一个简单的onnx导出案例

ASKCOS

已于 2024-02-05 17:36:29 修改

阅读量210

点赞数

分类专栏：高性能计算文章标签： pytorch 深度学习 python

于 2022-12-31 19:26:01 首次发布

本文链接：https://blog.csdn.net/weixin_43236007/article/details/128507873

版权

高性能计算专栏收录该内容

21 篇文章 83 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了如何将一个简单的PyTorch深度学习模型转换为ONNX格式，涵盖了模型定义、导出步骤及ONNX模型验证过程，适合初学者了解ONNX模型导出。

摘要由CSDN通过智能技术生成

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.onnx
import os

class Model(torch.nn.Module)

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ASKCOS

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

48、mmpose中hrnet关键点识别模型转ncnn和mnn,并进行训练和部署

sxj731533730

08-21

3224

需要一个关键点识别模型，在权衡simplepose 、paddlepose、mmpose之后，发现simplepose需要mxnet（qiuqiu大佬）支持，paddlepose的部署存在易用性问题，也可能我不熟悉.测试了paddleDetection的关键点检测，模型的确转换很容易转，但还是想迁移到ncnnn和mnn去完成任务，同时还在学习TensorRT基本知识，有个onnx还是必须的，反正找理由不用它而已，哈哈，在测试mmpose感觉还可以，毕竟还有mmploy支持部署，应该不用去改源码支持模型转换，

关于mmpose中转onnx模型推理的一些问题

LSC_333的博客

05-27

2085

使用mmpose中的工具转onnx 使用工具转pth模型到onnx模型：python tools/pytorch2onnx.py configs/top_down/hrnet/coco/hrnet_w48_coco_256x192.py checkpoints/hrnet_w48_coco_256x192-b9e0b3ab_20200708.pth --output-file hrnet_w48_coco_256x192.onnx 转换之后的模型在推理的时候总会报很多警告，解决办法：下载remove_

参与评论您还未登录，请先登录后发表或查看评论

mxnet导出onnx Symbol and params files provided are invalid

jacke121的专栏

04-26

1984

import mxnet as mx import numpy as np import sys import os import argparse import onnx print('mxnet version:', mx.__version__) print('onnx version:', onnx.__version__) from mxnet.contrib import onnx as onnx_mxnet from onnx import checker ...

mxnet转onnx

jacke121的专栏

02-22

1737

转换代码： import numpy as np import mxnet as mx from mxnet.contrib import onnx as onnx_mxnet sym = './model-symbol.json' params = './model-0000.params' input_shape = (1, 3, 112, 112) onnx_file = './mobilefacenet.onnx' converted_model_path = onnx_mxnet.e

mmpose关键点（三）：轻量型Lite-HRNet与onnx输出

litt1e的博客

08-17

1900

最近，项目中需要在终端使用关键点检测，对于模型性能要求相对严苛。在这里我将讲解并记录模型优化的过程，希望对大家有所帮助。由于终端算力有限，在内存速度与性能需要权衡好，我选择轻量型关键点性能较好的Lite-HRNet作为模型的backbone。下面，将对Lite-HRNet模型与如何输出onnx模型详细讲解。...

mmpose和openpose的onnx导出

05-18

mmpose和openpose的onnx导出

python&onnx | 分类CNN网络导出onnx简单案例

ASKCOS博客

12-27

197

【代码】python&TensorRT | 分类CNN网络导出onnx。

复杂算子onnx导出(3): 将sparseconv导出onnx

@bangbang的博客

04-23

181

为True的话，输入和输出节点的tensor是同一个tensor（出现tensor复用），共享同样的内存地址，此时input和output的id是一样的，前面的博客我们已经介绍过，id复用会导致构建graph出错。比如ReLU中，如果inplace为True的话，input和ouput的id 是一样的。其中 BN可以和spconv的weight、bias进行融合，融合的原理和普通的2d卷积其实是一样的，只不过spconv维度弄的有点复杂。，从而加上了enable_trace标记来保护，避免陷入死循环。

