onnx模型部署 python_onnxruntime模型部署流程

一、将训练好的模型转换格式为ONNX格式

例如pytorch模型转换：

def torch2onnx(model, save_path):

"""

:param model:

:param save_path: XXX/XXX.onnx

:return:

"""

model.eval()

data = torch.rand(1, 3, 224, 224)

input_names = ["input"]

output_names = ["out"]

torch.onnx._export(model, data, save_path, export_params=True, opset_version=11, input_names=input_names, output_names=output_names)

print("torch2onnx finish.")

支持动态形状的输入和输出：

def torch2onnx_dynamic(model, save_path):

"""

:param model:

:param save_path: XXX/XXX.onnx

:return:

"""

model.eval()

data = torch.rand(1, 3, 224, 224)

input_names = ["input"] # ncnn需要

output_names = ["out"] # ncnn需要

torch.onnx._export(model, data, save_path, export_params=True, opset_version=11, input_names=input_names,

output_names=output_names, dynamic_axes={'input': [2, 3], 'out': [2, 3]})

print("torch2onnx finish.")

二、安装onnxruntime

注意：onnxruntime-gpu版本在0.4以上时需要CUDA 10

pip install onnxruntime

pip install onnxruntime-gpu

onnxruntime帮助文档：

https://microsoft.github.io/onnxruntime/python/tutorial.html

三、onnxruntime使用方法

加载模型：

session = onnxruntime.InferenceSession("./dmnet.onnx")

加载图片：

img = cv2.imread(img_path)

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

tensor = transforms.ToTensor()(img)

tensor = tensor.unsqueeze_(0)

执行推理：

注意：这里的"input"是和转onnx格式时的名字对应的。

result = session.run([], {"input": tensor.cpu().numpy()})

创作挑战赛新人创作奖励来咯，坚持创作打卡瓜分现金大奖

总结

以上是生活随笔为你收集整理的onnx模型部署 python_onnxruntime模型部署流程的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。