torch运行错误libcudnn && Unsupported HDF5 version: 1.10.2错误

最新推荐文章于 2024-10-11 17:18:29 发布
转载 最新推荐文章于 2024-10-11 17:18:29 发布 · 228 阅读 · 0

博客提及torch运行时出现libcudnn错误，同时存在Unsupported HDF5 version: 1.10.2错误，聚焦于信息技术领域中torch运行的问题。
Yolov5 ONNX导出报错: export failure: Unsupported ONNX opset version: 17
weixin_45303602的博客
10-06 2961
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。
InvalidVersionSpecError: Invalid version spec: =2.7解决方案
热门推荐
weixin_43178406的博客
07-08 20万+
本文主要介绍了InvalidVersionSpecError: Invalid version spec: =2.7解决方案，希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
hdf5-1.2.2
04-19
hdf5-1.2.2下载
torch7 matio安装 && hdf5：Unsupported HDF5 version: 1.10.1
u013548568的博客
03-28 1823
1、 matio安装 tar -axvf matio-1.5.9.tar.gz cd /home/lzhou/caffe_rely/matio-1.5.9 ./configure --prefix=/home/zhoulu/local/matio make -j make install -j luarocks install matio 2、 hdf5：Unsupported HD...
LUA 中的hdf5版本问题
灯里的团子火箭炮
12-01 254
错误信息 Unsupported HDF5 version 解决方法: sudo apt-get install libhdf5-serial-dev hdf5-tools git clone https://github.com/deepmind/torch-hdf5 cd torch-hdf5 luarocks make hdf5-0-0.rockspec LIBHDF5_LIBDIR="/usr/lib/x86_64-linux-gnu/" 修改hdf5的版本 ...
hdf5-1.10.4
10-24
HDF5是一种全新的分层数据格式产品，由数据格式规范和支持库实现组成。HDF5旨在解决较旧的HDF产品的一些限制，满足现代系统和应用需求。最新hdf5-1.10.4，在安装caffe时可能会用到。
libcudnn.so.6:cannot open sharedobjectfile: No such file or directory
dafenqie的博客
09-25 9377
系统环境：Ubuntu14.04 + GTX1080  目的：配置一下python-tensorflow环境 问题复现：  使用设置/软件与更新/附件驱动安装nvidia-375  使用CUDA-8.0*.run安装CUDA  使用cudnn*.tgz安装cudnn5.1  PATH里面加入了/usr/local/cuda-8.0/bin  LD_LIBRARY_PATH里面加入了/
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 3055
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。
onnx底层入门
weixin_40777649的博客
10-11 2774
架构报错onnx 模型调试pytorch 成功转换为onnx 模型的条件案例：缺少 映射关系案例： 缺少映射关系案例： 自定义torch 算子案例： debug 每一层，判定前后精度是否损失。
精选资源
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whl
05-09
torch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp36m-manylinux1_x86_64.whltorch-1.10.2-cp36-cp...
libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb
05-22
配置深度学习框架 需要显卡 本实验所使用的是ubuntu18.04的系统 2080ti的显卡 cudnn 安装过程中需要的安装包3 libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb
libcudnn7-dev_7.2.1.38-1+cuda9.2_amd64.deb
08-29
libcudnn7-dev_7.2.1.38-1+cuda9.2_amd64.deb, it is so difficult to get it.
