获取onnx模型输入输出结构信息的3种方式：ONNX、onnxruntime、netron

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】52.【高压输电线绝缘子缺陷智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

在使用onnx模型进行模型部署时，我们需要查看onnx模型的输入与输出结构，然后才能进行数据的预处理与后处理过程，从而帮助我们进行模型的部署。本文介绍3种查看onnx模型输入与输出结构的方式，以yolov8n.onnx为例。

方式1：使用netron

打开网页：https://netron.app,然后打开需要查看的onnx模型,此处打开yolov8n.onnx模型。
在这里插入图片描述
在这里插入图片描述
通过这种方式，我们不仅可以看到模型的输入与输出结构，而且可以清楚的查看模型的详细网络结构。通过右下角我们可以看到，模型的输入为【1，3，640，640】,输出为【1，84，8400】。
在这里插入图片描述
解释说明：
【1，3，640，640】表示，batch为1，输入图片为3640640；
【1，84，8400】表示，batch为1，输出向量为84【代表x, y, w, h,cls类别数80】，检测框数目为8400个。

方式2：使用onnx

我们使用onnx库加载模型，并查看模型的输入输出结构。代码如下：

import onnx
# 加载ONNX模型
model = onnx.load('yolov8n.onnx')
# 获取并打印OpSet导入信息，从中可以找到OpSet版本
for imp in model.opset_import:print(f"Domain: {imp.domain}, Version: {imp.version}")
# 验证模型是否有效
onnx.checker.check_model(model)
# 获取并打印模型的输入信息
print("Input(s) of the model:")
for input in model.graph.input:print(f"Name: {input.name}, Type: {input.type}")
# 获取并打印模型的输出信息
print("\nOutput(s) of the model:")
for output in model.graph.output:print(f"Name: {output.name}, Type: {output.type}")

输出结果如下：

Domain: , Version: 17
Input(s) of the model:
Name: images, Type: tensor_type {elem_type: 1shape {dim {dim_value: 1}dim {dim_value: 3}dim {dim_value: 640}dim {dim_value: 640}}
}Output(s) of the model:
Name: output0, Type: tensor_type {elem_type: 1shape {dim {dim_value: 1}dim {dim_value: 84}dim {dim_value: 8400}}
}

可以看到输入为【1，3，640，640】，输出为【1，84，8400】。

方式3：使用onnxruntime

我们使用onnxruntime库加载模型，并查看模型的输入输出结构。代码如下：

import onnxruntime as ort
providers = ["CPUExecutionProvider"]
session_options = ort.SessionOptions()
session_options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL
# 使用ONNX模型创建推理会话，并指定执行提供者
session = ort.InferenceSession('yolov8n.onnx',session_options=session_options,providers=providers)# 获取模型的输入信息
inputs_info = session.get_inputs()
print("Input(s) of the model:")
for input in inputs_info:print(f"Name: {input.name}, Shape: {input.shape}, Type: {input.type}")# 获取模型的输出信息
outputs_info = session.get_outputs()
print("\nOutput(s) of the model:")
for output in outputs_info:print(f"Name: {output.name}, Shape: {output.shape}, Type: {output.type}")

打印信息如下：

Input(s) of the model:
Name: images, Shape: [1, 3, 640, 640], Type: tensor(float)Output(s) of the model:
Name: output0, Shape: [1, 84, 8400], Type: tensor(float)

关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/864322.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

每日Attention学习7——Frequency-Perception Module

每日Attention学习7——Frequency-Perception Module

模块出处 [link] [code] [ACM MM 23] Frequency Perception Network for Camouflaged Object Detection 模块名称 Frequency-Perception Module (FPM) 模块作用 获取频域信息，更好识别伪装对象 模块结构 模块代码 import torch import torch.nn as nn import to…
阅读更多...
【Python函数编程实战】：从基础到进阶，打造代码复用利器

