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

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！

您可能感兴趣的文章:

快速创建python 虚拟环境
这篇文章主要介绍了快速创建python 虚拟环境的方法，帮助大家更好的理解和学习python，感兴趣的朋友可以了解下
2020-11-11
Python正则表达式的应用详解
这篇文章主要介绍了Python中正则表达式的详细教程,正则表达式是Python学习进阶当中的重要内容,需要的朋友可以参考下，希望能给你带来帮助
2021-08-08
Python实现捕获异常发生的文件和具体行数
这篇文章主要介绍了Python实现捕获异常发生的文件和具体行数。具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-04-04
python如何利用matplotlib绘制并列双柱状图并标注数值
Python之中最好的图表库叫matplotlib,matplotlib,顾名思义就是提供了一整套和matlab相似的API,它的文档相当完备,下面这篇文章主要给大家介绍了关于python如何利用matplotlib绘制并列双柱状图并标注数值的相关资料,需要的朋友可以参考下
2022-04-04
Python中is和==的区别详解
这篇文章主要介绍了Python中is和==的区别详解，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2018-11-11
Python中装饰器高级用法详解
这篇文章主要介绍了Python中的装饰器的高级用法,以实例形式详细的分析了Python中的装饰器的使用技巧及相关注意事项
2017-12-12
python绘制铅球的运行轨迹代码分享
这篇文章主要介绍了python绘制铅球的运行轨迹代码分享，具有一定参考价值，需要的朋友可以了解下。
2017-11-11
python读取excel数据绘制简单曲线图的完整步骤记录
这篇文章主要给大家介绍了关于python读取excel数据绘制简单曲线图的相关资料，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-10-10
python目标检测yolo2详解及预测代码复现
这篇文章主要为大家介绍了python目标检测yolo2详解及其预测代码复现，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
2022-05-05
Python使用Pyecharts绘制交互式中国地图的流程解析
Pyecharts作为基于ECharts的Python可视化库,提供三大核心优势,即零代码交互,多级地图支持和高度定制化,下面我们就来看看如何使用Pyecharts绘制交互式中国地图吧
2026-02-02