pytorch 与 onnx安装

最新推荐文章于 2025-09-22 14:35:00 发布
原创 最新推荐文章于 2025-09-22 14:35:00 发布 · 7.6k 阅读 · 1 ·
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。

本文探讨了在不同环境下配置程序查找路径的方法，如使用huan环境变量，并讲解了如何在Anaconda中管理CUDA版本，避免不同库间的package冲突。同时，提供了pip和conda安装特定包的示例，如ONNX、PyTorch和torchvision。
部署运行你感兴趣的模型镜像

1、which protoc是按照huan环境变量查找可执行程序；

2、ananconda 应该不会安装cuda的不同版本，如果需要不同版本，可以安装多个版本的cuda，程序回到不同的文件路径下去找cuda

3、conda install 最好不好加-c 和conda-forge， 因为这个是在该库下装软件，不同的库之间的package可能会有冲突；

 

pip install onnx

which pip

conda install pytorch torchvision -c pytorch

python

conda install future

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

QT的QAudioRecorder类的使用
希望我的博客，能帮上你解决学习中工作中所遇到的问题
12-02 1847
QAudioRecorder类用于记录音频。 QAudioRecorder类是高级媒体录制类，并且包含与QMediaRecorder相同的功能。 audioRecorder = new QAudioRecorder; QAudioEncoderSettings audioSettings; audioSettings.setCodec("audio/amr"); audioSettings.setQuality(QMultimedia::HighQuality); audioRecor
onnxruntime配置
weixin_45303602的博客
09-02 6960
runtime指的是程序运行环境，是计算机系统中负责程序运行的组件。在编写程序时，需要考虑程序与运行环境之间的交互，以及程序在运行时所需的资源和环境。在不同的编程语言中，runtime的实现方式也会有所不同。例如在Java中，runtime由Java虚拟机（JVM）实现，而在C++中，runtime可能由操作系统提供的动态链接库（DLL）实现。通常情况下，程序员不需要直接操作runtime。但是，在调试程序或优化程序性能时，需要对runtime有一定的了解和掌握。
Ubuntu 安装与使用C++ onnxruntime库
最新发布
二爷的博客
09-22 968
本文介绍了在Ubuntu系统上安装和使用onnxruntime的详细步骤。首先通过一键脚本安装ROS依赖库，然后从源码编译安装onnxruntime v1.19.0版本。针对常见的CMake版本过低问题，提供了升级CMake到3.30版本的具体方法。最后简要说明了C++ onnxruntime API的参考文档位置，为后续的模型推理应用提供基础支持。
NVIDIA Jetson之ONNX的正确安装方法
ZONGXP的博客
09-30 2823
jetson设备上安装onnx的正确方法
Pytorch转ONNX详解
zandaoguang的博客
12-10 1万+
作者丨立交桥跳水冠军@知乎来源丨https://zhuanlan.zhihu.com/p/272767300编辑丨极市平台之前几个月参与了OpenMMlab的模型转ONNX的工作（git...
Pytorch~ONNX
whaosoft143ai的博客
12-23 932
PS：针对于以上的两个局限，我的本科毕设论文提出了一种解决方案，就是通过编译器里面的词法分析，语法分析直接扫描Pytorch或者tensorflow的源代码得到图结构，这样可以轻量级的完成模型到ONNX的转换，同时也可以得到分支判断等信息，这里放一个github链接(https://github.com/drcut/NN_transform)，希望大家多多支持。TensorRT眼里的神经网络就是一个单纯的DAG：给定固定shape的输入，执行相同的运算，得到固定shape的输出。whaosoft aiot
模型转换 PyTorch转ONNX 入门
热门推荐
黎国溥
02-17 2万+
本文主要介绍如何将PyTorch模型转换为ONNX模型，为后面的模型部署做准备。转换后的xxx.onnx模型，进行加载和测试。最后介绍使用Netron，可视化ONNX模型，看一下网络结构；查看使用了那些算子，以便开发部署。目录前言一、PyTorch模型转ONNX模型1.1 转换为ONNX模型且加载权重1.2 转换为ONNX模型但不加载权重1.3 torch.onnx.export() 函数二、加载ONNX模型三、可视化ONNX模型。
