【模型】模型下载以及pth模型转onnx模型的实践

已于 2023-12-25 16:40:27 修改
阅读量1.1k 收藏 1
点赞数 1
分类专栏： 【ES】平时经验总结 # python # Deep Learning 文章标签： pytorch 神经网络 人工智能
于 2022-06-07 22:25:14 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/wss794/article/details/125174599
版权
【ES】平时经验总结 同时被 3 个专栏收录
53 篇文章 45 订阅 ¥29.90 ¥99.00
订阅专栏
python
66 篇文章 3 订阅
订阅专栏
Deep Learning
38 篇文章 2 订阅
订阅专栏
了解本专栏 订阅专栏 解锁全文
Jackilina_Stone
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Yaml文件批量读取，下载onnx文件
wuminghang的专栏
03-30 647
常用Onnx模型解析，批量下载onnx模型。
mnist_model.onnx
05-30
This is the mnist onnx model which is converted from pytorch model.
resnet预训练模型下载
DRACOYU的博客
10-09 6432
model_urls = { 'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth', 'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth', 'resnet50': 'https://downlo...
模型：ONNX格式的经过预训练的最新模型的集合
02-05
ONNX模型动物园 是一种开放标准格式，用于表示机器学习模型。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已经在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都有用于进行模型训练并根据训练后的模型进行推断。 这些笔记本是用Python编写的，包括指向训练数据集的链接以及对描述模型体系结构的原始论文的引用。 我们已经在进行了标准化，以存储ONNX模型文件。 要下载ONNX模型，请导航至相应的Github页面，然后单击右上角的Download按钮。 楷模 请阅读下面的部分，以获取有关ONNX模型库（.onn
Pytorch深度学习常用预训练网络模型的下载地址
qq_27245709的博客
07-22 4301
转载自https://blog.csdn.net/sumaliqinghua/article/details/90903590 Resnet: model_urls = { 'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth', 'resnet34': 'https://download...
voc_weights_resnet.pth模型下载
qwer3131的博客
05-05 731
https://github.com/bubbliiiing/faster-rcnn-pytorch 这里有关于项目的基本解释 模型的下载也都在这里面 如果没下载可以直接私我我给你发都行 欢迎白嫖 拒绝付费
srcnn_pth_模型_下载.rar
09-11
srcnn_x2_pth srcnn_x3_pth srcnn_x4_pth 超分辨率模型下载
pytorch训练图像分类模型pth转ONNX并测试
10-29
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”...
Pytorch模型转onnx模型实例
01-20
import torch.onnx from models.C3AEModel import PlainC3AENetCBAM device = torch.device(cuda:0 if torch.cuda.is_available() else cpu) def test(): model = PlainC3AENetCBAM() pthfile = r'/home/joy/...
unet-onnx工程原始模型下载
最新发布
09-28
https://github.com/cagery/unet-onnx/tree/main 开源链接下载不了原始模型unet_carvana_scale1_epoch5.pth，使用git lfs下载也提示报错，最后各种找资源找到了，上传一份，供大家测试使用
U2Net网络预训练模型 u2netp.pth (4.7 MB)
11-26
U2Net网络预训练模型 u2netp.pth (4.7 MB) for https://github.com/NathanUA/U-2-Net 源资源在Google drive: https://drive.google.com/file/d/1rbSTGKAE-MTxBYHd-51l2hMOQPT_7EPy/view?usp=sharing
wenet_aishell_model_onnx.zip
08-15
用于使用https://github.com/Mashiro009/wenet-online-decoder-onnx的仓库代码进行测试的 WeNet开源ONNX模型
Python-ONNXModelZoo是ONNX格式的预训练最先进的深度模型集合
08-11
ONNX Model Zoo是ONNX格式的预训练，最先进的深度模型集合
ResNet-50模型.zip
07-06
ResNet-50模型.zip
预先训练的ONNX格式的最新模型的集合-Python开发
05-25
开放式神经网络交换（ONNX）模型库ONNX模型库是用于深度学习的最新模型的预训练模型的集合，这些模型以ONNX格式提供。 每个模型都附带Jupyter n ONNX模型Zoo开放神经网络交换（ONNX）是一种用于表示机器学习模型的开放标准格式。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都随附有Jupyter笔记本，用于进行模型训练并根据训练后的模型进行推断。 笔记本是用Pyth编写的
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中一些CV模型的预训练模型下载并转换为onnx模型
znsoft的专栏
03-20 442
import torch import onnx # https://github.com/rwightman/gen-efficientnet-pytorch/blob/master/hubconf.py model=torch.hub.load("rwightman/pytorch-image-models","mobilenetv3_large_100") model.eval() batch_size=1 input_shape = (3,244,244) export_onnx_file="m.
ONNX demo
Duino的工具箱
10-02 7779
ONNX是facebook AI部门那帮人搞出来的东西，可以方便的把pytorch定义训练好的模型转换到caffe2，然后就可以进行部署，尤其是可以部署到移动端。