复杂算子onnx导出(4):执行图的构建

@bangbang的博客

04-23

100

前面几节已经介绍如何将带有复杂算子如spconv导出onnx，接下来如何对导出的onnx进行推理。带复杂算子的模型推理，利用已有的推理引擎比如TensorRT, 是无法实现推理的。因此需要自行解析onnx进行单独推理，通过构建相对简单的执行图，即可实现推理，此时就不需要依赖任何其他的推理引擎。

onnxruntime gpu

05-31

- **深度学习模型的ONNX导出**：了解如何将训练好的模型从PyTorch、TensorFlow或其他框架导出为ONNX格式。 - **ONNX模型优化**：ONNX Runtime支持模型优化工具，如Graph Optimizer，可以进一步提高推理性能。 - **多...

mmpose PyTorch模型转TensorRT

linghu8812的博客

03-06

1376

文章目录mmpose PyTorch模型转TensorRT1. github开源代码2. PyTorch模型转ONNX模型3. ONNX模型转TensorRT模型3.1 概述3.2 编译3.3 运行4. 推理结果 mmpose PyTorch模型转TensorRT 1. github开源代码 yolov5 TensorRT推理的开源代码位置在https://github.com/linghu8812/tensorrt_inference/tree/master/mmpose，PyTorch转onnx的代码是

MMPose-RTMO推理详解及部署实现（上）

热门推荐

CFH1021的博客

09-23

3万+

onnx的基本操作一、onnx的配置环境二、获取onnx模型的输出层三、获取中节点输出数据四、onnx前向InferenceSession的使用1. 创建实例，源码分析2. 模型推理run，源码分析五、遇到的一些问题最近在对模型进行量化时候，模型格式转变为onnx模型了，因此需要对onnx进行加载、运行以及量化（权重/输入/输出）。故，对onnx模型的相关操作进行简单的学习，并写下了这边博客，若有错误请指出，谢谢。一、onnx的配置环境 onnx的环境主要包含两个包onnx和onnxruntime，我们

mxnet转onnx 之 onnx_mxnet.export_model失败原因

Merria28的专栏

03-09

1720

mxnet模型转换onnx折腾了很久，终于搞清楚失败原因转换代码参考：https://github.com/onnx/tutorials/blob/master/tutorials/MXNetONNXExport.ipynb 一开始的环境： windows 10 visual studio 2019 python37 mxnet==1.4.1 pip install onnx...

mxnet模型转onnx遇到的问题

猫猫与橙子的博客

07-16

2820

1.No conversion function registered for op type BlockGrad yet #12682 解决方法： >> pip install mxnet --pre 参考链接：https://github.com/apache/incubator-mxnet/issues/12682 2.Unrecognized attribute: s...

mxnet模型转onnx模型

liguiyuan的博客

12-03

2873

1.安装mxnet开发环境这里我安装的是gpu的版本，直接使用命令安装即可： sudo pip3 install mxnet-cu100 也可以在安装的时候用 -i https://mirrors.aliyun.com/pypi/simple指定阿里源，安装速度会快很多。 2.模型转换代码 import numpy as np import mxnet as mx from mxnet.contrib import onnx as onnx_mxnet sym = './model..

onnx.onnx_cpp2py_export.checker.ValidationError

jacke121的专栏

04-09

6536

onnx.onnx_cpp2py_export.checker.ValidationError 报错代码： import mxnet as mx import numpy as np from mxnet.contrib import onnx as onnx_mxnet import logging logging.basicConfig(level=logging.INFO) from onnx import checker impo...

yolov5 onnx 导出

05-01

Yolov5是一种用于对象检测的深度学习模型，它具有很高的识别准确度和处理速度，因此在实际应用中得到了广泛的应用。在使用Yolov5模型时，通常需要将模型导出为ONNX格式，以便于在不同平台和框架中使用。将Yolov5模型导出为ONNX格式的步骤如下： 1. 首先，需要使用Yolov5框架训练好模型，并保存为pth文件格式。 2. 然后，使用PyTorch相关的工具和API，将pth文件转化为ONNX格式。具体而言，可以使用torch.onnx.export方法来实现模型的导出，该方法需要指定模型、输入数据的形状、输出名称和文件路径等参数。 3. 在导出模型时，需要考虑模型的使用场景和目标平台等因素。例如，如果模型需要部署到移动设备上，则需要考虑模型的大小和计算量。总之，将Yolov5模型导出为ONNX格式可以使得其在不同的平台和框架中灵活使用。同时，还可以通过ONNX格式的转换来优化模型的性能和准确度，进一步提升模型的应用价值。