interpolate转onnx出错

最新推荐文章于 2025-08-23 17:45:27 发布
原创 最新推荐文章于 2025-08-23 17:45:27 发布 · 532 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

在使用PyTorch模型导出到ONNX格式时，遇到因interpolate操作引发的错误。问题在于代码中的缩放操作F.interpolate()。通过将opset_version设置为11，成功解决了报错问题，从而能够顺利导出ONNX模型。
部署运行你感兴趣的模型镜像

pytorch导出onnx的时候报以下错误： 

原因是代码中使用interpolate进行了缩放

F.interpolate(x, size=(512, 512), mode='bilinear', align_corners=False)

 解决办法：

opset_version=11

 

 成功导出成onnx

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

YOLO模型ONNX导出踩坑记：10个常见错误+解决方案，TensorRT部署一次过
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
10-18 753
使用自定义模块（如添加CBAM注意力的YOLO）时，导出报错“Could not export module xxx”。导出前确认模型无自定义算子（或已适配ONNX）；统一预处理（RGB转换、归一化、尺寸）；选择合适opset（TRT版本+1）。ONNX导出启用简化模型；动态维度明确指定轴范围；用Netron检查输出节点数量与格式。TensorRT转换先用FP16验证功能，再尝试INT8；工作空间workspace≥4096（大模型需更大）；保存校准缓存（INT8量化复用）。
生成mm grounding dino的onnx模型并在x-anylabeling中使用
blanokvaffy的博客
06-24 1569
X-AnyLabeling 是一款cvhub开发的交互式自动标注工具，其基于AnyLabeling进行构建和二次开发，在此基础上扩展并支持了许多的模型和功能，并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。其最新版基于grounding dino可以实现开放词汇检测及生成掩码。2024年，MMDet 3.3.0提出了 MM-Grounding-DINO。
PyTorch转ONNX之F.interpolate
麦克斯韦恶魔的博客
04-23 1万+
PyTorch转ONNX之F.interpolate，详细分析opset_version中插值的问题，并尝试进行解决。
Pytorch转onnx到TensorRT部署流程
weixin_42494287的博客
12-09 3753
生产环境：ubuntu18.04 cuda 11.0 cudnn 8.0.5 一、bug
ONNX模型解析修改结点
OpenCV 图像辨识的博客
07-03 2351
ONNX内部节点修改方法
Unsupported ONNX opset version: 11
热门推荐
jacke121的专栏
02-25 1万+
Unsupported ONNX opset version: 11 估计是pytorch不支持，重新安装pytorch2.0可能能解决。
C++调用yolov5 onnx模型的初步探索
WX_Chen的博客
01-20 2770
用opencv的dnn模块做yolov5目标检测的程序，包含两个步骤：(1).把pytorch的训练模型.pth文件转换到.onnx文件。第二步编写yolov5.py文件，把yolov5的网络结构定义在.py文件里，此时需要注意网络结构里不能包含切片对象赋值操作，F.interpolate里的size参数需要加int强制转换。不过，最近我发现在yolov5-pytorch程序里，其实可以直接把原始训练模型.pt文件转换生成onnx文件的，而且我在一个yolov5检测人脸+关键点的程序里实验成功了。
pytorch经onnx使用TensorRT部署转换踩坑记录
baidu_33738335的博客
12-17 7548
老版本踩坑 1. Pytorch模型中不能有条件支路 因为Pytorch模型转onnx模型的过程中，需要传给模型一个假的输入，然后做一次前向传播，再根据前向传播的结果来做模型的转换 2. Pytorch中的某些操作在TensorRT中不支持 x = x.view(x.size(0), -1)不支持，换成x = x.flatten(1) torch.unsqueeze(x[:, 0], 1)不支持，需要去掉 动态size是不支持的，比如h = x.size()[2]，改成具体数值 3. Pytorch中的
避开算子不支持陷阱：深度学习模型转ONNX时必须掌握的9种规避策略
# 深度学习模型转换ONNX的挑战与实战优化 在智能设备日益普及的今天，我们总希望训练好的深度学习模型能“一次编写、处处运行”——从实验室的PyTorch/TensorFlow环境，无缝部署到边缘端的手机、摄像头甚至车载系统...
onnx入门教程（三）——在 PyTorch 中支持更多 ONNX 算子
最新发布
图像学习之旅
08-23 758
为了编写符号函数，我们需要获得 asinh 推理接口的输入参数定义。这时，我们要去 torch/_C/_VariableFunctions.pyi 和 torch/nn/functional.pyi 这两个文件中搜索我们刚刚得到的这个算子名。这两个文件是编译 PyTorch 时本地自动生成的文件，里面包含了 ATen 算子的 PyTorch 调用接口。经过这些步骤，我们确认了缺失的算子名为 asinh，它是一个有实现的 ATen 算子。我们还记下了 asinh 的调用接口。
pytorch upsample层转onnx报错处理
alex1801
11-25 2399
pytorch转onnx时，上采样层nn.Upsample导出时报错： ONNX's Upsample/Resize operator did not match Pytorch's Interpolation until opset 11. 完整错误： /home/u/miniconda3/envs/torch/lib/python3.7/site-packages/torch/onnx/symbolic_helper.py:267: UserWarning: You are...
retinanet pytorch转换onnx Unsample 问题 pytorch转onnx踩坑日记
m0_37192554的博客
03-23 3428
1、export of nn.interpolate #pytroch Unsample 相当于 resize,nearst，不是反卷积实现的操作,下面是讨论 https://github.com/pytorch/pytorch/issues/34718 2、 该博客下的 pytorch1.0,1.0.1-- onnx --tensorRT5.0.2.6的upsample_nearest2d ...
pytorch文档地址与ONNX算子文档
baidu_40840693的博客
06-18 3445
