|
|
<img src="./docs/onnx_modifier_logo_1.png" style="zoom: 60%;" />
|
|
|
|
|
|
简体中文 | [English](readme.md)
|
|
|
|
|
|
`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，经常作为不同框架模型转化的中间文件。有时我们拿到ONNX文件，想将它进行一些修改，比如：
|
|
|
|
|
|
- **删除部分节点**。 比如，`ONNX`文件中一些前后处理的算子节点。
|
|
|
- **增加节点**。
|
|
|
- **修改节点属性**。 比如修改某一节点的输入输出名称。
|
|
|
|
|
|
目前常用的方法是，先可视化模型图结构，然后基于`ONNX`的Python API编写脚本，对模型图结构进行编辑。但这可能需要我们在可视化-脚本-可视化-...之间反复横跳。而且在一张庞大的图上搜集想要修改的节点，也比较花时间。
|
|
|
|
|
|
能不能有一个工具，可以**实时预览编辑后的可视化效果，从而更方便，快捷，直观地实现`ONNX`模型的编辑**呢？:rocket: 这便是`onnx-modifier` ([github]())开发的动机。所有的编辑信息将最终汇总，统一送由ONNX Python处理，得到编辑后的ONNX模型文件。
|
|
|
|
|
|
`onnx-modifier`基于流行的模型可视化工具 [Netron](https://github.com/lutzroeder/netron) 和轻量级Web应用框架 [flask](https://github.com/pallets/flask) 开发。希望它能给社区带来一些贡献~
|
|
|
|
|
|
# 安装与运行
|
|
|
|
|
|
- 拉取`onnx-modifier`，安装所需要的Python库
|
|
|
|
|
|
```bash
|
|
|
git clone git@github.com:ZhangGe6/onnx-modifier.git
|
|
|
cd onnx-modifier
|
|
|
|
|
|
pip install onnx
|
|
|
pip install flask
|
|
|
```
|
|
|
|
|
|
- 运行
|
|
|
|
|
|
```bash
|
|
|
python app.py
|
|
|
```
|
|
|
|
|
|
点击输出中的url（如`http://127.0.0.1:5000/`），即可在浏览器中进入onnx-modifier界面。点击`Open Model...`，上传所需要编辑的模型文件，上传完毕后，网络可视化结构会自动显示。
|
|
|
|
|
|
# 编辑
|
|
|
|
|
|
<table>
|
|
|
<tr>
|
|
|
<td ><center><img src="./docs/top_left_buttons.png"> <b>图结构层级操作<br>（界面左上角）</b></center></td>
|
|
|
<td ><center><img src="./docs/node_prop_buttos.png" ><b>节点层级操作（节点属性栏）</b></center></td>
|
|
|
</tr>
|
|
|
</table>
|
|
|
|
|
|
|
|
|
|
|
|
图结构层级的操作按钮放置在可视化页面的左上角，有三个：`Preview`，`Reset`和`Download`. 它们的功能分别为：
|
|
|
|
|
|
- `Preview`：预览当前编辑得到的模型图结构；
|
|
|
- `Reset`：重置模型图结构为初始状态；
|
|
|
- `Download`：保存编辑后的模型文件到本地。
|
|
|
|
|
|
节点层级的操作都在节点属性栏里，点击某一节点后即可弹出，一起来康康。
|
|
|
|
|
|
## 删除节点
|
|
|
|
|
|
删除节点有两种模式：`Delete With Children` 和 `Delete Single Node`. 后者只删除当前单个节点；而前者还会自动删除以这个节点为根节点的所有节点，就不用一个一个删除啦。
|
|
|
|
|
|
> `Delete With Children`方法基于回溯算法实现。
|
|
|
|
|
|
被删除的节点会变灰显示。删除节点的效果如下：
|
|
|
|
|
|
<img src="./docs/onnx_modifier_delete.png" style="zoom: 60%;" />
|
|
|
|
|
|
|
|
|
|
|
|
## 重置节点
|
|
|
|
|
|
在节点对应的属性栏点击`Recover Node`按钮，可将被删除的节点重新恢复到图中。
|
|
|
|
|
|
## 修改节点输入输出名称
|
|
|
|
|
|
通过修改节点的输出输出名，我们可以对模型推理图进行修改（如删除一些预处理/后处理节点）。该功能同样可以用在更改模型的输出的名称（即修改模型叶子节点的输出名）。
|
|
|
|
|
|
那在`onnx-modifer`中要怎么做呢？在节点属性栏中有一个`RENAME HELPER`小节。当前节点的全部输入/输出名都会列在这里（不包含模型权重），每个输入/输出名后面跟着一个输入框，直接在对应的输入框中，键入新的名称就可以啦。
|
|
|
|
|
|
比如，在下图所示的模型中，我们想要删除预处理对应的节点（`Sub->Mul->Sub->Transpose`），可以这样做：
|
|
|
|
|
|
1. 点击第一个`Conv`节点，在弹出的属性栏中，将输入名称改为*serving_default_input:0*；
|
|
|
2. 预览一下，发现输入已经和第一个`Conv`直接相连，几个预处理节点也已经从前向图中分离出来，将它们删除；
|
|
|
3. 完工，预览check一下（点击`Download`就可以获得编辑后的ONNX模型啦）。
|
|
|
|
|
|
<img src="./docs/rename_node_io.png" alt="rename_node_io" style="zoom:60%;" />
|
|
|
|
|
|
`onnx-modifer`正在活跃地更新中:hammer_and_wrench:。 欢迎使用，提issue，如果有帮助的话，感谢给个:star:~
|
|
|
|
|
|
# 示例模型文件
|
|
|
|
|
|
为方便测试，以下提供一些典型的样例模型文件，主要来自于[onnx model zoo](https://github.com/onnx/models)
|
|
|
|
|
|
- squeezeNet [链接 (4.72MB)](https://github.com/onnx/models/blob/main/vision/classification/squeezenet/model/squeezenet1.0-12.onnx)
|
|
|
- MobileNet [链接 (13.3MB)](https://github.com/onnx/models/blob/main/vision/classification/mobilenet/model/mobilenetv2-7.onnx)
|
|
|
- ResNet50-int8 [链接 (24.6MB)](https://github.com/onnx/models/blob/main/vision/classification/resnet/model/resnet50-v1-12-int8.onnx)
|
|
|
- movenet-lightning [链接 (9.01MB)](https://pan.baidu.com/s/1MVheshDu58o4AAgoR9awRQ?pwd=jub9)
|
|
|
- 将Google提供的预训练[tflite模型](https://tfhub.dev/google/movenet/singlepose/lightning/4)，使用[tensorflow-onnx](https://github.com/onnx/tensorflow-onnx)转换得到；
|
|
|
- 模型中包含前处理和一大块后处理节点。
|
|
|
|
|
|
# 参考资料
|
|
|
|
|
|
- [Netron](https://github.com/lutzroeder/netron)
|
|
|
- [flask](https://github.com/pallets/flask)
|
|
|
- ONNX Python API [Official doc](https://github.com/onnx/onnx/blob/main/docs/PythonAPIOverview.md), [Leimao's Blog](https://leimao.github.io/blog/ONNX-Python-API/)
|
|
|
- ONNX IO Stream [Leimao's Blog](https://leimao.github.io/blog/ONNX-IO-Stream/)
|
|
|
- [onnx-utils](https://github.com/saurabh-shandilya/onnx-utils)
|
|
|
- [sweetalert](https://github.com/t4t5/sweetalert)
|