首页 > 文库 > Paddle2ONNX最新升级:飞桨模型全面支持ONNX协议啦!
Paddle2ONNX最新升级:飞桨模型全面支持ONNX协议啦!
作者:飞桨PaddlePaddle  2021-02-02 19:59:05  共2610人围观
16年前的电影《功夫》可以说是家喻户晓,并将武侠片推向了一个新的高潮。在电影中,街头小混混阿星偶然间被打通了任督二脉,因善开悟,再有“如来神掌”的加持,让他的武功变得登峰造极,最后从天而降,一掌击败了大反派火云邪神。相信不少小伙伴们都因此萌生了武侠梦、功夫梦,梦想自己有一天也能“开挂”,变得天下无敌!


image.png

如果当时做个问卷调查,问获得绝世武功的第一步需要什么?即使很多人说不清楚任脉和督脉的位置,他们仍然会回答——打通任督二脉!

image.png

“只有打通任督二脉,才能加速真气运行效率,从而获得神功”已成为多数少侠们的共同认识。其实,这个道理同样能应用于现实之中。比如,在人工智能领域,开源开放非常普遍,只有打通壁垒,实现互通有无,才能促进发展的效率。近期,飞桨进入了2.0时代,不仅API体系得到了全面升级,动态图模式变得更加完备,为广大开发者带来“动静统一的开发体验”,还集成了最新版的Paddle2ONNX工具,进一步提升了框架的开放性。除了原先的Paddle Inference和Paddle Lite等高性能部署方案外,用户还可以通过使用paddle.onnx.export接口,将模型保存为ONNX协议格式后进行部署,极大丰富了飞桨的软硬件部署生态!

Paddle2ONNX项目地址:
https://github.com/PaddlePaddle/Paddle2ONNX


什么是ONNX




ONNX(Open Neural Network Exchange)是一种针对机器学习所设计的开放式的文件格式,用于存储训练好的模型。它使得不同的人工智能框架,可以采用相同格式存储模型数据并交互。

image.png

简而言之,ONNX相当于是一套统一的深度学习模型格式。基于这一套统一的格式,很多厂商的硬件和软件天然支持运行ONNX格式的模型。

关注飞桨的用户此前就应该了解到,Paddle Lite不仅可以支持飞桨原生模型部署,同时也支持PyTorch模型的部署,其技术路径就是通过PyTorch导出ONNX格式模型,再通过X2Paddle转换为飞桨模型格式进行部署。

不了解的童鞋快戳链接,了解X2Paddle项目:
https://github.com/PaddlePaddle/X2Paddle


什么是Paddle2ONNX




飞桨作为国内最早开源的开源框架,在过去一年中技术生态迅猛发展,为开源社区贡献多个模型套件。其中,目标检测模型套件推出产业实践最优模型PP-YOLO,性能和精度都超过原生的YOLO-V4;在文字识别方向,PP-OCR在2020年一经开源,便吸引了大量开发者使用,多次登陆GitHub技术趋势榜;另外,在多个国际权威语义评测中获得冠军的预训练模型ERNIE,也升级至2.0。飞桨进步,永不止步。为了帮助开发同学解决部署环境难题,飞桨也在不断探索。

现在,飞桨与ONNX开源组织进行了合作,开源了Paddle2ONNX项目,并基于Paddle2ONNX与英特尔合作,打通了飞桨模型在OpenVINO上的部署推理。

本月,我们将发布Paddle2ONNX最新版本V0.5,带来更多重磅功能,覆盖更多飞桨官方模型,期望通过ONNX这个桥梁,进一步推动飞桨、开发者和软硬件厂商的合作!

image.png
ONNX的桥梁作用




Paddle2ONNX项目升级解读



基于飞桨框架2.0,新版本的Paddle2ONNX主要新增实现了以下重要功能。
  1. 支持基于飞桨框架2.0导出动态图模型

在飞桨框架升级2.0后,框架已经内置paddle.onnx.export接口,用户在代码中可以调用接口以ONNX协议格式保存模型。此外,用户已经保存的飞桨模型,也可以通过Paddle2ONNX加载后进行转换。本文的使用教程部分,会附有针对动态图和静态图模型的转换方法,以供大家参考体验。
  1. 更丰富的Paddle OP覆盖

新版本的Paddle2ONNX支持多达88个Paddle OP算子。在转换过程中,支持用户指定转换为ONNX 1到12任意版本的模型,提升模型的适配能力。
  1. 支持转换飞桨CV、NLP领域的主流模型

覆盖CV和NLP领域主流模型,不仅支持PP-YOLO这样模型新星的转换,还开始支持ERNIE这样NLP领域的王牌!它们均已支持转为ONNX进行部署,有需求的同学快去试试吧!

