获取onnx模型输入输出结构信息的3种方式：ONNX、onnxruntime、netron

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】	50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】	52.【高压输电线绝缘子缺陷智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

在使用onnx模型进行模型部署时，我们需要查看onnx模型的输入与输出结构，然后才能进行数据的预处理与后处理过程，从而帮助我们进行模型的部署。本文介绍3种查看onnx模型输入与输出结构的方式，以yolov8n.onnx为例。

方式1：使用netron

打开网页：https://netron.app,然后打开需要查看的onnx模型,此处打开yolov8n.onnx模型。
在这里插入图片描述

通过这种方式，我们不仅可以看到模型的输入与输出结构，而且可以清楚的查看模型的详细网络结构。通过右下角我们可以看到，模型的输入为【1，3，640，640】,输出为【1，84，8400】。

解释说明：
【1，3，640，640】表示，batch为1，输入图片为3640640；
【1，84，8400】表示，batch为1，输出向量为84【代表x, y, w, h,cls类别数80】，检测框数目为8400个。

方式2：使用onnx

我们使用onnx库加载模型，并查看模型的输入输出结构。代码如下：

import onnx
# 加载ONNX模型
model = onnx.load('yolov8n.onnx')
# 获取并打印OpSet导入信息，从中可以找到OpSet版本
for imp in model.opset_import:
   print(f"Domain: {imp.domain}, Version: {imp.version}")
# 验证模型是否有效
onnx.checker.check_model(model)
# 获取并打印模型的输入信息
print("Input(s) of the model:")
for input in model.graph.input:
    print(f"Name: {input.name}, Type: {input.type}")
# 获取并打印模型的输出信息
print("\nOutput(s) of the model:")
for output in model.graph.output:
    print(f"Name: {output.name}, Type: {output.type}")

输出结果如下：

Domain: , Version: 17
Input(s) of the model:
Name: images, Type: tensor_type {
  elem_type: 1
  shape {
    dim {
      dim_value: 1
    }
    dim {
      dim_value: 3
    }
    dim {
      dim_value: 640
    }
    dim {
      dim_value: 640
    }
  }
}


Output(s) of the model:
Name: output0, Type: tensor_type {
  elem_type: 1
  shape {
    dim {
      dim_value: 1
    }
    dim {
      dim_value: 84
    }
    dim {
      dim_value: 8400
    }
  }
}

可以看到输入为【1，3，640，640】，输出为【1，84，8400】。

方式3：使用onnxruntime

我们使用onnxruntime库加载模型，并查看模型的输入输出结构。代码如下：

import onnxruntime as ort
providers = ["CPUExecutionProvider"]
session_options = ort.SessionOptions()
session_options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL
# 使用ONNX模型创建推理会话，并指定执行提供者
session = ort.InferenceSession('yolov8n.onnx',
                              session_options=session_options,
                              providers=providers)

# 获取模型的输入信息
inputs_info = session.get_inputs()
print("Input(s) of the model:")
for input in inputs_info:
    print(f"Name: {input.name}, Shape: {input.shape}, Type: {input.type}")

# 获取模型的输出信息
outputs_info = session.get_outputs()
print("\nOutput(s) of the model:")
for output in outputs_info:
    print(f"Name: {output.name}, Shape: {output.shape}, Type: {output.type}")

打印信息如下：

Input(s) of the model:
Name: images, Shape: [1, 3, 640, 640], Type: tensor(float)

Output(s) of the model:
Name: output0, Shape: [1, 84, 8400], Type: tensor(float)