FastDeploy/examples/vision/classification/resnet

ResNet准备部署模型

• ResNet部署实现来自Torchvision的代码，和基于ImageNet2012的预训练模型。

  • （1）官方库提供的*.pt通过导出ONNX模型操作后，可进行部署；
  • （2）自己数据训练的ResNet模型，按照导出ONNX模型操作后，参考详细部署文档完成部署。

导出ONNX模型

导入Torchvision，加载预训练模型，并进行模型转换，具体转换步骤如下。

  import torch
  import torchvision.models as models

  model = models.resnet50(pretrained=True)
  batch_size = 1  #批处理大小
  input_shape = (3, 224, 224)   #输入数据,改成自己的输入shape
  # #set the model to inference mode
  model.eval()
  x = torch.randn(batch_size, *input_shape)	# 生成张量
  export_onnx_file = "ResNet50.onnx"			# 目的ONNX文件名
  torch.onnx.export(model,
                      x,
                      export_onnx_file,
                      opset_version=12,
                      input_names=["input"],	# 输入名
                      output_names=["output"],	# 输出名
                      dynamic_axes={"input":{0:"batch_size"},  # 批处理变量
                                      "output":{0:"batch_size"}})

下载预训练ONNX模型

为了方便开发者的测试，下面提供了ResNet导出的各系列模型，开发者可直接下载使用。（下表中模型的精度来源于源官方库）

模型	大小	精度
ResNet-18	45MB
ResNet-34	84MB
ResNet-50	98MB
ResNet-101	170MB

详细部署文档

• Python部署
• C++部署

版本说明

• 本版本文档和代码基于Torchvision v0.12.0 编写