此前就有部分用户咨询飞桨小哥哥:飞桨PP-YOLO、ERNIE等明星模型,能不能用ONNX方式来部署?现在小哥哥现身回答你!

image.png

Paddle2ONNX使用教程




本教程将向大家展示如何将飞桨官方内置的MobileNetV2动态图模型,导出为ONNX格式的模型,并使用ONNXRunTime工具验证模型的正确性。



将动态图模型导出为ONNX模型


使用飞桨框架2.0构建的动态图模型,可以通过调用paddle.onnx.export接口,实现ONNX模型的快速导出。

import os
import time
import paddle
# 从模型代码中导入模型
from paddle.vision.models import mobilenet_v2
# 实例化模型
model = mobilenet_v2()
# 将模型设置为推理状态
model.eval()
# 定义输入数据
input_spec = paddle.static.InputSpec(shape=[None3320320], dtype='float32', name='image')
# ONNX模型导出
# enable_onnx_checker设置为True,表示使用官方ONNX工具包来check模型的正确性,需要安装ONNX(pip install onnx)
paddle.onnx.export(model, 'mobilenet_v2', input_spec=[input_spec], opset_version=12, enable_onnx_checker=True)

执行结果:
2021-01-26 10:52:13 [INFO]    ONNX model genarated is valid.
2021-01-26 10:52:13 [INFO]    ONNX model saved in mobilenet_v2.onnx

我们可以看到模型成功转换保存为ONNX 格式文件——mobilenet_v2.onnx。



将静态图模型导出为ONNX模型


通过命令行调用paddle2onnx命令可完成静态图模型的转换。

# Paddle动态图保存为静态图
paddle.jit.save(model, 'inference/model', input_spec=[input_spec])
# 调用paddle2onnx命令
!paddle2onnx \
--model_dir inference \
--model_filename model.pdmodel\
--params_filename model.pdiparams \
--save_file mobilenet_v2.onnx \
--opset_version 12

执行结果:
2021-01-26 10:53:29 [INFO]    ONNX model saved in mobilenet_v2.onnx

与动态图相似,模型同样会被保存为ONNX 格式的文件。



模型测试


这里使用ONNXRunTime来进行ONNX模型验证测试,并评估转换后推理结果的误差。

# 动态图导出的ONNX模型测试
import time
import numpy as np
from onnxruntime import InferenceSession
# 加载ONNX模型
sess = InferenceSession('mobilenet_v2.onnx')
# 准备输入
x = np.random.random((13320320)).astype('float32')
# 模型预测
start = time.time()
ort_outs = sess.run(output_names=None, input_feed={'image': x})
end = time.time()
print("Exported model has been predicted by ONNXRuntime!")
print('ONNXRuntime predict time: %.04f s' % (end - start))
# 对比ONNX Runtime 和 飞桨的结果
paddle_outs = model(paddle.to_tensor(x))
diff = ort_outs[0] - paddle_outs.numpy()
max_abs_diff = np.fabs(diff).max()
if max_abs_diff < 1e-05:
    print("The difference of results between ONNXRuntime and Paddle looks good!")
else:
    relative_diff = max_abs_diff / np.fabs(paddle_outs.numpy()).max()
    if relative_diff < 1e-05:
        print("The difference of results between ONNXRuntime and Paddle looks good!")
    else:
        print("The difference of results between ONNXRuntime and Paddle looks bad!")
print('relative_diff: ', relative_diff)
print('max_abs_diff: ', max_abs_diff)

执行结果:
Exported model has been predicted by ONNXRuntime!
ONNXRuntime predict time0.0260 s
The difference of results between ONNXRuntime and Paddle looks good!
max_abs_diff:  4.2632564e-13

这里,我们可以看到推理时间需要0.0260秒,推理结果与转换前的飞桨模型相比几乎一致。详细示例信息可以参考AI Studio项目“Paddle2.0导出ONNX模型和推理”,地址:
https://aistudio.baidu.com/aistudio/projectdetail/1461212


除了上面的例子外,还有更多使用和了解Paddle2ONNX的方式:

  • PaddleX基于Paddle2ONNX的OpenVINO部署方案:

    https://paddlex.readthedocs.io/zh_CN/develop/deploy/openvino/index.html

  • 飞桨官网导出ONNX模型协议教程:

    https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/02_paddle2.0_develop/09_model_to_onnx_cn.html

  • 手把手教你通过ONNX部署飞桨模型教程:

    https://aistudio.baidu.com/aistudio/projectdetail/1479970

  • Paddle2ONNX项目地址:

    https://github.com/PaddlePaddle/Paddle2ONNX



文章列表

关于We AI school


We AI school 中国人工智能学校,是一个人工智能/AI学习分享网站,平台收录了人工智能领域的新闻资讯,以及技术文章分享给大家,让更多的人了解人工智能行业。
联系方式:13817964035(微信同号)合作邮箱:171920374@qq.com
地址:中国上海市青浦区徐泾东盈港东路1529弄18号

微信公众号

扫码关注
©2021 思南领氪网络工作室 黔ICP备2021000736号