YOLOv的PyTorch、ONNX和TensorRT实现_PyTorch ,ONNX and TensorRT imp
09-01
在本项目中，开发者提供了YOLOv4的实现版本，涵盖了从PyTorch框架到ONNX格式的转换，再到在TensorRT平台上的部署。这意味着用户能够在多个平台上利用该模型进行目标检测任务，包括在具有NVIDIA GPU的服务器上运行...
模型部署 - onnx 的导出和分析 - PyTorch 导出 ONNX - 学习记录
点云算法工程师
03-03 5211
上面是 onnx 可以直接被导出的情况，是因为对应的 pytorch 和 onnx 版本都有相应支持的算子在里面。与上面例子不同的是，这个注册方式跟底层文件的写法是一样的（文件在虚拟环境中的 torch/onnx/symbolic_opset*.py ）比如下面的这个报错，提示当前 onnx 的 opset 版本不支持这个算子，那我们可以去官方手册搜索一下是否在高的版本支持了这个算子。有些算子在 onnx 中是有的，但是在 pytorch 中没被登记，则需要。（实际上就是一个矩阵乘法）
【极速上手pytorch转onnx及推理】
weixin_47869094的博客
06-21 739
可以在 https://netron.app/ 中拖入 resnet18.onnx 文件查看模型结构。我们先导入torchvision中的resnet18模型，演示它的推理效果。本文介绍将pytorch模型转换成onnx模型并进行推理的方法。下面的代码包括了设置输入输出尺寸，以及动态可以变batch等等。以便和onnx的结果进行对比。
PyTorch与ONNX：跨平台模型互操作性
AI天才研究院
01-28 1729
1.背景介绍 1. 背景介绍 深度学习框架和模型格式的互操作性是当今人工智能领域的一个重要话题。随着深度学习模型的复杂性和规模的增加，模型的训练和部署变得越来越复杂。因此，有必要研究如何实现跨平台模型互操作性，以提高模型的可移植性和可扩展性。 PyTorch 是一个流行的深度学习框架，由 Facebook 开发。它具有灵活的计算图和动态计算图，使得模型训练和推理变得简单而高效。然而，PyTo...
python3.12 下安装onnx
fanre的专栏
02-19 1454
查了好久都差不到，大意就是optional冲突，看到大佬再末尾提到了protobuf版本的问题，然后我在cmd编译的时候，发现我自己电脑安装了protobuf-compiler（环境变量），而且是很早版本的。一、删掉电脑的protobuf及环境变量。一直提示各种各样的错误，例如。二、将下载onnx代码。
【pytorch onnx】Pytorch导出ONNX及模型可视化教程
计算机视觉方面的点点滴滴，欢迎一起讨论
03-06 1万+
使用深度学习开源框架Pytorch训练完网络模型后，在部署之前通常需要进行格式转换，例如地平线工具链模型转换目前仅支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle、TensorFlow等。本文将详细介绍如何将Pytorch格式的模型导出到ONNX格式的模型。
【深度学习框架格式转化】【GPU】Pytorch模型转ONNX模型格式流程详解
yangyu0515的博客
09-17 4020
【深度学习框架格式转化】Pytorch模型转ONNX模型格式流程详解
pyTorch onnx小试《一》
儒雅的小Z.的博客
03-28 390
环境安装（conda内） conda create -n onnx python=3.7 -y conda activate onnx conda install -c conda-forge protobuf numpy pip install onnx conda install pytorch torchvision pyTorch版本AlexNet模型转换到onnx import tor...
PyTorch语义分割模型转ONNX以及对比转换后的效果（PyTorch2ONNX、Torch2ONNX、pth2onnx、pt2onnx、修改名称、转换、测试、加载ONNX、运行ONNX）
Le0v1n 的博客
08-28 2752
PyTorch2ONNX、Torch2ONNX、pth2onnx、pt2onnx、修改名称、转换、测试、加载ONNX、运行ONNX
Pytorch网络模型转Onnx格式，多种方法（opencv、onnxruntime、c++）调用Onnx
luoganttcc的博客
02-09 2608
Pytorch网络模型转Onnx格式，多种方法（opencv、onnxruntime、c++）调用Onnx link code git import torch import torchvision import cv2 import onnx import numpy as np import timm import os from PIL import Image from torchvision import transforms import onnxruntime from onnxsim imp