【Matting】MODNet：实时人像抠图模型-onnx python部署
AI爱好者的博客，分享计算机领域相关知识
03-28 9069
MODNet是一个实时Matting的深度学习模型，本文是MODNet的模型部署教程，将MODNet的onnx模型使用python部署，实现了图片Matting，视频Matting等功能。
pytorch的pth模型转onnx
06-28
### 回答1： 要将PyTorch的.pth模型转换为ONNX格式，可以使用以下步骤： 1. 安装ONNX包：在终端中运行`pip install onnx`来安装ONNX包。 2. 加载PyTorch模型：使用PyTorch加载模型并将其转换为ONNX格式。例如，可以使用以下代码加载PyTorch模型： ``` import torch import torchvision # 加载PyTorch模型 model = torchvision.models.resnet18(pretrained=True) # 将模型转换为eval模式 model.eval() # 创建一个虚拟输入张量 input_tensor = torch.randn(1, 3, 224, 224) # 导出模型为ONNX格式 torch.onnx.export(model, input_tensor, "resnet18.onnx") ``` 在这个例子中，我们加载了一个预训练的ResNet18模型，并将其转换为ONNX格式。我们还创建了一个虚拟输入张量，它将用于导出模型。 3. 验证ONNX模型：可以使用ONNX Runtime或其他ONNX兼容的推理引擎来验证导出的ONNX模型。例如，可以使用以下代码验证导出的ResNet18模型： ``` import onnx import onnxruntime # 加载ONNX模型 onnx_model = onnx.load("resnet18.onnx") # 验证模型 onnx.checker.check_model(onnx_model) # 创建一个ONNX Runtime会话 ort_session = onnxruntime.InferenceSession("resnet18.onnx") # 运行模型 ort_inputs = {ort_session.get_inputs()[].name: input_tensor.numpy()} ort_outputs = ort_session.run(None, ort_inputs) # 打印输出 print(ort_outputs) ``` 在这个例子中，我们使用ONNX Runtime创建了一个会话，并使用虚拟输入张量运行了模型。我们还打印了模型的输出。 ### 回答2： PyTorch是流行的深度学习框架之一，而ONNX（Open Neural Network Exchange）是一个开源的跨平台深度学习框架，可以方便地让用户在多个平台上运行模型。在机器学习和深度学习应用中，模型的转换和共享非常重要，而pth模型转ONNX模型可以更加高效地在多个平台上利用训练好的模型。本文将介绍如何使用PyTorch将pth模型转换为ONNX模型。 首先，需要安装PyTorch和ONNX。在安装好这两个框架之后，使用以下代码将pth模型转换为ONNX模型： ``` import torch import onnx # 加载pth模型 model = torch.load('model.pth') # 将pth模型转换为onnx模型 input_names = ['input'] output_names = ['output'] dynamic_axes = {'input':{0:'batch_size'},'output':{0:'batch_size'}} x = torch.randn(1, 3, 224, 224) torch.onnx.export(model, x, "model.onnx", input_names=input_names, output_names=output_names, dynamic_axes=dynamic_axes) ``` 在此代码片段中，`input_names`和`output_names`分别表示网络的输入和输出节点名称。`dynamic_axes`参数确定哪些轴是变化的，这是非常重要的，因为不同的框架可能需要特定的推理数据格式。在这个例子中，`dynamic_axes`参数将输入和输出数据的第一维指定为“batch_size”，因为第一维是数据样本数量，可能因推断过程而变化。 在代码运行完毕后，可以得到一个ONNX模型，可以将其部署到ONNX支持的设备上进行推理，例如移动设备和边缘计算设备。 需要注意的是，将pth模型转换为ONNX模型有一些限制和注意事项： 1. PyTorch支持的操作不一定是ONNX支持的。要将模型成功转换为ONNX格式，使用的PyTorch操作必须是ONNX支持的。 2. ONNX不支持大部分运行时计算。因此，如果使用了一些需要计算图中的其他参数的操作（如动态图），则不能将模型成功转换为ONNX格式。 3. 一些PyTorch操作（如Dropout）在训练和推断过程中有不同的行为。因此，需要在代码中明确指定模型的模式，以确保在转换和推理过程中得到正确的结果。 综上所述，pth模型转ONNX模型可以方便地在多个平台上部署和使用训练好的模型，需要仔细注意输入输出节点、动态轴和框架支持的操作等细节。 ### 回答3： PyTorch是一个非常流行和广泛使用的深度学习框架。在深度学习中，常常需要将训练得到的模型转换为一种可移植的格式，如ONNX。这样可以让我们在不同的框架和设备上使用模型。 将PyTorch模型转换为ONNX需要以下步骤。 第一步是安装必要的库和工具包。我们需要安装最新版本的PyTorch和ONNX。可以在PyTorch的官方网站和ONNX的GitHub页面上找到安装说明。 第二步是准备PyTorch模型。在PyTorch中，我们可以使用torch.save将模型保存为.pth文件。这个文件包含了模型的权重和架构。 第三步是使用torch.onnx.export将模型转换为ONNX格式。这个函数需要指定PyTorch模型、输入张量和输出文件的路径。我们还可以使用其他参数来设置转换的选项，如输入和输出名称、数据类型和设备类型等。 第四步是验证转换的结果。我们可以使用ONNX Runtime或其他支持ONNX格式的框架加载模型，输入数据并进行推理。通过比较转换前后的输出，我们可以确认转换的正确性。 需要注意的是，PyTorch模型和ONNX模型在一些细节上可能存在差异。例如，PyTorch中的一些操作可能没有对应的ONNX实现，或者ONNX中的一些操作可能需要特定的属性和参数。因此，在进行模型转换时，需要了解两种格式的差异，并根据实际需求进行调整。 总之，PyTorch模型转换为ONNX格式可以让我们更加方便地在不同的框架和设备上使用模型，是深度学习工作中不可或缺的一部分。

“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
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

Jackilina_Stone

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