用更高级的API和函数来组合和构建计算图，而不是直接操作prim操作。原始操作是构成PyTorch计算图的基本操作单位，代表了计算图中的节点。prim是PyTorch内部用于表示各种计算操作的一种机制，它提供了一种通用的方式来表示和处理不同类型的操作。这些prim操作在PyTorch的计算图中被用于表示不同的计算和控制流操作。总而言之，prim是PyTorch内部用于表示原始操作的一种特殊类型，它在计算图中代表了不同类型的计算和控制流操作。
yolov5部署android教程
GZ_public的博客
10-13 4510
yolo模型部署android到发布APK
yolov8或yolov5模型转onnx
weixin_43422012的博客
01-11 1616
yolov8或yolov5训练模型，模型转onnx，onnx接口封装。
关闭onnxruntime推理过程中的warnings
weixin_42280271的博客
06-30 1105
ONNX Runtime是一个高性能推理引擎，用于在多个平台上运行深度学习模型。ONNX（Open Neural Network Exchange）是一个开放的深度学习模型表示和转换工具，ONNX Runtime则是用来加载、优化和运行ONNX模型的库。ONNX Runtime提供了许多优势。首先，它支持多个硬件平台，包括CPU、GPU和边缘设备，这使得它可以在不同的硬件上进行高效的推理。其次，ONNX Runtime还采用了一些优化技术，例如图优化、内核融合和静态量化等，以提高推理性能并降低内存占用。
关于 ONNX export failed: Couldn't export operator aten::upsample_bilinear2d 解决方案
info_black_hole的博客
04-16 3256
关于torch导出onnx时候无法导出 upsample_bilinear2d的问题： 有人说直接将bilinear换成nearest，但是模型效果自然打折扣 完美的解决方案如下 torch.onnx.export(model, dummy_tensor, output, export_params=True,opset_version=11) 这里只需要在后面多加一个 opset_versio...
ONNX: starting export with onnx 1.16.1... ONNX: export failure ❌ 47.1s: Unsupported ONNX opset versi
最新发布
qq_43518984的博客
06-27 185
报错意思是说onnx版本是1.16.1，onnx opset版本是17，这两个不匹配。我的onnx版本是1.16.1，把onnx opset version 改成12。3、把default改成所需要的版本即可（eg.我的从不对的17改成对应的12）只需要改一下onnx opset对应的版本就行。2、找到parse_opt下的opset。在运行yolov5文件时遇到报错。1、打开文件export.py。
香橙派5使用NPU加速yolov5的实时视频推理（一）
weixin_51651698的博客
03-05 8503
香橙派5 NPU YOLOV5实时视频检测
tfjs_shape_inference:使用TensorFlow.js的形状分类器
05-16
使用TensorFlow的形状分类器。 使用TensorFlow.js的简单形状分类器Web应用 这是使用TensorFlow.js对形状（圆形，三角形，正方形）进行分类的Web应用程序的示例源。 请注意，这是一个非常简单的实现，因为我想直观地...
0xtaipoian.github.io:我的个人小博客
04-10
8. **类型推断（Type Inference）**：TypeScript编译器能够自动推断变量的类型，减轻开发者的工作负担。 9. **编译选项和配置**：介绍tsconfig.json文件，用于控制TypeScript编译器的行为，例如指定输出目录、启用...
tf.keras_CNN:使用tensorflow.keras
04-14
9. **模型训练(Train the Model)**：使用`model.fit()`方法进行模型训练，指定训练数据、验证数据、批次大小、训练周期等参数。 10. **模型评估(Evaluation)**：通过`model.evaluate()`检查模型在测试集上的性能。 ...
pt文件转onnx确定不同的输入宽高如何转换？
进击的菜鸟
03-15 1320
现实中训练好的模型部署时经常会有这样的需求，就是模型的输入需要改变，不使用训练时的输入大小，如yolo系列的模型训练时一般都是输入的图片是640x640，但是部署时我希望输入到模型的分辨率是1920x1080（调整为1920x1088，必须为32的整数倍），那么如何通过pt文件导出对应的onnx模型文件呢？静态batch如何导出呢？动态batch如何导出呢？
基于Nvidia Jetson orin nx的 YoloV7 tensorRt加速
apprentices的博客
11-14 1049
Jetpack 是 Nvidia为系列开发板开发的一款软件开发包，常用的开发工具基本都包括了，并在在安装 Jetpack的时候，会自动的将匹配版本的CUDA、cuDNN、TensorRT等。官方提供套件中默认已经安装，可以通过以下命令查看jetPack是否已经安装。# 法一：需要已安装jtop# 法二：无需安装jtop。
Pytorch实现RNN预测模型并使用C++相应的ONNX模型推理
午夜的行人
09-15 621
Pytorch实现RNN预测模型并使用C++相应的ONNX模型推理。
fasterrcnn rpn roialign tensorrt部署实践
jacke121的专栏
08-06 2918
fasterrcnn tensorrt部署
【深度学习】目标检测 yolov5模型量化安装教程以及转ONXX，torchscript，engine和速度比较一栏表
weixin_40293999的博客
09-15 7024
yolov5 的模型量化,好好看看export.py 写的很清楚了, step1:pip install -r requirements.txt coremltools onnx onnx-simplifier onnxruntime-gpu openvino-dev tensorflow # GPU step2: python export.py --weights weights/yolov5x6.pt --include onnx torchscript engine 遇到报错: TensorRT:
model=model.module AttributeError: 'list' object has no attribute 'module'
04-07
This error occurs when you try to access the 'module' attribute of a list object. It means that you are trying to call a method or attribute that is not defined for a list. To fix this error, you need to check your code and make sure that you are calling the 'module' attribute on the correct object. It's possible that you are passing a list object to a function that expects a model object. If you are working with a PyTorch model, make sure that you have defined it correctly and that you are calling the 'module' attribute on the right object. The 'module' attribute is used to access the underlying model when using DataParallel. Here's an example of how to fix this error when working with a PyTorch model: ```python import torch.nn as nn import torch.optim as optim class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1) self.pool = nn.MaxPool2d(kernel_size=2, stride=2) self.fc1 = nn.Linear(64 * 16 * 16, 10) def forward(self, x): x = self.conv1(x) x = nn.functional.relu(x) x = self.pool(x) x = x.view(-1, 64 * 16 * 16) x = self.fc1(x) return x model = MyModel() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # Train the model for epoch in range(10): for data in dataloader: inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # Access the underlying model when using DataParallel if torch.cuda.device_count() > 1: model = nn.DataParallel(model) model.module.training = False # Test the model correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` In this example, we define a simple PyTorch model and train it using an SGD optimizer. After training, we check if there are multiple GPUs available and wrap the model with DataParallel if necessary. Finally, we use the 'module' attribute to access the underlying model when running inference.
评论 5
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