深度学习-Python调用ONNX模型

目录

ONNX模型使用流程

获取ONNX模型方法

使用ONNX模型

手动编写ONNX模型

Python调用ONNX模型

常见错误

错误raise ValueError…：

错误：Load model model.onnx failed

错误：’CUDAExecutionProvider’ is not in available provider

错误：ONNXRuntimeError

错误：’CUDAExecutionProvider’ is not in available provider

ONNX模型使用流程

ONNX（Open Neural Network Exchange）是一种开放的、跨平台的深度学习模型格式和编译器，可以帮助用户在不同的深度学习框架中转换和部署模型。下面介绍ONNX如何使用的流程：

1. 导出模型：在训练好深度学习模型后，通过ONNX的支持的框架，比如PyTorch、TensorFlow等将模型导出为ONNX格式。

2. 加载模型：使用ONNX的支持库，比如ONNX Runtime，加载ONNX文件格式的模型。

3. 部署模型：通过ONNX Runtime在不同的硬件设备上运行模型，支持常见的CPU、GPU、FPGA等。

4. 进行推理：将输入数据加载到模型中，进行推理或分类任务，输出结果。

ONNX还有其他的特点，比如具有可扩展性、良好的跨平台支持、对多种硬件设备的支持等。因此，ONNX是一种强大的深度学习模型转换和部署工具，可以大大加速深度学习模型的开发和部署过程。

获取ONNX模型方法

获取ONNX模型有以下几种方法：

1. 使用ONNX标准工具导出已有的深度学习模型

许多深度学习框架都支持直接导出ONNX格式的模型，如PyTorch、TensorFlow、Keras等。可参考相应框架的文档，使用ONNX标准工具将模型导出为ONNX格式。

2. 使用第三方工具转换

也可以使用一些第三方工具将已有的模型进行转换，例如mmcv中的convert_to_onnx.py工具。

3. 手动编写ONNX模型

如果没有原始模型或无法导出，则需要手动编写ONNX模型。ONNX模型由计算图和模型参数组成。计算图用于定义模型结构和计算流程，可以使用ONNX工具或第三方工具进行编写，也可以手动编写。模型参数用于定义模型权重，可以使用Python脚本或其他工具进行生成或导入。

总之，获取ONNX模型的方法取决于具体情况，不同场景下合适的方法也会有所不同。

使用ONNX模型

手动编写ONNX模型

手动编写ONNX模型需要了解ONNX模型的结构和语法，以及具体深度学习框架的计算图结构和权重参数格式。

以下是一个手动编写的简单ONNX模型例子，用于对一维张量进行线性变换和ReLU激活：

import onnximport numpy as npfrom onnx import numpy_helperfrom onnx import helper# 定义输入张量input_tensor = helper.make_tensor_value_info('input', onnx.TensorProto.FLOAT, [1, 10])# 定义权重张量weight = np.random.rand(10, 5).astype(np.float32)weight_initializer = numpy_helper.from_array(weight, 'weight')# 定义偏置张量bias = np.random.rand(5).astype(np.float32)bias_initializer = numpy_helper.from_array(bias, 'bias')# 定义节点1：矩阵乘法matmul_node = helper.make_node('MatMul',inputs=['input', 'weight'],outputs=['matmul_output'])# 定义节点2：加法add_node = helper.make_node('Add',inputs=['matmul_output', 'bias'],outputs=['add_output'])# 定义节点3：ReLU激活relu_node = helper.make_node('Relu',inputs=['add_output'],outputs=['output'])# 定义计算图graph_def = helper.make_graph([matmul_node, add_node, relu_node],'test-model',[input_tensor],[helper.make_tensor_value_info('output', onnx.TensorProto.FLOAT, [1, 5])],initializer=[weight_initializer, bias_initializer])# 定义模型model_def = helper.make_model(graph_def,producer_name='my-model',opset_imports=[helper.make_opsetid('', 12)])# 保存模型onnx.save(model_def, 'test-model.onnx')

此例中，通过手动定义输入张量、权重张量、偏置张量和节点（矩阵乘法、加法、ReLU激活）构建了一个简单的计算图，并通过ONNX工具生成了ONNX格式的模型文件test-model.onnx。可以使用ONNX工具或特定框架工具加载此模型进行推理。

