【ONNX】onnx.in.proto说明

已于 2025-01-23 10:14:42 修改
阅读量638 收藏 9
点赞数 19
CC 4.0 BY-SA版权
分类专栏： 计算机视觉 文章标签： ONNX 深度学习 计算机视觉
于 2025-01-22 16:07:41 首次发布
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。
本文链接：https://blog.youkuaiyun.com/old_power/article/details/145305545

onnx.in.proto 是 ONNX 官方 提供的原始文件，用于生成 onnx-ml.proto 和 onnx-operators-ml.proto 文件。它是 ONNX 项目的一部分，包含了 ONNX 模型格式的核心定义。如果需要扩展 ONNX 模型格式（例如添加新的操作符或修改现有定义），只需修改 onnx.in.proto，然后重新生成相关文件。

1. onnx.in.proto 的作用

  • onnx.in.proto 是 ONNX 模型定义的 源文件，包含了 ONNX 模型的核心数据结构和操作符的定义。
  • 它使用 Protocol Buffers（protobuf） 语法编写，定义了神经网络模型的结构（如节点、张量、图等）和操作符（如卷积、池化、激活函数等）。
  • 通过工具链（如脚本或构建系统），onnx.in.proto 会被处理并生成 onnx-ml.proto 和 onnx-operators-ml.proto 文件。