libcudnn.so.6
08-02
cudnn-8.0-linux-x64-v6.0.tgz
libcudnn.so.7
03-06
cudnn-9.0-linux-x64-v7.tgz cuda9深度学习必备啊啊啊啊啊
libcudnn.so.5
07-18
libcudnn.so.5，当英伟达的官网https://developer.nvidia.com/cudnn打不开或者下载速度较慢时候可以在这下载libcudnn.so.5
libcudnn7-doc_7.1.4.18-1_cuda8.0_amd64.deb
05-22
ubuntu14.04-64位操作系统 + cudnn7.1.4 + cuda版本8.0：cuDNN v7.1.4 Code Samples and User Guide for Ubuntu14.04 (Deb)(libcudnn7-doc_7.1.4.18-1_cuda8.0_amd64.deb)
libcudnn7_7.4.1.5-1+cuda10.0_amd64.deb
11-10
官网最新版最新版 libcudnn7_7.4.1.5-1+cuda10.0_amd64.deb
libcudnn7_7.6.0.64-1+cuda10.1_amd64.deb
07-25
适用于Ubuntu 16.04，CUDA 10.1 的CuDNN 7.6 deb包 下载后运行 dpkg -i libcudnn7_7.6.0.64-1+cuda10.1_amd64.deb 即可安装
libcudnn8 deb文件.rar
04-13
cudnn8
ONNX: starting export with onnx 1.16.0 opset 17... ONNX: export failure ❌ 40.6s: Unsupported ONNX opset version: 17 ValueError: Unsupported ONNX opset version: 17
最新发布
11-28
<think> 我们遇到的问题是在使用ONNX导出模型时出现错误：`Unsupported ONNX opset version: 17`。根据引用[1]和[2]中的信息，这是因为当前使用的ONNX版本（1.16.0）不支持opset version 17。解决方法是降低opset版本，例如降低到12（因为引用[1]中提到将opset version从17改为12后成功）。 具体操作步骤如下： 1. **定位导出脚本**：通常导出ONNX的脚本是`export.py`（例如在YOLOv5项目中就是使用这个脚本）。 2. **修改opset版本参数**：在导出脚本中找到设置opset版本的地方，将其修改为当前ONNX版本支持的版本（例如12）。 3. **重新运行导出命令**。 但是，不同项目可能导出脚本不同，因此需要具体分析。下面以YOLOv5的`export.py`为例，说明如何修改： 在YOLOv5的`export.py`中，opset版本是通过命令行参数`--opset`指定的，也可以在代码中直接修改默认值。 **方法一（推荐）：通过命令行参数指定opset版本** 在运行`export.py`时，直接指定`--opset`参数为12： ```bash python export.py --weights yolov5s.pt --include onnx --opset 12 ``` **方法二：修改`export.py`源代码中的默认值** 1. 打开`export.py`文件。 2. 找到`parse_opt`函数，其中有一行类似于： ```python parser.add_argument('--opset', type=int, default=17, help='ONNX: opset version') ``` 3. 将`default=17`改为`default=12`，然后保存文件。 4. 运行导出命令（无需再指定`--opset`）： ```bash python export.py --weights yolov5s.pt --include onnx ``` 另外，请注意，不同的ONNX版本支持的opset版本不同。我们可以通过以下方式查看当前ONNX版本支持哪些opset： ```python import onnx from onnx import version_converter # 打印当前ONNX版本 print("ONNX version:", onnx.__version__) # 打印当前ONNX支持的最新opset版本 print("Latest opset version supported by this ONNX build:", onnx.defs.onnx_opset_version()) ``` 根据[ONNX官方文档](https://github.com/onnx/onnx/blob/main/docs/Versioning.md)，每个ONNX版本都对应一个opset版本。例如，ONNX 1.16.0 对应的opset版本是17，但可能由于某些原因（比如我们使用的转换工具要求）需要降低opset版本。 如果上述方法不能解决问题，可能需要升级或降级ONNX库以支持所需的opset版本，但通常修改opset版本到当前ONNX支持的范围即可。 总结：将opset版本降低到12（或当前ONNX版本支持的其他版本）即可解决该问题。 注意：降低opset版本可能会导致一些新算子不被支持，因此导出后需要验证模型是否正确转换。 下面提供一个通用的ONNX导出代码示例，其中显式指定opset_version： ```python import torch import torch.onnx # 加载模型 model = ... # 你的模型 model.load_state_dict(torch.load('model.pt')) model.eval() # 创建示例输入 dummy_input = torch.randn(1, 3, 224, 224) # 导出模型 torch.onnx.export( model, dummy_input, "model.onnx", export_params=True, # 同时导出权重 opset_version=12, # 指定opset版本 do_constant_folding=True, # 是否执行常量折叠优化 input_names=['input'], # 输入节点名称 output_names=['output'], # 输出节点名称 dynamic_axes={'input': {0: 'batch_size'}, # 动态批次 'output': {0: 'batch_size'}} ) ``` 运行以上代码即可导出opset version为12的ONNX模型。 