有哪些营销型网站,国外界面设计网站,苏州注册公司需要多少钱,建设银行粤通卡网站随着AI模型的发展#xff0c;模型的结构也变得越来越复杂#xff0c;理解起来越来越困难#xff0c;这时候能够画一张结构图就好了#xff0c;就像我们在开发过程中用到的UML类图#xff0c;能够直观看出不同层之间的关系#xff0c;于是Netron就来了。 Netron支持神经网…随着AI模型的发展模型的结构也变得越来越复杂理解起来越来越困难这时候能够画一张结构图就好了就像我们在开发过程中用到的UML类图能够直观看出不同层之间的关系于是Netron就来了。 Netron支持神经网络、深度学习和机器学习网络的可视化。支持 ONNX, TensorFlow Lite, Core ML, Keras, Caffe, Darknet, MXNet, PaddlePaddle, ncnn, MNN 和 TensorFlow.js格式的可视化展示同时还实验性的支持PyTorch, TorchScript, TensorFlow, OpenVINO, RKNN, MediaPipe, ML.NET,scikit-learn格式的展示。 1.安装运行 Netron支持在线和离线的操作可以直接在网页上进行展示 在线运行地址https://netron.app/ 也可以使用官方提供的本地安装文件进行安装可以直接去github上下载最新版本的。 Github下载地址https://github.com/lutzroeder/netron/releases/ 2.使用 以网页版为例进去页面之后发现界面很简单直接点击Open Model就可以选择需要展示的模型结构了我这边以YOLO V5的模型为例进行演示 这里可以直观显示每一层结构 如果不习惯竖着看可以点击左上角的菜单选择横向展示 同时我们看到菜单栏中还有显示Attributes、显示Weights等操作可以根据自己需要进行选择显示。 最后可以将网络结构图导出成图片文件方便后续使用。 3.pt模型转onnx模型 由于Netron对pt模型的支持不是很好如下图所示同样是YOLO V5的模型pt模型打开后长这个样子 可以说不是特别直观所以我们可以考虑将pt模型转为onnx模型进行展示。这里我们也借鉴YOLO V5的官方代码 首先要在当前环境下安装onnx包这个直接使用pip安装即可 pip install onnx然后可以执行下面的代码进行转换运行代码需要三个参数 –weights指定pt模型的位置–img-size指定图像的大小–batch-size一般采用默认值1 Exports a YOLOv5 *.pt model to ONNX and TorchScript formatsUsage:$ export PYTHONPATH$PWD python models/export.py --weights ./weights/yolov5s.pt --img 640 --batch 1#首先pip install onnx import argparse import sys import timesys.path.append(./) # to run $ python *.py files in subdirectories sys.path.append(../) import torch import torch.nn as nnimport models from models.experimental import attempt_load from utils.activations import Hardswish from utils.general import set_logging, check_img_sizeif __name__ __main__:parser argparse.ArgumentParser()parser.add_argument(--weights, typestr, default./yolov5s.pt, helpweights path) # from yolov5/models/parser.add_argument(--img-size, nargs, typeint, default[640, 640], helpimage size) # height, widthparser.add_argument(--batch-size, typeint, default1, helpbatch size)opt parser.parse_args()opt.img_size * 2 if len(opt.img_size) 1 else 1 # expandprint(opt)set_logging()t time.time()# Load PyTorch modelmodel attempt_load(opt.weights, map_locationtorch.device(cpu)) # load FP32 modellabels model.names# Checksgs int(max(model.stride)) # grid size (max stride)opt.img_size [check_img_size(x, gs) for x in opt.img_size] # verify img_size are gs-multiples# Inputimg torch.zeros(opt.batch_size, 3, *opt.img_size) # image size(1,3,320,192) iDetection# Update modelfor k, m in model.named_modules():m._non_persistent_buffers_set set() # pytorch 1.6.0 compatibilityif isinstance(m, models.common.Conv) and isinstance(m.act, nn.Hardswish):m.act Hardswish() # assign activation# if isinstance(m, models.yolo.Detect):# m.forward m.forward_export # assign forward (optional)model.model[-1].export True # set Detect() layer exportTruey model(img) # dry run# TorchScript exporttry:print(\nStarting TorchScript export with torch %s... % torch.__version__)f opt.weights.replace(.pt, .torchscript.pt) # filenamets torch.jit.trace(model, img)ts.save(f)print(TorchScript export success, saved as %s % f)except Exception as e:print(TorchScript export failure: %s % e)# ONNX exporttry:import onnxprint(\nStarting ONNX export with onnx %s... % onnx.__version__)f opt.weights.replace(.pt, .onnx) # filenametorch.onnx.export(model, img, f, verboseFalse, opset_version12, input_names[images],output_names[classes, boxes] if y is None else [output])# Checksonnx_model onnx.load(f) # load onnx modelonnx.checker.check_model(onnx_model) # check onnx model# print(onnx.helper.printable_graph(onnx_model.graph)) # print a human readable modelprint(ONNX export success, saved as %s % f)except Exception as e:print(ONNX export failure: %s % e)# CoreML exporttry:import coremltools as ctprint(\nStarting CoreML export with coremltools %s... % ct.__version__)# convert model from torchscript and apply pixel scaling as per detect.pymodel ct.convert(ts, inputs[ct.ImageType(nameimage, shapeimg.shape, scale1 / 255.0, bias[0, 0, 0])])f opt.weights.replace(.pt, .mlmodel) # filenamemodel.save(f)print(CoreML export success, saved as %s % f)except Exception as e:print(CoreML export failure: %s % e)# Finishprint(\nExport complete (%.2fs). Visualize with https://github.com/lutzroeder/netron. % (time.time() - t))