pytorch argmax_从Pytorch 的ONNX到OpenVINO中IR中间层-白红宇

pytorch argmax_从Pytorch 的ONNX到OpenVINO中IR中间层

阅读量：386 次

发布时间：2019-03-05

本文共 2331 字，大约阅读时间需要 7 分钟。

Pytorch ONNX格式支持与OpenVINO模型优化

Pytorch ONNX到OpenVINO IR转换实践指南

在深度学习模型部署中，模型格式的通用性和跨框架兼容性一直是核心关注点。ONNX（Open Neural Network Exchange Format）作为一种轻量级的深度学习模型表示格式，凭借其灵活性和广泛的支持，成为AI开发者和模型部署者的重要选择。当前主流的深度学习框架均已支持ONNX格式，包括PyTorch、Caffe2、MXNet、Cognitive Toolkit等。OpenVINO作为一款专注于模型优化和加速的工具套件，其模型优化器支持将ONNX格式的模型转换为IR（Intermediate Representation）中间层文件。通过这种转换，开发者能够在OpenVINO环境下加速模型推理，实现高效的模型部署。

本文将详细介绍如何将PyTorch模型转换为ONNX格式，并将其转换为OpenVINO支持的IR格式。以ResNet-18模型为例，介绍完整的转换流程及OpenVINO SDK调用实现。

ResNet-18模型的输入格式要求如下：输入图像大小为224x224，色彩空间为RGB，预处理标准化参数为： mean = [0.485, 0.456, 0.406] std = [0.229, 0.224, 0.225]

Pytorch模型转换为ONNX的具体实现步骤如下：

下载并导入ResNet-18模型确保PyTorch环境已安装，执行以下代码可下载与使用ResNet-18预训练模型：

import torchvision.models as models
resnet18 = models.resnet18(pretrained=True)

将模型转换为ONNX格式通过PyTorch的torch.onnx.export接口将模型转换为ONNX格式。以下是转换代码：

model = torchvision.models.resnet18(pretrained=True).eval()
dummy_input = torch.randn((1, 3, 224, 224))
torch.onnx.export(model, dummy_input, "resnet18.onnx")

将ONNX模型转换为OpenVINO IR格式下载并安装OpenVINO开发工具套件，执行以下命令将ONNX模型转换为IR格式：

python model_optimizer/mo_onnx.py --input_model D:\python\pytorch_tutorial\resnet18.onnx

OpenVINO IR模型的调用实现

在OpenVINO环境下完成模型加速推理的具体实现步骤如下：

导入OpenVINO Inference Engine

from openvino.inference_engine import IECore

初始化Inference Engine

ie = IECore()

加载IR模型

net = ie.read_network(model="resnet18.xml", weights="resnet18.bin")

准备输入数据

input_blob = next(iter(net.inputs()))
output_blob = next(iter(net.outputs()))

读取并预处理输入图像

n, c, h, w = net.inputs[input_blob].shape
images = np.ndarray(shape=(n, c, h, w))
src = cv2.imread("D:/images/messi.jpg")
image = cv2.resize(src, (w, h))
image = np.float32(image) / 255.0
image[:, :, :] -= (np.float32(0.485), np.float32(0.456), np.float32(0.406))
image[:, :, :] /= (np.float32(0.229), np.float32(0.224), np.float32(0.225))
image = image.transpose((2, 0, 1))

加速推理

exec_net = ie.load_network(network=net, device_name="CPU")
res = exec_net.infer(inputs={input_blob: [image]})

解析输出结果

label_index = np.argmax(res, 1)
label_txt = labels[label_index[0]]
cv2.putText(src, label_txt, (10, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (255, 0, 255), 2, 8)
cv2.imshow("ResNet18-from PyTorch image classification", src)
cv2.waitKey(0)
cv2.destroyAllWindows()

本文详细介绍了PyTorch模型转换为ONNX格式的实现方法，并展示了如何将其转换为OpenVINO IR模型，完成了模型加速推理的实现。通过本文的实践指南，开发者能够快速实现PyTorch模型在OpenVINO环境下的高效部署。

转载地址：http://ujjg.baihongyu.com/

你可能感兴趣的文章