最后，如果问题仍然存在，请检查ONNX版本和opset版本的对应关系，确保设置的opset版本在ONNX版本的支持范围内。 参考引用：[^1][^2] </think> # 解决 ONNX 导出错误：Unsupported ONNX opset version: 17 当使用 PyTorch 导出模型到 ONNX 格式时，遇到 `Unsupported ONNX opset version: 17` 错误，通常是因为 ONNX 运行时版本与指定的 opset 版本不兼容。以下是完整的解决方案： ## 🔧 问题原因分析 - **ONNX 版本**：您使用的 ONNX 1.16.0 不支持 opset 17 - **opset 版本冲突**：PyTorch 默认使用较新的 opset（如 17），但旧版 ONNX 只支持较低 opset - **兼容性矩阵**：ONNX 1.16.x 通常只支持到 opset 15 或更低 ## 💡 解决方案 ### 方法一：降低 opset 版本（推荐） 这是最直接的解决方法，如引用[1][2]所述： ```python import torch # 加载PyTorch模型 model = torch.load('model.pt') model.eval() # 创建虚拟输入 dummy_input = torch.randn(1, 3, 224, 224) # 导出ONNX - 关键：设置opset_version=12 torch.onnx.export( model, dummy_input, "model.onnx", export_params=True, opset_version=12, # 关键修改：从17改为12 do_constant_folding=True, input_names=['input'], output_names=['output'], dynamic_axes={'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}} ) ``` ### 方法二：升级 ONNX 版本 如果您的环境允许升级： ```bash pip uninstall onnx pip install onnx==1.17.0 # 支持opset 17+ ``` ### 方法三：修改导出脚本（适用于YOLOv5等） 如引用[1][2]所述，修改导出脚本中的默认 opset 值： 1. 打开导出脚本（如 `export.py`） 2. 找到 `parse_opt()` 函数 3. 修改 opset 默认值： ```python # 修改前 parser.add_argument('--opset', type=int, default=17, help='ONNX opset version') # 修改后 parser.add_argument('--opset', type=int, default=12, help='ONNX opset version') ``` ## 📊 ONNX 版本与 opset 兼容性参考 | ONNX 版本 | 支持的最高 opset | 推荐 opset | |-----------|-----------------|------------| | 1.16.x | 15 | 12 | | 1.17.x | 18 | 17 | | ≥1.18.0 | 当前最新 | 最新 | ## ✅ 导出后验证 使用 ONNX 运行时验证导出是否成功： ```python import onnx import onnxruntime as ort # 检查模型有效性 onnx_model = onnx.load("model.onnx") onnx.checker.check_model(onnx_model) # 测试推理 ort_session = ort.InferenceSession("model.onnx") outputs = ort_session.run(None, {'input': dummy_input.numpy()}) print(f"ONNX推理成功! 输出形状: {outputs[0].shape}") ``` ## ⚠️ 注意事项 1. **算子兼容性**：降低 opset 可能导致某些新算子无法使用 2. **PyTorch 版本**：确保 PyTorch ≥ 1.8.0（支持 opset 12） 3. **模型简化**：导出后使用 `onnx-simplifier` 优化模型： ```bash pip install onnx-simplifier python -m onnxsim model.onnx simplified_model.onnx ``` ## 🌐 推荐工作流程 ```mermaid graph LR A[PyTorch模型.pt] --> B{选择导出方式} B --> |兼容性优先| C[opset_version=12] B --> |功能优先| D[升级ONNX到1.17+] C --> E[导出ONNX] D --> E E --> F[验证ONNX] F --> G[部署] ``` 通过降低 opset 版本到 12，您应该能够成功解决 `Unsupported ONNX opset version: 17` 错误[^1][^2]。
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
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