【Python函数编程实战】：从基础到进阶，打造代码复用利器

文章目录 🚋前言🚀一、认识函数🌈二、函数定义❤️三、函数调用⭐四、实参与形参💥1. 形式参数🚲2. 实际参数🔥1. 位置参数☔2. 关键字参数🎬3. 默认参数🔥4. 可变数量参数(不定长参…
阅读更多...
Nomad Web 1.0.12还能这样

Nomad Web 1.0.12还能这样

大家好，才是真的好。 前几天讲代码和开发，忽略了大家的真实感受，那就是不爱开。我也记起来我们很久没有讲Notes/Domino产品的更新，因为除了补丁程序外，确实没多少更新。 不过就在前两天，有一项产品得到了…
阅读更多...
零成本、高效率：免费可视化工具的魅力所在

零成本、高效率：免费可视化工具的魅力所在

在如今这个数据驱动的时代，免费可视化工具越来越受到人们的欢迎。这些工具不仅降低了数据分析的门槛，还为用户提供了强大的功能和极高的灵活性，使得各行各业的人们都能够轻松地利用数据做出明智的决策。首先，免费可视化工具的零成…
阅读更多...
【Qt】认识Qt界面Hello world小程序

【Qt】认识Qt界面Hello world小程序

一.认识Qt界面 1.左边栏 在编辑模式下，左边竖排的两个窗⼝叫做 "边栏" 。 ① 是项⽬⽂件管理窗⼝ ② 是打开⽂件列表窗⼝。 边栏⾥的窗⼝数⽬可以增加，边栏⼦窗⼝标题栏有⼀排⼩按钮，最右边的是关闭按钮，倒数第⼆个是 …
阅读更多...
嵌入式学习——硬件（IIC、ADC）——day56

嵌入式学习——硬件（IIC、ADC）——day56

1. IIC 1.1 定义（同步串行半双工通信总线） IIC（Inter-Integrated Circuit）又称I2C，是是IICBus简称，所以中文应该叫集成电路总线。是飞利浦公司在1980年代为了让主板、嵌入式系统或手机用以连接低速周边设备…
阅读更多...
猫头虎 Gemma和Gemini模型的区别是什么？

猫头虎 Gemma和Gemini模型的区别是什么？

猫头虎 🐯 Gemma和Gemini模型的区别是什么？ 摘要📘 在这篇文章中，我们将深入探讨Gemma和Gemini这两个由Google开发的AI模型。我们会对比它们的参数规模、计算资源需求和集成难度，帮助大家了解这两者之间的主要区别。…
阅读更多...
【解锁未来：深入了解机器学习的核心技术与实际应用】

【解锁未来：深入了解机器学习的核心技术与实际应用】

解锁未来：深入了解机器学习的核心技术与实际应用 💎1.引言💎1.1 什么是机器学习？ 💎2 机器学习的分类💎3 常用的机器学习算法💎3.1 线性回归（Linear Regression）&#x1…
阅读更多...
Redis集群-主从复制、哨兵

Redis集群-主从复制、哨兵

●主从复制：主从复制是高可用Redis的基础，哨兵和集群都是在主从复制基础上实现高可用的。 主从复制主要实现了数据的多机备份，以及对于读操作的负载均衡和简单的故障恢复。缺陷：故障 恢复无法自动化；写操作无法负载均…
阅读更多...
幻兽帕鲁服务器如何安装模组安装

幻兽帕鲁服务器如何安装模组安装

由于模组多数为Window版本的，所以本教程以服务端为Window的作为演示（Linux服务端的也是一样的操作）百度莱卡云开服 如果你你是Linux版本的，请点击跳转切换服务端教程 接下来是本地安装模组包的方法（服务器自带&#xf…
阅读更多...
妙笔 WonderPen 专业版会员值得购买吗？

