python pytorch模型转onnx模型的全过程(多输入+动态维度)
更新时间:2024年03月21日 11:51:25 作者:暗号9
这篇文章主要介绍了python pytorch模型转onnx模型的全过程(多输入+动态维度),本文给大家记录记录了pt文件转onnx全过程,简单的修改即可应用,结合实例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧
(多输入+动态维度)整理的自定义神经网络pt转onnx过程的python代码,记录了pt文件转onnx全过程,简单的修改即可应用。
pt文件转onnx步骤
1、编写预处理代码
预处理代码 与torch模型的预处理代码一样
def preprocess(img): img = (cv2.cvtColor(img, cv2.COLOR_BGR2RGB)).transpose(2, 0, 1) img = np.expand_dims(img, 0) sh_im = img.shape if sh_im[2]%2==1: img = np.concatenate((img, img[:, :, -1, :][:, :, np.newaxis, :]), axis=2) if sh_im[3]%2==1: img = np.concatenate((img, img[:, :, :, -1][:, :, :, np.newaxis]), axis=3) img = normalize(img) img = torch.Tensor(img) return img
2、用onnxruntime导出onnx
def export_onnx(net, model_path, img, nsigma, onnx_outPath): nsigma /= 255. if torch.cuda.is_available(): state_dict = torch.load(model_path) model = net.cuda() dtype = torch.cuda.FloatTensor else: state_dict = torch.load(model_path, map_location='cpu') state_dict = remove_dataparallel_wrapper(state_dict) model = net dtype = torch.FloatTensor img = Variable(img.type(dtype)) nsigma = Variable(torch.FloatTensor([nsigma]).type(dtype)) # 我这里预训练权重中参数名字与网络名字不同 # 相同的话可直接load_state_dict(state_dict) new_state_dict = {} for k, v in state_dict.items(): new_state_dict[k[7:]] = v model.load_state_dict(new_state_dict) # 设置onnx的输入输出列表,多输入多输出就设置多个 input_list = ['input', 'nsigma'] output_list = ['output'] # onnx模型导出 # dynamic_axes为动态维度,如果自己的输入输出是维度变化的建议设置,否则只能输入固定维度的tensor torch.onnx.export(model, (img, nsigma), onnx_outPath, verbose=True, opset_version=11, export_params=True, input_names=input_list, output_names=output_list, dynamic_axes={'input_img': {0: 'batch', 1: 'channel', 2: 'height', 3: 'width'}, 'output': {0: 'batch', 1: 'channel', 2: 'height', 3: 'width'}})
导出结果
3、对导出的模型进行检查
此处为检查onnx模型节点,后面如果onnx算子不支持转engine时,方便定位节点,找到不支持的算子进行修改
def check_onnx(onnx_model_path): model = onnx.load(onnx_model_path) onnx.checker.check_model((model)) print(onnx.helper.printable_graph(model.graph))
下面贴出输出结果
netron可视化
4、推理onnx模型,查看输出是否一致
def run_onnx(onnx_model_path, test_img, nsigma): nsigma /= 255. with torch.no_grad: # 这里默认是cuda推理torch.cuda.FloatTensor img = Variable(test_img.type(torch.cuda.FloatTensor)) nsigma = Variable(torch.FloatTensor([nsigma]).type(torch.cuda.FloatTensor)) # 设置GPU推理 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") providers = ['CUDAExecutionProvider'] if device != "cpu" else ['CPUExecutionProvider'] # 通过创建onnxruntime session来运行onnx模型 ort_session = ort.InferenceSession(onnx_model_path, providers=providers) output = ort_session.run(output_names=['output'], input_feed={'input_img': np.array(img.cpu(), dtype=np.float32), 'nsigma': np.array(nsigma.cpu(), dtype=np.float32)}) return output
5、对onnx模型的输出进行处理,显示cv图像
def postprocess(img, img_noise_estime): out = torch.clamp(img-img_noise_estime, 0., 1.) outimg = variable_to_cv2_image(out) cv2.imshow(outimg)
6、编辑主函数进行测试
def main(): ############################## # # onnx模型导出 # ############################## # pt权重路径:自己的路径 + mypt.pt model_path = "D:/python/ffdnet-pytorch/models/net_rgb.pth" # export onnx模型时输入进去数据,用于onnx记录网络的计算过程 export_feed_path = "D:/python/ffdnet-pytorch/noisy.png" # onnx模型导出的路径 onnx_outpath = "D:/python/ffdnet-pytorch/models/myonnx.onnx" # 实例化自己的网络模型并设置输入参数 net = FFDNet(num_input_channels=3) nsigma = 25 # onnx 导出 img = cv2.imread(export_feed_path) input = preprocess(img) export_onnx(net, model_path, input, nsigma, onnx_outpath) print("export success!") ############################## # # 检查onnx模型 # ############################## check_onnx(onnx_outpath) # netron可视化网络,可视化用节点记录的网络推理流程 netron.start(onnx_outpath) ############################## # # 运行onnx模型 # ############################## # 此处过程是数据预处理 ---> 调用run_onnx函数 ---> 对模型输出后处理 # 具体代码就不再重复了
#完整代码
