yolov5中pt模型转onnx模型报错

最新推荐文章于 2025-03-29 12:13:45 发布
最新推荐文章于 2025-03-29 12:13:45 发布
阅读量1.1k 收藏 5
点赞数 2
文章标签： python
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/qq_66230283/article/details/132618486
版权

yolov5-7.0中.pt文件转onnx文件时候修改yolo.py文件中修改class Detect中的forward函数为
def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
        return x
后用export.py脚本转onnx模型报错：AttributeError: 'list' object has no attribute 'shape'

三种yolov8的pt模型转onnx方法 ，maxBatchSize 1 whereas 2 ，报错valuError: unsupported onnx opset version:16(推荐)
pvmsmfchcs的博客
11-29 2711
1，关于报错valuError: unsupported onnx opset version:16。方法：你可以设置参数 --opset 12。我和你有同样的问题，我已经解决。
YOLOv5 pt转为onnx
qq_45834106的博客
01-19 2291
使用onnx模型的时候，很反常，打印出来的使用设备是GPU，但是我查看GPU时GPU的利用率是零，并且速度很慢，应该是使用CPU跑的。然后我发现有一个叫dnn的东西可以和onnx配合着使用，我就尝试了一下，此时onnx模型的前向推理速度是1s一张图。运行下面的代码安装onnx相关的环境，按照自己的设备进行选择。所以应该是onnx和cuda、cudnn的版本没对上，重新装就好了。是没办法安装好onnx环境的。看到这里，在我只能说yolov5的作者真的太贴心了。下面是5x的一些实验，均开启了半精度。
.pt转onnx报错TorchScript export failure
weixin_45948117的博客
03-26 490
解决办法：在转换指令：python export.py --grid --end2end --simplify --topk-all 100 --iou-thres 0.3 --conf-thres 0.8 --img-size 640 640 --max-wh 640 --weights weights/onnxruntime.pt。取掉其中的：–grid --end2end --simplify。
Python AttributeError: ‘list‘ object has no attribute ‘shape‘ 解决
最新发布
layneyao的博客
03-29 1130
Python AttributeError: ‘list‘ object has no attribute ‘shape‘ 解决
yolov5导出onnx模型报错：Unsupported ONNX opset version: 17
李昂的博客
05-02 2189
2、onnx算子文档，https://github.com/onnx/onnx/blob/main/docs/Operators.md。Win10系统下使用pytorch1.11.0、onnx1.12.0转换yolov5cls转换onnx报错如下。1、模型部署，https://zhuanlan.zhihu.com/p/498425043。查找了相关资料后是由于pytorch对onnx算子的不支持。
yolov5转onnx：Unsupported ONNX opset version: 17
Sir_Bald的博客
05-24 4414
opset改成12 出现报错 Exporting the operator silu to ONNX opset version 12 is not supported. Please open a bug to request ONNX export support for the missing operator.#opset改成9和12就会出现类似onnx不支持silu的情况。降低onnx版本到1.13.1无果。
Yolov5 ONNX导出报错: export failure: Unsupported ONNX opset version: 17
weixin_45303602的博客
10-06 2682
ONNX（Open Neural Network Exchange）是一个用于机器学习模型的开放式标准，它旨在使不同的深度学习框架能够将训练好的模型在不同平台上无缝运行。它是由Microsoft和Facebook等公司联合开发的一个项目。ONNX可以让你将训练好的模型从一个开发环境中导出，在另一个部署环境中无缝运行，也可以让你在不同的平台和设备之间共享模型，包括桌面设备、移动设备和云服务。
YOLOV8模型转换-ONNX-RKNN
10-12
**步骤1：PT模型转ONNX** PT模型指的是PyTorch训练好的模型，通常以`.pth`或`.pt`为扩展名。首先，我们需要将这个PT模型转换为ONNX（Open Neural Network Exchange）格式。ONNX是一种开放标准，能跨框架表示深度...
