深度学习基础-onnxruntime推理模型

以下是一个完整的示例，展示如何加载 ONNX 模型、获取模型信息并运行推理：

import onnxruntime
import numpy as np

# 模型路径
bev_head_onnx_path = "path/to/your/bev_head.onnx"

# 加载模型
session = onnxruntime.InferenceSession(bev_head_onnx_path)

# 获取模型元信息
model_meta = session.get_modelmeta()
print("Model Name:", model_meta.name)
print("Model Version:", model_meta.version)
print("Inputs:", [input.name for input in model_meta.graph_inputs])
print("Outputs:", [output.name for output in model_meta.graph_outputs])

# 准备输入数据
# 假设模型的输入名称为 'volumes'，形状为 (1, 3, 224, 224)
volumes = np.random.rand(1, 3, 224, 224).astype(np.float32)

# 运行推理
onnx_results = session.run([], {'volumes': volumes})

# 打印输出结果
print("Output shape:", [result.shape for result in onnx_results])

输出示例

假设模型的输入名称为 'volumes'，输出名称为 'output'，运行上述代码可能会输出类似以下内容：

Model Name: bev_head_model
Model Version: 1.0
Inputs: ['volumes']
Outputs: ['output']
Output shape: [(1, 1000)]

注意事项

输入名称和形状：
- 输入数据的名称（如 'volumes'）和形状必须与 ONNX 模型中定义的输入一致。可以通过 get_modelmeta() 检查输入名称和形状。
- 如果输入数据的形状不正确，可能会导致运行时错误。
数据类型：
- 输入数据的类型（如 np.float32）也必须与模型的要求一致。可以通过 model_meta.graph_inputs 检查输入数据类型。
输出结果：
- session.run() 返回的结果是一个列表，其中每个元素对应一个输出张量。如果模型有多个输出，可以通过指定输出名称列表来选择需要的输出。
性能优化：
- 如果需要更高的推理性能，可以使用 onnxruntime 的优化选项，例如设置执行提供者（如 CUDAExecutionProvider）或启用图优化。

通过这种方式，你可以方便地加载和运行 ONNX 模型，并获取模型的推理结果。