使用onnx包将pth文件转换为onnx文件

最新推荐文章于 2024-04-03 19:52:50 发布
最新推荐文章于 2024-04-03 19:52:50 发布
阅读量3.3k 收藏 23
点赞数 4
文章标签： pytorch 深度学习 神经网络
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/qq_45893319/article/details/122124278
版权

本文对比一下两种pth文件转为onnx的区别以及onnx文件在NETRON中的图

  1. 只有参数的pth文件：cat_dog.pth
  2. 既有参数又有模型结构的pth文件：cat_dog_model_args.pth
  3. 既有参数又有模型结构的onnx文件：cat_dog_model_args.onnx

cat_dog_model.pth 在NETRON中的图（无网络架构）

由于没有网络结构，所以不能通过代码将其转为onnx文件
在这里插入图片描述

cat_dog_model_args.pth 在NETRON中的图

在这里插入图片描述

cat_dog_model_args.onnx在NETRON中的图

先将cat_dog_model_args.pth 转为cat_dog_model_args.onnx
代码：

import torch
import torchvision
dummy_input = torch.randn(1, 3, 224, 224)
model = torch.load('D:\***\swin_transformer_flower\cat_dog_model_args.pth')
model.eval()
input_names = ["input"]
output_names = ["output"]
torch.onnx.export(model,
                  dummy_input,
                  "cat_dog_model_args.onnx",
                  verbose=True,
                  input_names=input_names,
                  output_names=output_names)

运行以上代码
输出

graph(%input : Float(1:150528, 3:50176, 224:224, 224:1, requires_grad=0, device=cpu),
      %features.0.weight : Float(64:27, 3:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.0.bias : Float(64:1, requires_grad=0, device=cpu),
      %features.2.weight : Float(64:576, 64:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.2.bias : Float(64:1, requires_grad=0, device=cpu),
      %features.5.weight : Float(128:576, 64:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.5.bias : Float(128:1, requires_grad=0, device=cpu),
      %features.7.weight : Float(128:1152, 128:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.7.bias : Float(128:1, requires_grad=0, device=cpu),
      %features.10.weight : Float(256:1152, 128:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.10.bias : Float(256:1, requires_grad=0, device=cpu),
      %features.12.weight : Float(256:2304, 256:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.12.bias : Float(256:1, requires_grad=0, device=cpu),
      %features.14.weight : Float(256:2304, 256:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.14.bias : Float(256:1, requires_grad=0, device=cpu),
      %features.17.weight : Float(512:2304, 256:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.17.bias : Float(512:1, requires_grad=0, device=cpu),
      %features.19.weight : Float(512:4608, 512:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.19.bias : Float(512:1, requires_grad=0, device=cpu),
      %features.21.weight : Float(512:4608, 512:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.21.bias : Float(512:1, requires_grad=0, device=cpu),
      %features.24.weight : Float(512:4608, 512:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.24.bias : Float(512:1, requires_grad=0, device=cpu),
      %features.26.weight : Float(512:4608, 512:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.26.bias : Float(512:1, requires_grad=0, device=cpu),
      %features.28.weight : Float(512:4608, 512:9, 3:3, 3:1, requires_grad=0, device=cpu),
      %features.28.bias : Float(512:1, requires_grad=0, device=cpu),
      %classifier.0.weight : Float(100:25088, 25088:1, requires_grad=1, device=cpu),
      %classifier.0.bias : Float(100:1, requires_grad=1, device=cpu),
      %classifier.3.weight : Float(2:100, 100:1, requires_grad=1, device=cpu),
      %classifier.3.bias : Float(2:1, requires_grad=1, device=cpu)):
  %31 : Float(1:3211264, 64:50176, 224:224, 224:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%input, %features.0.weight, %features.0.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %32 : Float(1:3211264, 64:50176, 224:224, 224:1, requires_grad=0, device=cpu) = onnx::Relu(%31) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %33 : Float(1:3211264, 64:50176, 224:224, 224:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%32, %features.2.weight, %features.2.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %34 : Float(1:3211264, 64:50176, 224:224, 224:1, requires_grad=0, device=cpu) = onnx::Relu(%33) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %35 : Float(1:802816, 64:12544, 112:112, 112:1, requires_grad=0, device=cpu) = onnx::MaxPool[kernel_shape=[2, 2], pads=[0, 0, 0, 0], strides=[2, 2]](%34) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:586:0