YOLOV5（二）：将pt转为onnx模型并用opencv部署
abandononeself的博客
07-28 5857
将yolov5s训练的火焰数据的pt权重改为可用opencv识别的onnx。
YOLOv8.pt模型转成ncnn模型需要的onnx模型需要改的内容
weixin_58244117的博客
07-16 711
修改后，模型不需要重新训练，运行以下，导出即可，其余步骤不变，再次训练和识别的时候改回原版，否则报错。
Yolov5-v5.0 导出onnx推理结果完全错误
ls200013的博客
07-17 4187
楼主研究生在读，在搞模型部署方面的研究，记录一些遇到的问题。 最近使用yolov5-v5.0时。用官方yolov5s.pt权重文件并利用expor.pyt文件导出onnx时，虽然能够导出onnx模型但其onnx模型经实测输出是错误的，网上没搜到解决方案，所以楼主发文记录，有帮助欢迎点赞收藏。
遇到：AttributeError: ‘list‘ object has no attribute ‘shape‘ 错误应该如何解决
热门推荐
牛肉胡辣汤
08-10 1万+
你可以使用 np.array() 函数将列表转换为数组，然后再使用 shape 属性。然后，我们尝试在列表上使用 shape 属性，但是列表对象没有这个属性，所以会触发 "AttributeError: 'list' object has no attribute 'shape'" 错误。遇到 "AttributeError: 'list' object has no attribute 'shape'" 错误是因为你尝试在一个列表对象上使用了 shape 属性，但是列表对象并没有这个属性。
Error-yolov5 pt转onnx报错
秀呀秀的博客
07-05 1367
针对yolov5 pt转onnx报错进行修改，并根据转换成功的onnx进行预测输出 修改： 去掉Detect层，改为转换后的处理，对三个输出层处理（export grid=True) 转换后的onnx的输出少了直接通过detect层输出的[1,6300,9] ： 对输出的onnx进行detect层输出并预测（参考链接：基于onnxruntime的YOLOv5单张图片检测实现_wxplol的博客-优快云博客_onnx yolov5）：......
yolov5 自己训练的模型转换为onnx模型时，Can‘t get attribute ‘SPPF‘ on ＜module ‘models.common‘ from 解决方案
weixin_44482092的博客
12-02 1048
运行YOLOv5时报错：AttributeError: Can't get attribute 'SPPF' on 打开文件往下翻找到class SPP这一行，我的是在166行，在这一行上面添加下面的程序添加class SPPF。解决办法如下：首先找到YOLOv5下的这个文件打开。转换成功：螺母检测的模型。
解决yolov5模型转换利用export.py文件导出onnx文件报错：export.py: error: unrecognized arguments: --include onnx
weixin_45004544的博客
11-21 2038
在利用yolov5中的models/export.py文件转换训练好的模型best.pt时，遇到了报错：export.py: error: unrecognized arguments: --include onnx。发现报错export.py: error: unrecognized arguments: --include onnx，大意是指有无法识别的参数，并且给出了提示：–include onnx。因而删除掉–include onnx，执行以下指令，即可成功生成best.onnx文件。
.pth转.onnx出现问题解决。（记录，仅供参考）
sadjhaksdas的博客
03-07 2066
pth权重模型转换onnx
yoloV5-6.1 pt权重文件转onnx踩坑
m0_64561077的博客
01-15 1280
pytorch格式的pt权重文件转onnx踩坑
pycharm运行yolov8报module ‘onnx‘ has no attribute ‘__version__‘ 错误
机器视觉、深度学习、C++、opencv、halcon、图像算法
07-05 3204
在yolov8测试过程中，通过pip安装了onnx模块，安装后运行程序，报module 'onnx' has no attribute '__version__'错误。
Yolov5的pt文件转成onnx可以加速吗，onnx怎么使用
03-09
<think>好的，用户问的是YOLOv5的pt文件转成ONNX能不能加速，以及ONNX怎么使用。我需要先理清楚这两个问题的关键点。 首先，关于转换ONNX是否能加速。YOLOv5的pt文件是PyTorch的训练好的模型权重。转换成ONNX格式本身可能不会直接加速推理，因为ONNX更多是中间表示，方便在不同框架间转换。不过，通过ONNX，用户可以使用ONNX Runtime或者其他支持ONNX的推理引擎，这些引擎可能针对不同硬件做了优化，从而提升速度。比如，ONNX Runtime的CUDA执行提供者可能比原生的PyTorch在某些情况下更快，或者如果用户想用TensorRT的话，转成ONNX是必要的一步，而TensorRT优化后的模型通常速度更快。所以这里的加速可能来源于后续的优化步骤，而不是ONNX本身。 接下来用户可能想知道具体的转换步骤。YOLOv5官方提供了导出脚本，比如export.py，里面支持导出为ONNX格式。需要确认用户的PyTorch版本是否兼容，还有ONNX的版本是否合适。另外，YOLOv5可能在导出时有一些参数需要注意，比如动态轴设置，是否包含后处理等。