Paddle2ONNX最新升级：飞桨模型全面支持ONNX协议啦！

发布日期：2021-02-05 02:07浏览量：1874次

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！

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！

“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。

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！

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。

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。

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。

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！

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=[None, 3, 320, 320], 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((1, 3, 320, 320)).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 time: 0.0260 s
The difference of results between ONNXRuntime and Paddle looks good!
max_abs_diff:  4.2632564e-13