  %36 : Float(1:1605632, 128:12544, 112:112, 112:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%35, %features.5.weight, %features.5.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %37 : Float(1:1605632, 128:12544, 112:112, 112:1, requires_grad=0, device=cpu) = onnx::Relu(%36) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %38 : Float(1:1605632, 128:12544, 112:112, 112:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%37, %features.7.weight, %features.7.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %39 : Float(1:1605632, 128:12544, 112:112, 112:1, requires_grad=0, device=cpu) = onnx::Relu(%38) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %40 : Float(1:401408, 128:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::MaxPool[kernel_shape=[2, 2], pads=[0, 0, 0, 0], strides=[2, 2]](%39) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:586:0
  %41 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%40, %features.10.weight, %features.10.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %42 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Relu(%41) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %43 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%42, %features.12.weight, %features.12.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %44 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Relu(%43) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %45 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%44, %features.14.weight, %features.14.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %46 : Float(1:802816, 256:3136, 56:56, 56:1, requires_grad=0, device=cpu) = onnx::Relu(%45) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %47 : Float(1:200704, 256:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::MaxPool[kernel_shape=[2, 2], pads=[0, 0, 0, 0], strides=[2, 2]](%46) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:586:0
  %48 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%47, %features.17.weight, %features.17.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %49 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Relu(%48) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %50 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%49, %features.19.weight, %features.19.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %51 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Relu(%50) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %52 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%51, %features.21.weight, %features.21.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %53 : Float(1:401408, 512:784, 28:28, 28:1, requires_grad=0, device=cpu) = onnx::Relu(%52) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %54 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::MaxPool[kernel_shape=[2, 2], pads=[0, 0, 0, 0], strides=[2, 2]](%53) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:586:0
  %55 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%54, %features.24.weight, %features.24.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %56 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Relu(%55) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %57 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%56, %features.26.weight, %features.26.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %58 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Relu(%57) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %59 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Conv[dilations=[1, 1], group=1, kernel_shape=[3, 3], pads=[1, 1, 1, 1], strides=[1, 1]](%58, %features.28.weight, %features.28.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\modules\conv.py:420:0
  %60 : Float(1:100352, 512:196, 14:14, 14:1, requires_grad=0, device=cpu) = onnx::Relu(%59) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1134:0
  %61 : Float(1:25088, 512:49, 7:7, 7:1, requires_grad=0, device=cpu) = onnx::MaxPool[kernel_shape=[2, 2], pads=[0, 0, 0, 0], strides=[2, 2]](%60) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:586:0
  %62 : Float(1:25088, 512:49, 7:7, 7:1, requires_grad=0, device=cpu) = onnx::AveragePool[kernel_shape=[1, 1], strides=[1, 1]](%61) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:936:0
  %63 : Float(1:25088, 25088:1, requires_grad=0, device=cpu) = onnx::Flatten[axis=1](%62) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torchvision\models\vgg.py:45:0
  %64 : Float(1:100, 100:1, requires_grad=1, device=cpu) = onnx::Gemm[alpha=1., beta=1., transB=1](%63, %classifier.0.weight, %classifier.0.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1690:0
  %65 : Float(1:100, 100:1, requires_grad=1, device=cpu) = onnx::Relu(%64) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:983:0
  %output : Float(1:2, 2:1, requires_grad=1, device=cpu) = onnx::Gemm[alpha=1., beta=1., transB=1](%65, %classifier.3.weight, %classifier.3.bias) # C:\Users\deep\anaconda3\envs\swin\lib\site-packages\torch\nn\functional.py:1690:0
  return (%output)