妙笔 WonderPen 专业版会员值得购买吗？

在信息爆炸的时代，写作已经是一项重要技能。无论是学生、职场人士还是自由职业者，都经常需要写点东西。 一个好的工具能让写作成为享受，今天就为大家推荐专业写作工具：妙笔。为长文写作设计，且有云服务功能&#xff0…
阅读更多...
自闭症儿童能不能用药

自闭症儿童能不能用药

在星贝育园自闭症儿童康复学校，我们一直秉持着谨慎且保守的态度对待自闭症儿童的用药问题。我们坚定地认为，在大多数情况下，药物并非自闭症儿童康复的首选。 自闭症是一种神经发育障碍，其核心症状包括社交沟通障碍、重复刻…
阅读更多...
为什么网络爬虫广泛使用HTTP代理？

为什么网络爬虫广泛使用HTTP代理？

一、引言 网络爬虫作为自动抓取互联网信息的重要工具，在现代社会中发挥着不可或缺的作用。然而随着网络环境的日益复杂，网站反爬虫技术的不断进步，网络爬虫在获取数据的过程中面临着越来越多的挑战。为了应对这些挑战，HTTP 代理成…
阅读更多...
C++专业面试真题（1）学习

C++专业面试真题（1）学习

进程有多少种状态，如何转换 创建：一个进程启动，首先进入创建状态，需要获取系统资源创建进程管理科PCB完成资源分配。就绪态：在创建完成后，进程已经准备好，处于就绪状态，但是还未获得…
阅读更多...
Linux内核——Linux内核体系模式（二）

Linux内核——Linux内核体系模式（二）

1 Linux系统的中断机制 Linux内核将中断分为两类：硬件中断和软件中断（异常）。每个中断是由0-255之间的一个数字进行标识。 中断int0-int31（0x00-0x1f）作为异常int32-int255由用户自己设定 int32-int47对应与8259A中断…
阅读更多...
PCL 基于点云RGB颜色的区域生长算法

PCL 基于点云RGB颜色的区域生长算法

RGB颜色的区域生长算法 一、概述1.1 算法定义1.2 算法特点1.3 算法实现二、代码示例三、运行结果🙋 结果预览 一、概述 1.1 算法定义 点云RGB区域生长算法: 是一个基于RGB颜色信息的区域生长算法，用于点云分割。该算法利用了点云中相邻点之间的颜色相似性来将点云分割成…
阅读更多...
志愿者管理系统带讲解，保运行

志愿者管理系统带讲解，保运行

技术栈 后端: SpringBoot Mysql MybatisPlus 前端: Vue Element 分为 管理员端 用户端 功能描述 用户端 管理员端 观看地址： B站 ： 【毕设者】志愿者管理系统(安装讲解源码)
阅读更多...
进程，线程，虚拟内存，交换技术

进程，线程，虚拟内存，交换技术

参考资料： 参考视频1https://www.bilibili.com/video/BV1Hs421M78w/?spm_id_from333.999.0.0&vd_source97411b9a8288d7869f5363f72b0d7613 参考视频2https://www.bilibili.com/video/BV1jE411W7e8/?spm_id_from333.337.search-card.all.click&vd_source…
阅读更多...
Redis基础教程（六）：redis 哈希(Hash)

Redis基础教程（六）：redis 哈希(Hash)

💝💝💝首先，欢迎各位来到我的博客，很高兴能够在这里和您见面！希望您在这里不仅可以有所收获，同时也能感受到一份轻松欢乐的氛围，祝你生活愉快！ 💝&#x1f49…
阅读更多...
3D开发工具HOOPS助力3D制造业仿真应用实现工厂环境规划和模拟！

3D开发工具HOOPS助力3D制造业仿真应用实现工厂环境规划和模拟！

HOOPS SDK是全球领先的3D领域开发工具提供商Tech Soft 3D 打造的控件产品，HOOPS SDK包括4款3D软件开发工具，其中HOOPS Exchange是一款CAD数据转换工具，可读取和导入30多种CAD文件格式；HOOPS Communicator是一款专注于Web端工程图形…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023