YOLOv11转为ONNX时模型参数发生变化

已于 2025-01-14 11:09:40 修改
阅读量328 收藏
点赞数 2
文章标签： 深度学习 人工智能
于 2025-01-14 11:09:07 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/weixin_46308509/article/details/145134037
版权

YOLOv11转为ONNX时模型参数发生变化

问题描述:

pt文件和ONNX文件的参数完全不同，仔细观察发现成一定的比例，观察网络可视化结果，发现ONNX模型中没有BN层

原因分析：

成比例和BN层的区别都说明，参数做了某种归一化，可能是torch.onnx.export()会自动融合算子

解决方案：

发现torch.onnx.export()的一个参数do_constant_folding，默认设为True时会融合conv和bn，不想融合时需设为False

ganganngannn
关注
【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python
静谧、淡雅
11-07 542
【YOLOv11[基础]】目标检测OD | 导出ONNX模型 | ONN模型推理以及检测结果可视化 | python
yolov8导出onnx(一)
deep_love1314的博客
01-29 7493
yolov8导出onnx
yolov11导出onnx文件的过程并转化为rknn
最新发布
weixin_49000925的博客
03-25 721
第一个地方：./ultralytics/nn/modules/head.py第64行的 def forward(self, x):函数。第二个部分：在文件./ultralytics/engine/model.py文件的第301行下面，添加下面代码，导出onnx。要导出onnx需要修改两个地方（只有当导出的时候需要修改，训练的时候不要忘记改回去）其中yolo11n.py是从yolov11官方源码下面下载的。运行后会出错但会导出ONNX。
可能导致将pytorch转为onnx模型后精度下降的几个原因
m0_46203495的博客
07-02 1万+
可能导致将pytorch转为onnx模型后精度下降的几个原因
【bug】解决yolov5模型转换后，模型推理结果不一致问题
kao_lengmian的博客
09-02 7513
yolov5在模型转换后，推理输出结果与原pt模型偏差较大，是因为参数变化导致的，需要手动指定
YOLO11 目标检测 | 导出ONNX模型 | ONNX模型推理
热门推荐
黎国溥
10-17 1万+
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行任务的。用，便于算法到开发板或芯片的部署。备注：本文是使用Python，编写ONNX模型推理代码的。
自定义调用onnx模型结果不理想的原因
tiaoteek的博客
05-22 556
分类的onnx在官方的代码中效果很好，但换成自己的代码中结果就不同，检测结果不准。分析了官方源码，图像加载中存在部分差异。也就是说分类的图像需要经过标准化处理。检测的onnx效果就很好。
YOLOV8模型转换-ONNX-RKNN
10-12
YOLOV8模型转换至ONNX-RKNN的流程是一个典型的深度学习模型部署步骤，尤其在嵌入式设备如RK3588上运行时，这样的优化和转换至关重要。YOLO（You Only Look Once）系列是实时目标检测系统，而YOLOV8作为其最新版本，...
YOLO系列笔记（九）—— yolov5转onnx并推理
XISHI_TIANLAN的博客
04-22 3933
该笔记记录了将训练后得出的yolov5s.pt模型转为.onnx模型并进行推理的过程。教程与大部分代码均来自这位作者的这篇博客。输入org_box(原始的边界框数据),conf_thres(置信度阈值),iou_thres(用于NMS的IoU阈值)。处理: 删除不符合置信度要求的框，对每个类别的框应用非极大抑制，以减少重叠。输出: 经过筛选和NMS处理后的边界框。
yolov5转为onnx
02-25
这里特别指定了动态轴参数(dynamic axes)，使得批处理大小(batch size)能够灵活变化，从而增强了生成的ONNX模型的应用范围。最后指定opset version为11以确保尽可能广泛的硬件平台上的兼容性[^1]。
YOLOV5（二）：将pt转为onnx模型并用opencv部署
abandononeself的博客
07-28 5926
将yolov5s训练的火焰数据的pt权重改为可用opencv识别的onnx。
YOLO11 实例分割 | 导出ONNX模型 | ONNX模型推理
黎国溥
10-15 7111
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行实例分割任务的模型推理。用ONNX模型推理，便于算法到开发板或芯片的部署。备注：本文是使用Python，编写ONNX模型推理代码的。
pt权重转onnx记录
悠悠小船长的博客
11-01 1231
pt权重转onnx记录
YOLOv11导出onnx模型并使用C++调用
qq_51699436的博客
12-29 2001
YOLO（You Only Look Once）系列是目标检测领域中非常流行的一组算法，因其快速的推理速度和良好的检测精度而闻名。随着版本的不断迭代，YOLOv11引入了多项改进，使其成为处理复杂场景下物体检测任务的强大工具。然而，将YOLOv11应用于生产环境中，尤其是跨平台部署时，我们需要将其导出为一个通用的格式，如ONNX（Open Neural Network Exchange），以便在不同的框架和语言中使用。本文将介绍如何将YOLOv11导出为ONNX模型，并演示如何使用C++调用该模型进行推理。
yolov5的pt模型转onnx模型，onnx模型转engine模型
m0_66380820的博客
07-18 3341
ONNX（Open Neural Network Exchange）是一种用于表示深度学习模型的开放标准，它允许不同的深度学习框架和工具之间进行模型交换。ONNX模型具有跨平台的兼容性，可以在不同的硬件和软件上运行，从而提高了模型的部署效率和可移植性。开放性：ONNX是一个开放的标准，由多家技术公司共同维护和发展，确保了模型的广泛兼容性和未来的发展潜力。跨平台兼容性：ONNX模型可以在不同的操作系统和硬件上运行，包括CPU、GPU等，这使得模型部署更加灵活。
pytorch：融合conv和bn
qq_17127427的博客
11-05 1310
from copy import deepcopy import torch import torch.nn as nn def fuse_conv_and_bn(conv, bn): # Fuse convolution and batchnorm layers https://tehnokv.com/posts/fusing-batchnorm-and-conv/ fusedconv = ( nn.Conv2d( conv.in_channels
一文带你了解 YOLOv11：入门操作与配置详解
目标检测、LLM相关
10-17 6355
这篇文章为读者提供了关于YOLOv11模型的入门指南，详细介绍了YOLOv11的安装、训练、验证等基本操作，并通过对比不同版本的YOLO模型，帮助读者快速上手目标检测任务。文章还涵盖了YOLOv11的常用配置参数以及如何应用这些参数进行有效的模型训练。通过该指南，读者可以轻松完成YOLOv11模型的基础配置，并为深入应用该模型打下基础。大部分内容基于官方文档，确保操作的准确性和易用性。
onnx 部署时两组优化策略 | 有效推理加速
weixin_51988935的博客
12-18 929
有效的模型部署推理加速
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