Process finished with exit code 0

在这里插入图片描述
图片居中方法：
参考:CSDN博客文章中图片居中
即只需要在图片下方代码页最后加上#pic_center即可
在这里插入图片描述

饿了就干饭
关注
  • 4
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
【Python】pth模型转onnx模型的实践
静谧、淡雅
02-21 387
本文简单介绍YOLOX-nano.pth模型转换为YOLOX-nano.onnx模型。
pth和onnx推理结果对比代码
02-16
里面主要涉及到如何判断pth转onnx之后是否无损失转换了，利用代码进行测试两模型对同一张图片的推理结果是否一致。
pytorch训练图像分类模型pth转ONNX并测试
10-29
1. 搭建自己的简单二分类网络，使用pytorch训练和测试； 2. 将pytorch训练的pth模型转换成ONNX，并编码测试； 3. 含训练和测试数据，含训练ok的pth模型和ONNX模型，含完整python和C++实现； 4. 使用方法：首先运行“TrainTestConvertOnnx.py”执行“训练数据读入、模型训练、模型测试、导出onnx”，再运行“TestOnnx.cpp”测试onnx（需要配置OpenCV）；
Pytorch转onnx、torchscript方式
12-17
前言 本文将介绍如何使用ONNX将PyTorch中训练好的模型(.pt、.pth)型转换为ONNX格式，然后将其加载到Caffe2中。需要安装好onnx和Caffe2。 PyTorch及ONNX环境准备 为了正常运行ONNX，我们需要安装最新的Pytorch,你可以选择源码安装： git clone --recursive https://github.com/pytorch/pytorch cd pytorch mkdir build && cd build sudo cmake .. -DPYTHON_INCLUDE_DIR=/usr/include/python3.6 -DUSE_MP
.pth文件转化为onnx文件，并进行可视化
最新发布
zjl-wgf
04-03 689
3、然后将生成的onnx模型，用网页打开。
yolov5_tensorRT:yolov5 pth转换张量和推论
05-08
yolov5_tensorRT 1.Export tensorrt model git clone https://github.com/ycdhqzhiai/yolov5_tensorRT cd yolov5_tensorRT pip install -r requirements.txt 复制export.py到原始仓库models目录下 python models/export.py 生成yolov5s.onnx,拷贝到weights目录下 2.run demo python main.py 3.tensorrt int8 convert python convert_int8.py --onnx_file weights/yolov5s.onnx --data_path $your coustom datasets
pth转onnx模型、onnx转tensorrt模型、python中使用tensorrt进行加速推理（全网最全，不信你打我）
qq_15060477的博客
09-22 4187
本文向所有亲们介绍在python当中配置tensorrt环境、使用tensorrt环境进行推理的教程，主要分为两大部分，第一部分环境配置，第二部分前向推理。
pth模型文件转为onnx格式
二爷的博客
04-14 5478
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。
Pytorch模型(.pth)转onnx模型(.onnx)
浩瀚之水的专栏
09-11 1765
简介 Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。 ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数据并交互。 ONNX的规范及代码主要由微软，亚马逊 ，Facebook 和 IBM等公司共同开发，以开放源代码的方式托管在Github上。目前官方支持加载ONNX模型并进行推理的深度学习
pth转onnx转mnn bug总结
qq_38109843的博客
09-23 1362
pytorch版yolov3转onnx 样例 import torch import torchvision import numpy as np from onnxruntime.datasets import get_example import onnxruntime from onnx import shape_inference import onnx import os from models import * img_size = 416 cfg = 'cfg/yolov3.cfg' wei
【.pth模型转换为.onnx模型】模型转换 英特尔神经计算棒 树莓派
dujuancao11的博客
03-07 1570
转换代码 注意点：要根据你的代码进行修改，修改最初的包等 import torch from models.with_mobilenet import PoseEstimationWithMobileNet from modules.load_state import load_state from action_detect.net import NetV2 def convert_onnx(): print('start!!!') device = 'cuda' if
关于pth转onnx以及检测onnx模型是否正确
qq_61706112的博客
08-23 923
关于pth转onnx以及检测onnx模型是否正确。
模型训练----将pth模型转换为onnx
混吃等死，研究生在读，毕业无望，偶尔搞点好玩的
03-28 1011
需要在虚拟环境中安装onnx和onnxruntime（GPU），环境和自己的cuda版本要对应上激活环境，查看环境的cuda版本,我是cuda11.6 +cudnn8302，那就选择1.14吧输入以下指令进行安装环境。
pth转onnx的三种情况
SeventhBlue
08-05 1213
pytorch框架模型文件转onnx的三种情况。
PyTorch模型部署：pth转onnx跨框架部署详解+代码
人工智能算法与工程实践
01-20 5341
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。
PyTorch官方所给pth模型转onnx，并作推理小demo
有问题请直接说问题就好
10-28 2411
【原文】 将模型从PyTorch导出到ONNX并使用onnxruntime运行
pytorch篇---权重转换之pth转onnx
心惠天意
08-17 2176
pytorch 模型训练得到的权重(.pth) 转换成onnx import io import numpy as np import torch import torch.onnx from model.nets.yolo4 import YoloBody from conf.my_conf import anchors_path, classes_path, model_path_train weight_file = '../data/weights/Epoch75-Total_Loss0.750
record-----torch(.pth)模型转onnx(.onnx)模型的方法
ZXF_1991的博客
04-13 1320
torch转onnx前言code 前言 torch转onnx目的用于将torch(.pth)模型转为tensorRT(.engine)，pth->onnx->engine code """ 需要的环境：pytorch1.4 进行模型转换，torch->onnx 环境要求:tvm转torch模型必须在pytorch1.4的环境下进行，1.4下可以进行torch->onnx->tvm, 同时也可以进行torch->libtorch转换，但是c++中源码编译的libtorch
如何把pth文件转化为onnx格式
05-21
将 PyTorch 中的 .pth 模型转换为 ONNX 格式有以下几个步骤： 1. 安装 ONNX 和 PyTorch ``` pip install onnx pip install onnxruntime pip install torch ``` 2. 加载 PyTorch 模型并导出为 ONNX 格式 ``` import torch import onnx # 加载 PyTorch 模型 model = torch.load('model.pth') # 使用 TorchScript 导出为 ONNX 格式 input_shape = (1, 3, 224, 224) dummy_input = torch.randn(input_shape) torch.onnx.export(model, dummy_input, "model.onnx", verbose=True) ``` 3. 验证 ONNX 模型 ``` # 加载 ONNX 模型 onnx_model = onnx.load("model.onnx") # 检查模型是否有效 onnx.checker.check_model(onnx_model) # 检查模型是否符合规范 onnx.helper.printable_graph(onnx_model.graph) ``` 4. 在 ONNX 运行时中加载模型并进行推理 ``` import onnxruntime # 加载 ONNX 模型 sess = onnxruntime.InferenceSession("model.onnx") # 准备输入数据并进行推理 input_shape = (1, 3, 224, 224) dummy_input = torch.randn(input_shape) input_data = {sess.get_inputs()[0].name: dummy_input.numpy()} output = sess.run(None, input_data) # 输出结果 print(output) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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

打赏作者

饿了就干饭

你的鼓励将是我创作的最大动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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