python&onnx | 分类CNN网络导出onnx简单案例

已于 2024-06-05 16:28:04 修改
阅读量197 收藏
点赞数
分类专栏： 高性能计算 文章标签： python 分类 cnn
于 2022-12-27 11:50:26 首次发布
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/weixin_43236007/article/details/128449543
版权
本文介绍如何使用Python将一个分类任务的卷积神经网络（CNN）模型导出为ONNX格式，以实现跨平台部署和优化。
摘要由CSDN通过智能技术生成 
import torch
import torchvision
import cv2
import numpy as np


class Classifier(torch.nn.Module):
    def __init__(self):
        super().__init__()
        #使用torchvision自带的与训练模型, 更多模型请参考:https://tensorvision.readthedocs.io/en/master/
        self.backbone
了解本专栏 订阅专栏 解锁全文 超级会员免费看
ASKCOS
关注
专栏目录
订阅专栏
基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）
Crazzy_M的博客
05-24 4897
训练网络搭建 环境：Pytorch，Pycham，Matlab。 说明：该网络反向传播是通过软件方式生成，FPGA内部不进行反向传播计算。 该节通过Python获取训练数据集，并通过Pytorch框架搭建的CNN网络进行网络的训练。 并将训练的最优参数导出，这一节先导出至Matalb进行网络的验证以及数据的量化。 文章目录1.数据集的获取1.1 正弦波的获取1.2 余弦波的获取1.3 三角波的获取 1.数据集的获取 首先明白我们识别的波形为，正弦波，余弦波，三角波。 没有噪声的信号波形如下所示，没有噪声的
如何用Python导出onnx模型
灵魂钥匙的博客
03-15 1355
Xgboost导出onnx报错Unable to find alias for model ‘’.The converter is likely missing.遇到这个情况多半是因为没有注册转换器导致，onnxmtools或sklearnonnx自带的功能不支持。以sklearn算法库的xgboost的回归模型为例。
python onnx模型测试2（在图像中做出bounding boxs并按要求格式输出bounding boxs和scores）
qq_36731217的博客
06-28 272
github上面scrfd模型修改其中部分代码输出1中要求的json文件，与1中模型差别在于模型输出的bounding boxs未作规划 if__name__ == '__main__': data = [] wname = 'data.json' detector = SCRFD(model_file = R'') detector.prepare(-1) for image_path in Path(R'') data1 = {} data1["image_path"] = str(i
PyTorch学习（6）：导出ONNX模型
tecsai的博客
04-07 1014
在使用PyTorch进行模型训练时，我们通常希望将训练好的模型导出为ONNX（Open Neural Network Exchange）格式的文件。 ONNX（Open Neural Network Exchange）是一个开放格式，用于表示深度学习模型。它允许模型被不同的深度学习框架所使用，实现了模型的互操作性和可移植性。ONNX由Facebook和微软在2016年共同推出，旨在解决深度学习模型在不同框架和工具之间的兼容性问题。
python :高效率执行模型 ONNX基础使用笔记：神经网络导出与部署
ResumeProject的博客
05-15 2840
ONNX https://onnx.ai/ GitHub：Open standard for machine learning interoperability 官方文档 概述 支持的算子 导出模型： pytorch官方的例子(可以看到将 device设置为"cpu"，方便兼容读者进行测试)： import torch import torchvision dummy_input = torch.randn(10, 3, 224, 224, device="cpu") model = torchvisio
ONNXRuntime部署人脸动漫化AnimeGAN包含C++和Python源码+模型+说明.zip
05-02
AnimeGAN是一种将真实人物图像转换为动漫风格的深度学习模型，它通过卷积神经网络（CNN）捕捉图像特征，并将其转换为卡通效果。 首先，我们需要理解ONNX（Open Neural Network Exchange）格式。ONNX是一种开放标准...
在C＃中使用可移植的ONNX AI模型
04-05
- **Keras**：Keras是一个高级神经网络API，可运行于TensorFlow等后端，也可以导出ONNX模型，便于在C#中使用。 **文件资源** "Using-Portable-ONNX-AI-Models-in-Csharp.pdf"可能是关于如何在C#中使用ONNX模型的...
使用python和matlab实现BP神经网络算法的分析比较
weixin_57332529的博客
08-15 1006
分析和比较使用Python和MATLAB实现BP神经网络算法实现的复杂度、代码可读性、库支持、性能以及应用的灵活性等
ONNXRUNTIME计算机视觉模型部署与加速教程
07-26
- **GPU加速**：如果安装了支持GPU的ONNXRuntime版本，可以通过简单的配置启用GPU加速。 - **示例**：在Python中设置使用GPU作为执行设备。 ```python providers = ['CUDAExecutionProvider', '...
pytorch自定义算子并导出onnx计算图详细代码教程
永远飞翔的鸟
09-05 1625
【代码】pytorch自定义算子并导出onnx计算图详细代码教程。
基于yolov5的onnx精度测试[附代码]
z240626191s的博客
10-08 1520