2. 为什么需要 onnx.in.proto？

  • 模块化和可维护性：
    • onnx.in.proto
最低0.47元/天 解锁文章
模型部署 - onnx的导出和分析 - onnx 的架构和 onnx helper 的使用 - 学习记录
点云算法工程师
03-20 1659
首先来了解一下 学习 onnx 架构和 onnx helper 的使用的目的。一般模型部署的流程是前处理+模型推理+后处理，然后c++ 上进行推理。前处理（与tensorRT无关）模型推理（生成的engine交给tensorRT去做前向传播）后处理（与tensorRT无关）模型推理部分是指利用 tensorRT 的 onnx 解析器编译生成 engine （即转换为tensorRT能看懂的模型）。1、有些时候我们应该把后处理部分在onnx模型中实现，降低后处理复杂度。
复杂算子onnx导出(2): 将graph写入到onnx
@bangbang的博客
04-23 287
return x可以看出构建是一个带捷径分支的模型，其中一个分支只有一个conv操作，另一个分支包括conv+rulu, 然后将两个分支的输出Add操作，最后降Add得到的结果经过conv输出模型包括3种算子:all_tensors.extend([x, y]) # 避免torch对tensor进行复用return yprint(f"type。
onnx文件及其结构、正确导出onnx、onnx读取、onnx创建、onnx修改、onnx解析器
Rolandxxx的博客
11-06 2万+
通过把onnx-ml.proto这个文件交给protoc，protoc是Protobuf提供的编译程序（protoc --help可查看protoc工具的具体用法），把它。
使用protobuf解析Onnx文件
Ango_的专栏
11-10 2959
使用OpenCV加载Onnx推理的时候，无法获取到Onnx的网络输入大小，并且对推理速度要求不高不需要使用TensorRT的时候，如何才能得知Onnx的一些必要的信息，OpenCV没有提供接口，只能自己从Onnx文件中解析了。Onnx文件是使用protobuf序列化后的二进制数据，想要读取里面的信息需要使用protobuf将其反序列化为对象才行。编译 protobuf，使用cmake生成vs工程直接编译即可。使用protoc命令，将编写好的proto文件生成C++类定义文件。
ONNX简介
热门推荐
gaoxueyi551的专栏
05-27 6万+
一、前言 为什么要说ONNX，ONNX又是个什么东西，经常要部署神经网络应用的童鞋们可能会ONNX会比较熟悉，我们可能会在某一任务中将Pytorch或者TensorFlow模型转化为ONNX模型(ONNX模型一般用于中间部署阶段)，然后再拿转化后的ONNX模型进而转化为我们使用不同框架部署需要的类型。 典型的几个线路： Pytorch -> ONNX -> TensorRT Pytorch -> ONNX -> TVM TF – onnx – ncnn ...
ONNX自定义算子与文件导出流程再梳理
Briwisdom的博客
11-07 1813
工作需要把onnx导出文件的流程又梳理了一遍，弄清楚了如何自定义算子，以及导出结果检查。分享一下~
解析ONNX（含C++和Python版本）
幸福回头的博客
08-11 6090
主要讲解ONNX在C++和Python代码下的解析
【CUDA-BEVFusion】onnx-ml.proto和 onnx-operators-ml.proto说明
old_power的博客
01-22 824
【CUDA-BEVFusion】项目中的onnx-ml.proto和 onnx-operators-ml.proto说明
tensor_proto.raw_data().empty() || !tensor_proto.float_data().empty() || !tensor_proto.double_data()
01-06
tensor_proto.raw_data().empty() || !tensor_proto.float_data().empty() || !tensor_proto.double_data().empty() || !tensor_proto.int64_data().empty() 报错代码： # -*- coding: utf-8 -*- import onnx ...
【AI】ONNX
专注大前端
05-03 1194
友情链接开放神经网络交换（Open Neural Network Exchange）简称ONNX,是微软和Facebook提出用来表示深度学习模型的开放格式。所谓开放就是ONNX定义了一组和环境，平台均无关的标准格式，来增强各种AI模型的可交互性。无论你使用何种训练框架训练模型（比如TensorFlow/Pytorch/OneFlow/Paddle），在训练完毕后你都可以将这些框架的模型统一转换为ONNX这种统一的格式进行存储。
onnx修改教程
weixin_41521681的博客
01-16 8457
1. 载入ONNX文件 输出该模型的节点个数，还有节点中的属性信息，当然也包含静态图的链路形状。 import onnx onnx_model = onnx.load("test.onnx") graph = onnx_model.graph node = graph.node for i in range(len(node)): print(node[i]) 2. 搜索目标节点 for i in range(len(node)): if node[i].op_type == 'Con
ONNX--学习笔记
oneself的博客
11-26 1373
ONNX--学习笔记
onnx 1.16 doc学习笔记8：API-Protos
青椒的学习笔记
02-28 1184
onnx作为一个通用格式，很少有中文教程，因此开一篇文章对onnx 1.16文档进行翻译与进一步解释，onnx 1.16官方文档：https://onnx.ai/onnx/intro/index.html](https://onnx.ai/onnx/intro/index.html)，开始编辑时间：2024/2/28；最后编辑时间：2024/2/28。这是本教程的第七篇，其余内容见上述专栏链接。
ONNX模型结构解析
最新发布
Justin_JGT的博客
06-09 278
本文介绍了ONNX模型的解析方法。ONNX是一种跨平台的神经网络中间表示格式，使用Protocol Buffers定义模型结构，核心对象包括ModelProto、GraphProto等。通过Python代码示例，展示了如何读取ONNX模型并解析其关键信息：包括模型输入输出（名称、类型、维度）、权重参数（名称、形状、数值）以及节点信息（操作类型、输入输出、属性）。该解析方法可用于模型分析和跨框架部署，帮助开发者理解和调试ONNX模型的结构与参数。
模型部署系列：ONNX模型格式的构建、分析和优化指南
2401_85375298的博客
06-04 2690
ONNX（Open Neural Network Exchange，开放式神经网络交换格式）是一种**模型文件格式**，它在模型训练和模型推理中间提供了**中间桥梁**，使得上游不同的训练框架都能导出ONNX格式的模型，给到下游不同的推理框架都可以读取ONNX进行部署。
ONNX(Open Neural Network Exchange)介绍
网络资源是无限的
07-23 5690
ONNX(Open Neural Network Exchange)介绍
onnx模型图优化/模型修改
LuchangLi 的专栏
09-15 1万+
onnx模型修改、添加Node 如何修改已有的ONNX模型 - 知乎 ONNX内部节点修改方法_麦克斯韦恶魔的博客-优快云博客 onnx模型如何增加或者去除里面node，即修改图方法_The space of Shining-优快云博客
ONNX proto 定义
显闻
06-20 334
