备注

您正在阅读 MMClassification 0.x 版本的文档。MMClassification 0.x 会在 2022 年末被切换为次要分支。建议您升级到 MMClassification 1.0 版本，体验更多新特性和新功能。请查阅 MMClassification 1.0 的安装教程、迁移教程以及更新日志。

Pytorch 转 ONNX （试验性的）

• 如何将模型从 PyTorch 转换到 ONNX

  • 准备工作

  • 使用方法

• 支持导出至 ONNX 的模型列表

• 提示

• 常见问题

如何将模型从 PyTorch 转换到 ONNX

准备工作

1. 请参照 安装指南 从源码安装 MMClassification。

2. 安装 onnx 和 onnxruntime。

pip install onnx onnxruntime==1.5.1

使用方法

python tools/deployment/pytorch2onnx.py \
    ${CONFIG_FILE} \
    --checkpoint ${CHECKPOINT_FILE} \
    --output-file ${OUTPUT_FILE} \
    --shape ${IMAGE_SHAPE} \
    --opset-version ${OPSET_VERSION} \
    --dynamic-shape \
    --show \
    --simplify \
    --verify \

所有参数的说明：

• config : 模型配置文件的路径。

• --checkpoint : 模型权重文件的路径。

• --output-file: ONNX 模型的输出路径。如果没有指定，默认为当前脚本执行路径下的 tmp.onnx。

• --shape: 模型输入的高度和宽度。如果没有指定，默认为 224 224。

• --opset-version : ONNX 的 opset 版本。如果没有指定，默认为 11。

• --dynamic-shape : 是否以动态输入尺寸导出 ONNX。 如果没有指定，默认为 False。

• --show: 是否打印导出模型的架构。如果没有指定，默认为 False。

• --simplify: 是否精简导出的 ONNX 模型。如果没有指定，默认为 False。

• --verify: 是否验证导出模型的正确性。如果没有指定，默认为False。

示例：

python tools/deployment/pytorch2onnx.py \
    configs/resnet/resnet18_8xb16_cifar10.py \
    --checkpoint checkpoints/resnet/resnet18_b16x8_cifar10.pth \
    --output-file checkpoints/resnet/resnet18_b16x8_cifar10.onnx \
    --dynamic-shape \
    --show \
    --simplify \
    --verify \

支持导出至 ONNX 的模型列表

下表列出了保证可导出至 ONNX，并在 ONNX Runtime 中运行的模型。

模型	配置文件	批推理	动态输入尺寸	备注
MobileNetV2	configs/mobilenet_v2/mobilenet-v2_8xb32_in1k.py	Y	Y
ResNet	configs/resnet/resnet18_8xb16_cifar10.py	Y	Y
ResNeXt	configs/resnext/resnext50-32x4d_8xb32_in1k.py	Y	Y
SE-ResNet	configs/seresnet/seresnet50_8xb32_in1k.py	Y	Y
ShuffleNetV1	configs/shufflenet_v1/shufflenet-v1-1x_16xb64_in1k.py	Y	Y
ShuffleNetV2	configs/shufflenet_v2/shufflenet-v2-1x_16xb64_in1k.py	Y	Y

注：

• 以上所有模型转换测试基于 Pytorch==1.6.0 进行

提示

• 如果你在上述模型的转换中遇到问题，请在 GitHub 中创建一个 issue，我们会尽快处理。未在上表中列出的模型，由于资源限制，我们可能无法提供很多帮助，如果遇到问题，请尝试自行解决。

常见问题

• 无