一、將訓練好的模型轉換格式為ONNX格式

例如pytorch模型轉換：

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.")

支持動態形狀的輸入和輸出：

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、安裝onnxruntime

注意：onnxruntime-gpu版本在0.4以上時需要CUDA 10

pip install onnxruntime

pip install onnxruntime-gpu

onnxruntime幫助文檔：

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

三、onnxruntime使用方法

加載模型：

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

加載圖片：

img = cv2.imread(img_path)

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

tensor = transforms.ToTensor()(img)

tensor = tensor.unsqueeze_(0)

執行推理：

注意：這里的"input"是和轉onnx格式時的名字對應的。

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

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的onnx模型部署 python_onnxruntime模型部署流程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。