前言

本文將介紹如何使用ONNX將PyTorch中訓練好的模型(.pt、.pth)型轉換為ONNX格式，然後將其載入到Caffe2中。需要安裝好onnx和Caffe2。

PyTorch及ONNX環境準備

為了正常執行ONNX，我們需要安裝最新的Pytorch,你可以選擇原始碼安裝：

git clone --recursive https://github.com/pytorch/pytorch
cd pytorch
mkdir build && cd build
sudo cmake .. -DPYTHON_INCLUDE_DIR=/usr/include/python3.6 -DUSE_MPI=OFF
make install
export PYTHONPATH=$PYTHONPATH:/opt/pytorch/build

其中 "/opt/pytorch/build"是前面build pytorch的目。

or conda安裝

conda install pytorch torchvision -c pytorch

安裝ONNX的庫

conda install -c conda-forge onnx

onnx-caffe2 安裝

pip3 install onnx-caffe2

Pytorch模型轉onnx

在PyTorch中匯出模型通過跟蹤工作。要匯出模型，請呼叫torch.onnx.export()函式。這將執行模型，記錄運算子用於計算輸出的軌跡。因為_export執行模型，我們需要提供輸入張量x。

這個張量的值並不重要; 它可以是影象或隨機張量，只要它是正確的大小。更多詳細資訊，請檢視torch.onnx documentation文件。

# 輸入模型
example = torch.randn(batch_size,1,224,requires_grad=True)

# 匯出模型
torch_out = torch_out = torch.onnx.export(model,# model being run
    example,# model input (or a tuple for multiple inputs)
    "peleeNet.onnx",verbose=False,# store the trained parameter weights inside the model file
 training=False,do_constant_folding=True,input_names=['input'],output_names=['output']) 

其中torch_out是執行模型後的輸出，通常以忽略此輸出。轉換得到onnx後可以使用OpenCV的 cv::dnn::readNetFromONNX or cv::dnn::readNet進行模型載入推理了。

還可以進一步將onnx模型轉換為ncnn進而部署到移動端。這就需要ncnn的onnx2ncnn工具了.

編譯ncnn原始碼，生成 onnx2ncnn。

其中onnx轉換模型時有一些冗餘，可以使用用工具簡化一些onnx模型。

pip3 install onnx-simplifier

簡化onnx模型

python3 -m onnxsim pnet.onnx pnet-sim.onnx

轉換成ncnn

onnx2ncnn pnet-sim.onnx pnet.param pnet.bin

ncnn 載入模型做推理

Pytorch模型轉torch script

pytorch 加入libtorch前端處理，集體步驟為：

以mtcnn pnet為例

# convert pytorch model to torch script
# An example input you would normally provide to your model's forward() method.
example = torch.rand(1,3,12,12).to(device)
# Use torch.jit.trace to generate a torch.jit.ScriptModule via tracing.
traced_script_module = torch.jit.trace(pnet,example)
# Save traced model
traced_script_module.save("pnet_model_final.pth")

C++呼叫如下所示：

#include <torch/script.h> // One-stop header.
#include <iostream>
#include <memory>
int main(int argc,const char* argv[]) 
{
 if (argc != 2) 
 {
 std::cerr << "usage: example-app <path-to-exported-script-module>\n";
 return -1;
 }

 // Deserialize the ScriptModule from a file using torch::jit::load().
 std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv[1]);

 assert(module != nullptr);
 std::cout << "ok\n";
}