import time import netron import cv2 import torch import onnx import numpy as np from torch.autograd import Variable import onnxruntime as ort from models import FFDNet from utils import remove_dataparallel_wrapper, normalize, variable_to_cv2_image # 此处为预处理代码 与torch模型的预处理代码一样 def preprocess(img): img = (cv2.cvtColor(img, cv2.COLOR_BGR2RGB)).transpose(2, 0, 1) img = np.expand_dims(img, 0) sh_im = img.shape if sh_im[2]%2==1: img = np.concatenate((img, img[:, :, -1, :][:, :, np.newaxis, :]), axis=2) if sh_im[3]%2==1: img = np.concatenate((img, img[:, :, :, -1][:, :, :, np.newaxis]), axis=3) img = normalize(img) img = torch.Tensor(img) return img # 此处为onnx模型导出的代码,包括torch模型的pt权重加载,onnx模型的导出 def export_onnx(net, model_path, img, nsigma, onnx_outPath): nsigma /= 255. if torch.cuda.is_available(): state_dict = torch.load(model_path) model = net.cuda() dtype = torch.cuda.FloatTensor else: state_dict = torch.load(model_path, map_location='cpu') state_dict = remove_dataparallel_wrapper(state_dict) model = net dtype = torch.FloatTensor img = Variable(img.type(dtype)) nsigma = Variable(torch.FloatTensor([nsigma]).type(dtype)) # 我这里预训练权重中参数名字与网络名字不同 # 相同的话可直接load_state_dict(state_dict) new_state_dict = {} for k, v in state_dict.items(): new_state_dict[k[7:]] = v model.load_state_dict(new_state_dict) # 设置onnx的输入输出列表,多输入多输出就设置多个 input_list = ['input', 'nsigma'] output_list = ['output'] # onnx模型导出 # dynamic_axes为动态维度,如果自己的输入输出是维度变化的建议设置,否则只能输入固定维度的tensor torch.onnx.export(model, (img, nsigma), onnx_outPath, verbose=True, opset_version=11, export_params=True, input_names=input_list, output_names=output_list, dynamic_axes={'input_img': {0: 'batch', 1: 'channel', 2: 'height', 3: 'width'}, 'output': {0: 'batch', 1: 'channel', 2: 'height', 3: 'width'}}) # 此处为检查onnx模型节点,后面如果onnx算子不支持转engine时,方便定位节点,找到不支持的算子进行修改 def check_onnx(onnx_model_path): model = onnx.load(onnx_model_path) onnx.checker.check_model((model)) print(onnx.helper.printable_graph(model.graph)) # 此处为推理onnx模型的代码,检查输出是否跟torch模型相同 def run_onnx(onnx_model_path, test_img, nsigma): nsigma /= 255. with torch.no_grad: # 这里默认是cuda推理torch.cuda.FloatTensor img = Variable(test_img.type(torch.cuda.FloatTensor)) nsigma = Variable(torch.FloatTensor([nsigma]).type(torch.cuda.FloatTensor)) # 设置GPU推理 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") providers = ['CUDAExecutionProvider'] if device != "cpu" else ['CPUExecutionProvider'] # 通过创建onnxruntime session来运行onnx模型 ort_session = ort.InferenceSession(onnx_model_path, providers=providers) output = ort_session.run(output_names=['output'], input_feed={'input_img': np.array(img.cpu(), dtype=np.float32), 'nsigma': np.array(nsigma.cpu(), dtype=np.float32)}) return output # 此处是后处理代码,将onnx模型的输出处理成可显示cv图像 # 与torch模型的后处理一样 def postprocess(img, img_noise_estime): out = torch.clamp(img-img_noise_estime, 0., 1.) outimg = variable_to_cv2_image(out) cv2.imshow(outimg) def main(): ############################## # # onnx模型导出 # ############################## # pt权重路径:自己的路径 + mypt.pt model_path = "D:/python/ffdnet-pytorch/models/net_rgb.pth" # export onnx模型时输入进去数据,用于onnx记录网络的计算过程 export_feed_path = "D:/python/ffdnet-pytorch/noisy.png" # onnx模型导出的路径 onnx_outpath = "D:/python/ffdnet-pytorch/models/myonnx.onnx" # 实例化自己的网络模型并设置输入参数 net = FFDNet(num_input_channels=3) nsigma = 25 # onnx 导出 img = cv2.imread(export_feed_path) input = preprocess(img) export_onnx(net, model_path, input, nsigma, onnx_outpath) print("export success!") ############################## # # 检查onnx模型 # ############################## onnx_outpath = "D:/python/ffdnet-pytorch/models/myonnx.onnx" check_onnx(onnx_outpath) # netron可视化网络,可视化用节点记录的网络推理流程 netron.start(onnx_outpath) ############################## # # 运行onnx模型 # ############################## # 此处过程是数据预处理 ---> 调用run_onnx函数 ---> 对模型输出后处理 # 具体代码就不再重复了 if __name__ == '__main__': main()
到此这篇关于python pytorch模型转onnx模型(多输入+动态维度)的文章就介绍到这了,更多相关python pytorch模型转onnx模型内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
相关文章
PyTorch常用函数torch.cat()中dim参数使用说明
这篇文章主要为大家介绍了PyTorch常用函数torch.cat()中dim参数使用说明,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪2023-04-04Flask SQLAlchemy一对一,一对多的使用方法实践
Flask-SQLAlchemy一对一,一对多的使用方法实践,需要的朋友可以参考下2013-02-02
最新评论