protobuf
使用protobuf编译onnx.proto过程中的一些问题总结
weixin_33936401的博客
05-08 825
使用git clone下载protobuf的源代码，然后git checkout到branch2.7.0： 编译protobuf，先在代码顶层目录执行./configure，然后执行make，成功后执行sudo ldconfig，重新加载动态库。 经过试验发现，使用protoc编译onnx.proto，需要特别注意版本问题，使用3.5.1的版本，编译都会失败，而且中途会有提示gcc版本...
.onnx
04-01
<think>好的，我需要回答用户关于ONNX文件格式的使用说明和错误处理的问题。首先，我需要整理一下已有的引用资料，确保回答准确并符合用户提供的引用内容。 首先，用户提供的引用[1]提到onnx.in.proto是定义ONNX模型核心结构和操作符的源文件，开发者不应直接修改生成的.proto文件，而是修改onnx.in.proto并重新生成。这点可能在错误处理部分有用，比如如果用户遇到操作符不兼容的问题，可能需要检查是否直接修改了生成的文件。 引用[2]指出将PyTorch模型转换为ONNX格式可以让模型在其他框架中使用，比如TensorFlow。这里可能需要说明转换的基本步骤，以及转换过程中常见的错误，比如动态轴设置，这点在引用[4]中也有提到，NLP模型需要注意dynamic_axes参数处理序列长度的问题。 引用[3]详细描述了libonnx的项目结构，包括CMakeLists.txt、头文件、源代码目录等。这可能在使用说明中需要提到如何编译或使用该库来处理ONNX文件，或者如何利用示例代码进行学习。同时，安装和使用指南可能涉及环境配置或依赖项的问题，这些可能在错误处理中需要提到，比如编译时的依赖缺失。 引用[4]特别强调了NLP模型转换时的注意事项，尤其是动态轴参数。用户可能在转换类似BERT的模型时遇到输入尺寸的问题，需要设置dynamic_axes来允许可变长度的输入，否则可能导致错误。这应该放在错误处理部分的重要位置，可能作为常见错误案例。 接下来，我需要组织这些信息到使用说明和错误处理两部分中。使用说明应该包括安装、转换模型、加载运行等步骤，而错误处理则列举常见问题如转换失败、兼容性、输入尺寸、版本问题等，并给出解决方法。同时，需要确保引用正确的来源，比如提到转换时动态轴的问题引用[4]，文件结构引用[3]等。 另外，用户可能对ONNX的基本概念不太清楚，是否需要简要介绍？不过用户的问题明确是关于使用说明和错误处理，所以可能不需要深入介绍ONNX本身，但可以简短提及，比如ONNX的作用是跨框架模型交换。 还要注意用户要求回答结构清晰，分步骤解决问题，尽量可靠。所以每个部分用编号和标题分开，使用Markdown的标题格式，但根据用户的要求，系统级指令中用户不可见的部分可能有其他格式要求，但用户可见层需要结构清晰。需要检查是否遵循了用户的格式要求，比如行内公式用$...$，独立公式用$$...$$，但当前问题可能不涉及数学公式，所以可能不需要处理这部分。 最后，生成相关问题，可能需要根据用户提供的引用内容，比如关于转换工具、优化方法、与其他框架的互操作性、处理NLP模型的具体问题等。 现在开始组织内容： 使用说明部分： 1. 安装ONNX库：引用[3]提到libonnx的安装，可能需要使用pip安装onnx和onnxruntime，同时确保依赖库如protobuf正确安装。 2. 模型转换：如PyTorch到ONNX，引用[2]和[4]，特别是动态轴设置。 3. 加载和运行ONNX模型：使用ONNX Runtime，检查输入输出格式。 4. 项目结构管理：引用[3]中的libonnx结构，如何处理代码和生成文件。 错误处理部分： 1. 转换失败：检查输入形状，动态轴设置，操作符支持情况。 2. 兼容性问题：版本匹配，引用[1]中的生成文件注意事项。 3. 输入尺寸错误：动态轴未正确设置，引用[4]的NLP案例。 4. 版本不匹配：升级或降级库版本。 5. 操作符不支持：自定义实现或联系社区。 相关问题部分： 根据引用内容生成，如如何转换PyTorch模型到ONNX，NLP模型转换的特殊处理，ONNX文件结构，版本控制问题等。 需要确保每个引用在正确的位置被引用，比如在动态轴部分引用[4]，在文件结构部分引用[3]，在生成文件部分引用[1]。</think>### ONNX 文件格式使用说明与错误处理 #### **一、ONNX 使用说明** 1. **安装与依赖管理** 安装 ONNX 核心库和运行时（如 ONNX Runtime）： ```bash pip install onnx onnxruntime ``` 若需自定义生成 ONNX 协议文件（如修改操作符定义），需从 ONNX 的 GitHub 仓库获取 `onnx.in.proto`，并通过 Protobuf 工具链生成所需文件[^1]。 2. **模型转换（以 PyTorch 为例）** ```python import torch model = torch.load("model.pth") dummy_input = torch.randn(1, 3, 224, 224) # 输入示例 torch.onnx.export( model, dummy_input, "model.onnx", dynamic_axes={"input": {0: "batch_size"}} # 动态轴设置（适用于变长输入，如 NLP） ) ``` - **注意**：NLP 模型需通过 `dynamic_axes` 指定可变维度（如序列长度）[^4]。 3. **加载与运行 ONNX 模型** ```python import onnxruntime as ort sess = ort.InferenceSession("model.onnx") inputs = {"input_name": np.random.randn(1, 3, 224, 224).astype(np.float32)} outputs = sess.run(None, inputs) ``` 4. **项目结构管理（以 libonnx 为例）** - 遵循 `libonnx` 的目录结构（`include/` 存放接口，`src/` 实现核心读写逻辑）[^3]。 - 避免直接修改生成的 `.proto` 文件，需修改 `onnx.in.proto` 后重新生成[^1]。 --- #### **二、常见错误与处理方法** 1. **模型转换失败** - **问题**：`Unsupported operator: xxx` **解决**：检查 ONNX 版本是否支持该操作符，或通过自定义插件实现缺失操作符。 - **问题**：输入形状不匹配 **解决**：确认 `dummy_input` 与模型实际输入形状一致，或通过 `dynamic_axes` 启用动态形状[^4]。 2. **兼容性问题** - **问题**：ONNX 模型无法在目标框架（如 TensorFlow）中加载 **解决**：使用中间工具（如 `onnx-tf`）转换格式，并检查框架版本兼容性[^2]。 3. **输入尺寸错误** - **问题**：`Invalid input dimensions` **解决**：NLP 模型中需显式指定动态轴（如 `dynamic_axes={"input": {0: "batch", 1: "sequence"}}`）[^4]。 4. **版本不匹配** - **问题**：`IR version mismatch` **解决**：升级 ONNX 库或使用 `onnx.version_converter` 调整模型版本。 5. **操作符不支持** - **问题**：特定框架的操作符（如 PyTorch 自定义层）未映射到 ONNX **解决**：实现自定义符号（Symbolic）函数或联系社区提交需求[^1]。 ---
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