动态输入尺寸可能会影响后续部署，所以需要根据实际应用场景来调整。 然后是ONNX的使用方法。用户可能想知道如何用ONNX进行推理。比如，用ONNX Runtime加载模型，创建推理会话，准备输入数据（比如图像预处理后的tensor），然后运行会话得到输出。这部分需要示例代码说明流程，包括加载模型、准备输入、运行推理、处理输出结果。此外，可能还需要提到后处理，比如YOLO的输出通常需要非极大抑制（NMS），这部分可能在导出时是否包含在模型中，或者需要额外处理。如果导出时没有包含NMS，用户需要自己实现。 另外，用户可能关心ONNX转换后的优化选项，比如使用onnx-simplifier来简化模型结构，或者使用量化工具进行INT8量化来进一步加速。这些优化步骤可以提升推理速度，但可能需要额外的工具和步骤。 潜在的问题可能包括转换过程中的错误，例如不支持的算子，或者动态尺寸的问题。比如，某些PyTorch操作可能在导出ONNX时不被支持，需要替换成兼容的操作。此外，不同的硬件平台可能需要不同的优化方式，用户需要根据目标部署环境选择合适的推理引擎和优化方法。 总结来说，转换ONNX本身可能不直接加速，但为后续的优化和部署到不同平台提供了可能性。用户需要根据实际需求选择合适的工具链，如ONNX Runtime、TensorRT等，并进行性能测试，比较转换前后的速度差异。此外，正确导出ONNX模型并处理后续的推理步骤是关键，需要确保模型导出正确，输入输出处理正确，以及可能的后处理步骤正确实施。</think>### YOLOv5的pt文件转ONNX能否加速？ **直接转换本身不会加速**，但转换为ONNX后可通过以下方式间接加速： 1. **使用优化推理引擎**：如ONNX Runtime（支持CUDA/OpenVINO等硬件加速）、TensorRT等。 2. **跨平台部署优化**：ONNX模型可在不同框架（TensorFlow/PaddlePaddle等）中复用，方便针对特定硬件优化。 3. **模型简化与量化**：通过onnx-simplifier简化模型结构，或使用INT8量化进一步压缩模型。 --- ### ONNX转换与使用步骤 #### 一、转换YOLOv5 pt到ONNX 1. **安装依赖**： ```bash pip install onnx>=1.10.0 coremltools onnx-simplifier ``` 2. **使用官方export脚本**： ```bash python export.py --weights yolov5s.pt --include onnx --dynamic ``` *参数说明*： - `--dynamic`：允许动态输入尺寸（如批处理维度） - `--include onnx`：指定导出为ONNX格式 3. **验证导出结果**： ```bash onnxruntime-tools checker yolov5s.onnx ``` --- #### 二、ONNX模型使用示例（Python） ```python import onnxruntime import numpy as np # 1. 加载模型 sess = onnxruntime.InferenceSession("yolov5s.onnx", providers=['CUDAExecutionProvider']) # 2. 准备输入数据（示例） input_name = sess.get_inputs()[0].name fake_input = np.random.randn(1, 3, 640, 640).astype(np.float32) # BCHW格式 # 3. 执行推理 outputs = sess.run(None, {input_name: fake_input}) # 4. 后处理（需实现YOLO解码+NMS） # 输出格式取决于导出时是否包含后处理 ``` --- ### 关键注意事项 1. **动态轴设置**： - 默认导出包含动态批处理维度（`batch_size`可调） - 固定输入尺寸可加参数：`--img 640 --batch 1` 2. **后处理包含性**： - YOLOv5默认导出**不含NMS**，需自行实现后处理 - 若需导出包含NMS的模型： ```bash python export.py --weights yolov5s.pt --include onnx --dynamic --grid --end2end ``` 3. **性能对比建议**： - 使用相同硬件比较PyTorch/ONNX Runtime/TensorRT的推理速度 - 典型性能提升：ONNX Runtime比原生PyTorch快20-30%（GPU环境） --- ### 高级优化方案 | 方法 | 工具 | 效果 | |--------------------|--------------------|----------------------| | 模型简化 | onnx-simplifier | 减少冗余算子，提升推理速度 | | 量化(INT8) | onnxruntime量化工具 | 模型体积减半，速度提升2-3倍 | | 硬件专用优化 | TensorRT | NVIDIA GPU加速，延迟降低50%+ | --- ### 常见问题 1. **算子不支持**：若转换报错，尝试更新`torch`和`onnx`版本 2. **输出维度不符**：检查是否遗漏`--dynamic`参数设置 3. **性能下降**：确保使用GPU版ONNX Runtime（`providers=['CUDAExecutionProvider']`） 建议通过`netron`工具可视化ONNX模型结构，验证输入输出是否符合预期。
评论 5
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