Python调用ONNX模型

下面以使用Python调用ONNX模型为例子，具体步骤如下：

1. 安装ONNX Runtime库
2. 加载ONNX模型
3. 准备输入数据
4. 进行推理

import onnxruntimeimport numpy as npimport onnxruntime as ortmodel_path = 'test-model.onnx'providers = ['CPUExecutionProvider']ort_session = ort.InferenceSession(model_path, providers=providers)# ort_session = onnxruntime.InferenceSession('test-model.onnx', providers=['CPUExecutionProvider', 'CUDAExecutionProvider'])batch_size = 1input_size = 10# set input size to 10input_data = np.random.rand(batch_size, input_size).astype(np.float32)input_data = input_data.reshape(batch_size, input_size)# reshape input_data to (batch_size, 10)# batch_size = 1# input_size = 784# assuming you have a model that takes 784 inputs## input_data = np.random.rand(batch_size, input_size).astype(np.float32)output = ort_session.run(None, {'input': input_data})[0]print(output)

执行结果：

[[2.5079055 3.4431007 2.5739892 2.332235 1.9329181]]

在这个例子中，我们使用Python调用ONNX Runtime库来加载ONNX模型，并使用随机生成的输入数据进行推理。在ONNX模型的输入中，我们以字典的形式传递输入数据。推理的结果是一个输出数组，这是由ONNX模型定义的。

这就是Python调用深度学习模型ONNX的基本步骤，可以根据具体的模型和任务，在此基础上进行调整和扩展。

常见错误

错误raise ValueError…：

  raise ValueError(ValueError: This ORT build has ['AzureExecutionProvider', 'CPUExecutionProvider'] enabled. Since ORT 1.9, you are required to explicitly set the providers parameter when instantiating InferenceSession. For example, onnxruntime.InferenceSession(..., providers=['AzureExecutionProvider', 'CPUExecutionProvider'], ...)解决方法

该错误是由于在ORT 1.9版本中，调用InferenceSession时必须显式地设置providers参数来指定要使用的执行提供程序，否则会引发此错误。

要解决此错误，您需要在调用InferenceSession时设置providers参数。例如，如果您要使用CPUExecutionProvider和CUDAExecutionProvider，请按以下方式调用InferenceSession：

import onnxruntimesession = onnxruntime.InferenceSession('model.onnx', providers=['CPUExecutionProvider', 'CUDAExecutionProvider'])

在这里，我们将providers参数设置为包含CPUExecutionProvider和CUDAExecutionProvider的列表。根据您的需求，您可以选择其他ExecutionProvider。

请注意，如果您在调用InferenceSession时不设置providers参数，将会发生上述错误，即使您在构建模型时已经定义了ExecutionProvider。

错误：Load model model.onnx failed

onnxruntime.capi.onnxruntime_pybind11_state.NoSuchFile: [ONNXRuntimeError] : 3 : NO_SUCHFILE : Load model from model.onnx failed:Load model model.onnx failed. File doesn't exist

该错误提示 ONNXRuntimeError：3：NO_SUCHFILE，是由于onnxruntime无法在指定路径中找到模型文件model.onnx，因此无法加载模型。

要解决此错误，您需要检查以下几点：

1. 检查您提供的文件路径是否正确。

   请确保您提供的文件路径是正确的，并且包含文件名和后缀名，例如’model.onnx’。

2. 检查文件名是否正确。

   请确保文件名拼写正确，并且大小写正确。

3. 检查文件是否存在。

   请确保指定路径中包含该文件。您可以通过在Python中运行以下代码进行检查：

   import os.pathmodel_path = 'model.onnx'exists = os.path.isfile(model_path)if not exists:print('Model file not found:', model_path)

4. 检查文件路径是否有权限访问。

   如果您使用的是Windows，则可能需要以管理员身份运行命令提示符或PyCharm。如果您使用的是Linux或macOS，则需要检查文件路径是否有正确的权限。

通过以上步骤排查未能加载模型的原因，并进行相应的修正即可解决此错误。

错误：’CUDAExecutionProvider’ is not in available provider

UserWarning: Specified provider 'CUDAExecutionProvider' is not in available provider names.Available providers: 'AzureExecutionProvider, CPUExecutionProvider'warnings.warn(Traceback (most recent call last):File "D:\code\AutoTest\common\onnx\testOnnx.py", line 13, in input_data = np.random.rand(batch_size, input_size).astype(np.float32)^^^^^^^^^^NameError: name 'batch_size' is not defined 解决方法