https://pytorch.apachecn.org/ https://github.com/onnx/onnx/blob/master/docs/Operators.md
将pytorch框架网络转换为onnx格式，并使用netron可视化HRNet的网络结构
q1768792021的博客
04-14 2252
前言 一、环境配置 1.配置运行环境 2.安装netron 二、pytorch到onnx 1.定位主干网络 2.onnx格式转换 附：HRNet emantic-segmentation运行的调试
pytorch1.4 转onnx遇到的问题
weixin_40970506的博客
03-31 1297
pytorch 不同版本下载 https://download.pytorch.org/whl/torch_stable.html F.interpolate(x, size=(x_copy.size(2), x_copy.size(3)), mode=“bilinear”, align_corners=True) # 原始 为了不改变原始的写法，需要将opset_version=9　改为1...
RuntimeError: ONNX symbolic expected a constant value in the trace
杰斯的盐
09-26 2063
尝试利用 onnx 进行 pytorch2tensorrt 转换时，报错： RuntimeError: ONNX symbolic expected a constant value in the trace 做了一个小测试： envs: pytorch1.0 cuda9.0 python3.7 对于 avg_pool，只有当参数为确定值比如480，640时，torch.onnx.export...
onnx转TensorRT遇到Assertion failed: axis ＞= 0 && axis ＜ nbDims问题
foso1994的博客
09-30 2593
While parsing node number xxx [Gather]: ERROR: onnx2trt_utils.hpp:277 In function convert_axis: [8] Assertion failed: axis >= 0 && axis < nbDims 这个问题我在网上看了很多帖子,基本都是reshape的问题,但是我的网络结构中并不含有reshape函数,因此与其他的解决方式不同. 我将onnx转入到netron中,发现了一些端倪: .
torch to onnx加速，复杂网络pytorch转onnx报错记录及解决
unique_zhao的博客
12-18 5490
torch转onnx中问题的解决思路，设计interpolate算子，instance norm， grid sampler
5.1.tensorRT基础(2)-正确导出onnx的介绍，使得onnx问题尽量少
周同学的博客
07-23 1232
5.1.tensorRT基础(2)-正确导出onnx的介绍，使得onnx问题尽量少
bevdet转onnx
08-15
BevDet是一种用于自动驾驶场景中鸟瞰图（Bird's Eye View, BEV）目标检测的深度学习模型，通常基于PyTorch框架实现。将BevDet模型转换为ONNX（Open Neural Network Exchange）格式，可以使其在不同深度学习框架之间进行移植和部署，例如TensorRT、OpenVINO等推理引擎。 ### BevDet模型导出为ONNX的步骤 1. **准备模型和依赖项** BevDet模型通常依赖PyTorch及其相关库（如`torchvision`），在导出之前需要确保模型已经训练完成并保存为`.pth`或`.pt`格式。同时，需要安装ONNX支持库： ```bash pip install torch onnx ``` 2. **构建模型并加载权重** 在导出前，需要实例化BevDet模型结构，并加载预训练权重。例如： ```python import torch from bevdet import BevDet # 假设BevDet是自定义模块 model = BevDet() model.load_state_dict(torch.load('bevdet.pth')) model.eval() # 设置为评估模式 ``` 3. **构造输入张量** 根据BevDet模型的输入要求构造一个示例输入。例如，输入可能是多视角图像，形状为 `(batch_size, num_cams, channels, height, width)`： ```python dummy_input = torch.randn(1, 6, 3, 256, 704) # 示例输入 ``` 4. **导出ONNX模型** 使用`torch.onnx.export`函数进行导出，并指定合适的`opset_version`。根据引用内容，建议使用`opset_version=11`或更高版本以支持更精确的插值操作[^2]： ```python torch.onnx.export( model, dummy_input, "bevdet.onnx", export_params=True, # 存储训练参数 opset_version=13, # 推荐版本 do_constant_folding=True, # 优化常量 input_names=['input'], # 输入节点名称 output_names=['output'], # 输出节点名称 dynamic_axes={ 'input': {0: 'batch_size'}, # 动态维度 'output': {0: 'batch_size'} } ) print("导出ONNX成功") ``` 5. **验证ONNX模型** 使用ONNX Runtime验证模型是否导出成功，并确保输出与PyTorch模型一致： ```python import onnx import onnxruntime as ort # 加载ONNX模型 onnx_model = onnx.load("bevdet.onnx") onnx.checker.check_model(onnx_model) # 使用ONNX Runtime推理 ort_session = ort.InferenceSession("bevdet.onnx") outputs = ort_session.run( None, {'input': dummy_input.numpy()} ) print(outputs) ``` ### 注意事项 - 如果模型中包含`Upsample`或`interpolate`操作，建议使用`opset_version >= 11`以避免插值方式不一致导致的精度问题[^2]。 - BevDet模型可能包含复杂的后处理逻辑（如BEV变换、NMS等），这些部分通常需要单独处理或集成到推理引擎中。 - 如果模型导出失败，检查模型是否包含不支持的PyTorch操作，必要时可以自定义ONNX算子或对模型结构进行简化。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ListenAlone

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值