知识复习 - Pytorch导出ONNX模型以及使用Netron进行ONNX模型的可视化
w8www的博客
04-28 1143
Open Neural Network Exchange（ONNX）是一种开放的深度学习模型交换格式。ONNX格式可以实现不同框架(比如Pytorch和Tensorflow)之间的模型互操作和跨平台部署。使用ONNX格式可以还可以提高模型的推理效率，并有广泛的社区支持。
pytorch中onnx安装
08-23
在 PyTorch 环境中安装和配置 ONNX，主要涉及以下几个步骤： ### 1. 安装 ONNX ONNX 可以通过 `pip` 或 `conda` 进行安装。建议使用 `pip` 安装最新版本的 ONNX： ```bash pip install onnx ``` 如果使用 Anaconda 环境，则可以使用以下命令： ```bash conda install -c conda-forge onnx ``` 安装完成后，可以通过以下代码验证 ONNX 是否安装成功： ```python import onnx print('ONNX 版本', onnx.__version__) ``` ### 2. 安装 ONNX Runtime ONNX Runtime 是用于运行 ONNX 模型的推理引擎。同样可以通过 `pip` 或 `conda` 安装： ```bash pip install onnxruntime ``` 如果需要 GPU 支持，则可以安装 `onnxruntime-gpu`： ```bash pip install onnxruntime-gpu ``` 验证 ONNX Runtime 是否安装成功： ```python import onnxruntime as ort print('ONNX Runtime 版本', ort.__version__) ``` ### 3. 配置 PyTorch 到 ONNX 的转换 PyTorch 提供了内置的 ONNX 导出功能，可以将训练好的模型转换为 ONNX 格式。以下是一个示例代码，展示如何将模型转换为 ONNX 格式： ```python import torch # 假设 model 是已经定义好的 PyTorch 模型 model = ... # 加载模型 model.eval() # 设置为评估模式 # 创建一个虚拟输入张量（batch_size=1, channels=3, height=256, width=256） x = torch.randn(1, 3, 256, 256) # 导出模型为 ONNX 格式 torch.onnx.export( model, x, "model.onnx", opset_version=11, input_names=['input'], output_names=['output'] ) ``` ### 4. 验证导出的 ONNX 模型 可以使用 ONNX Runtime 运行导出的模型，并验证其输出是否与原始 PyTorch 模型一致： ```python import numpy as np import onnxruntime as ort # 使用 ONNX Runtime 运行模型 ort_session = ort.InferenceSession("model.onnx") outputs = ort_session.run( None, {'input': x.numpy()} ) # 对比 ONNX Runtime 和 PyTorch 的输出 torch_output = model(x).detach().numpy() np.testing.assert_allclose(torch_output, outputs[0], rtol=1e-03, atol=1e-05) print("Exported model has been tested with ONNXRuntime, and the result looks good!") ``` ### 5. 环境配置建议 根据经验，以下是一个稳定的环境配置，适用于 PyTorch、CUDA 和 ONNX 的组合： - PyTorch 1.7.1 - CUDA 11.0.03 - cuDNN 8.0.2.39 - ONNX 1.9 - ONNX Runtime (或 ONNX Runtime-GPU) 1.8.0 如果使用更高版本的 PyTorch 或 ONNX，需要确保兼容性，尤其是 ONNX Runtime 的版本应与 ONNX 模型的 opset 版本保持一致。 ---
评论
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
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