我们在训练好自己的yolov5模型后,需要对模型进行部署,大多是将torch转为onnx格式进行使用.但在部署之前需要对转的onnx模型进行精度上的测试,,如果不一致或差距较大还需要进一步的调整.将会在你的项目中生成对应的onnx模型.可以通过Netron对onnx模型进行可视化.如果你不想下载Netron,可以访问网页版的我这里将提供三种方式来测试转化后的onnx精度.
Xavier上使用TensorRT加速MaskRCNN
sinat_24424445的博客
07-14 1541
1.Clone github 的TensorRT库 git clone https://github.com/nvidia/TensorRT cd TensorRT git submodule update --init --recursive 2.Modify the conv2d_transpose conversion function in UFF, /usr/lib/python3.6/dist-packages/uff/converters/tensorflow/converter_func
python 调用onnx,验证测试模型输出
chenran187906的博客
06-29 2592
实验
pc端MNIST数据集pytorch模型CNN网络转换为onnx部署树莓派4B和神经棒NCS2（使用openvino2021框架）
weixin_44781508的博客
09-02 1723
pc端MNIST数据集pytorch模型CNN网络转换为onnx部署树莓派4B和神经棒NCS2（使用openvino2021框架）
TensorRT解析ONNX模型过程
whaosoft143ai的博客
02-09 605
本文主要介绍了ONNX和TensorRT的IR信息，并且梳理了从ONNX转换成TensorRT计算图的主要流程。这里主要介绍了ONNX和TensorRT的IR信息，并且梳理了从ONNX转换成TensorRT计算图的主要流程。 最近正在梳理TensorRT的ONNX Parser源码，该Parser的核心功能是将模型ONNX IR转换成TensorRT IR。 ONNX基础 whaosoft aiot http://143ai.com
Pytorch分类模型转onnx以及onnx模型推理
xys430381_1的专栏
03-28 5112
Pytorch分类模型转onnx以及onnx模型推理 将MobileNetV2的pytorch模型转换为ONNX模型,并用onnxruntime进行测试_cumtchw-程序员秘密 Onnx模型推理（Python）,onnx,python
【pytorch onnx】Pytorch导出ONNX及模型可视化教程
计算机视觉方面的点点滴滴，欢迎一起讨论
03-06 6177
使用深度学习开源框架Pytorch训练完网络模型后，在部署之前通常需要进行格式转换，例如地平线工具链模型转换目前仅支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle、TensorFlow等。本文将详细介绍如何将Pytorch格式的模型导出到ONNX格式的模型。
深度学习部署NCNN和TensorRT
weixin_41012399的博客
03-28 631
链接1：https://www.bilibili.com/read/cv4691966/ 模型优化也就是深度学习推理框架，现在有很多，比如： 阿里的mnn 腾讯的ncnn NVIDIA的TensorRT Intel的OpenVINO 等等。。。 它们都是帮助我们部署的工程技术，通常我们用python在GPU训练机上训练出来的模型都很大，要想在嵌入式设备上部署就需要这些推理工具，此外为了进一步提高推理效率，一般都会改用c++来调用这些被优化好的模型。在这里我们先会介绍一下TensorRT，然后详细讲解一下NC
python调用onnx
最新发布
09-13
Python调用ONNX（Open Neural Network Exchange）模型主要是利用ONNX运行时（ONNX Runtime）来完成的。ONNX是一个开放的格式，用于表示深度学习模型，它允许不同的人工智能框架之间的模型转换和推理。要使用Python调用ONNX模型，需要安装`onnxruntime`库。 下面是一个简单的步骤说明，如何在Python中调用ONNX模型： 1. 首先确保安装了`onnx`和`onnxruntime`包，可以通过pip进行安装： ```bash pip install onnx onnxruntime ``` 2. 将你的机器学习模型导出为ONNX格式。这通常需要先用训练好的模型，然后使用对应的框架（如PyTorch或TensorFlow）的工具将模型导出为.onnx文件。例如，如果你使用的是PyTorch，可以使用以下命令导出模型： ```python import torch from torchvision.models import resnet18 # 创建模型实例并加载训练好的权重 model = resnet18(pretrained=True) dummy_input = torch.randn(1, 3, 224, 224) # 创建一个假的输入张量 torch.onnx.export(model, dummy_input, "resnet18.onnx") # 导出为ONNX模型 ``` 3. 使用`onnxruntime`在Python中加载和运行ONNX模型： ```python import onnxruntime as rt # 加载ONNX模型 session = rt.InferenceSession("resnet18.onnx") # 获取模型输入和输出信息 input_name = session.get_inputs()[0].name output_name = session.get_outputs()[0].name # 创建模型输入数据 input_data = np.random.random_sample(size=(1, 3, 224, 224)).astype(np.float32) # 示例数据 # 运行模型推理 results = session.run([output_name], {input_name: input_data}) # 输出结果 print(results) ```
评论
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

ASKCOS

你的鼓励是我最大的动力

¥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