此错误具有两个独立的部分：

1. UserWarning：Specified provider ‘CUDAExecutionProvider’ is not in available provider names。

   这意味着您正在尝试使用CUDAExecutionProvider，但是您的环境中可能没有安装或可用CUDAExecutionProvider。您可以尝试更改提供程序使用CPUExecutionProvider或AzureExecutionProvider。

   在您的代码中，您可以这样设置提供程序：

   import onnxruntime as rtproviders = ['CPUExecutionProvider']# or ['AzureExecutionProvider']session = rt.InferenceSession('model.onnx', providers)

2. NameError：name ‘batch_size’ is not defined。

   这意味着您在代码中使用了“batch_size”变量，但是在代码的上下文中未定义该变量。请确保您已经定义了batch_size变量并赋予其正确的值。

   例如，您可以在代码中设置batch_size变量，如下所示：

   import numpy as npbatch_size = 1input_size = 784# assuming you have a model that takes 784 inputsinput_data = np.random.rand(batch_size, input_size).astype(np.float32)

通过以上步骤排查未定义变量和可用提供程序的问题，并进行相应的修正即可解决此错误。

错误：ONNXRuntimeError

 in runreturn self._sess.run(output_names, input_feed, run_options) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^onnxruntime.capi.onnxruntime_pybind11_state.InvalidArgument: [ONNXRuntimeError] : 2 : INVALID_ARGUMENT : Got invalid dimensions for input: input for the following indices index: 1 Got: 784 Expected: 10 Please fix either the inputs or the model. 解决方法

此错误涉及到两个问题：

1. UserWarning: Specified provider ‘CUDAExecutionProvider’ is not in available provider names。 Available providers: ‘AzureExecutionProvider, CPUExecutionProvider’。

这个问题在前一个错误中已经解释过了。请参考之前的解决方法。

1. InvalidArgument: [ONNXRuntimeError] : 2 : INVALID_ARGUMENT : Got invalid dimensions for input: input for the following indices index: 1 Got: 784 Expected: 10 Please fix either the inputs or the model。

这个错误意味着您提供的输入张量形状不正确，或者模型中期望的输入形状与提供的输入形状不匹配。

在您给出的代码中，您正在尝试将一个形状为(batch_size, 784)的输入张量提供给模型，但是模型期望输入张量的形状为(batch_size, 10)。 您需要更改输入张量的形状，以便它符合模型的输入形状。

例如，如果您的模型期望的输入形状是(batch_size, 10)，您可以将示例代码中的input_size变量设置为10。 然后您可以在生成随机输入数据时，将生成的随机数重塑为(batch_size, 10)形状的张量。

具体而言，您可以在代码中添加以下行，将input_size变量设置为10，并将input_data变量重塑为(batch_size, 10)张量：

import numpy as npbatch_size = 1input_size = 10# set input size to 10input_data = np.random.rand(batch_size, input_size).astype(np.float32)input_data = input_data.reshape(batch_size, input_size)# reshape input_data to (batch_size, 10)

这样，您就可以使用正确形状的输入张量来运行模型，避免了此错误。

错误：’CUDAExecutionProvider’ is not in available provider

UserWarning: Specified provider 'CUDAExecutionProvider' is not in available provider names.Available providers: 'AzureExecutionProvider, CPUExecutionProvider'warnings.warn( 解决方法

这个警告通常意味着您指定了一个不存在的执行提供程序。在使用onnxruntime.InferenceSession()创建会话对象时，您可以指定要使用的执行提供程序列表。如果指定的执行提供程序不在可用提供程序列表中，则会出现上述警告。

如何解决这个问题取决于您的目标。如果您确信指定的执行提供程序可用，则可以无视警告。否则，可以从可用的提供程序列表中选择一个或多个提供程序，并在创建会话时将其作为提供程序参数传递。例如：

import onnxruntime as ortproviders = ['CPUExecutionProvider']ort_session = ort.InferenceSession(model_path, providers=providers)

在这个示例中，我们将CPUExecutionProvider作为提供程序传递给onnxruntime.InferenceSession()。如果这个提供程序在可用的提供程序列表中，则不会出现警告。