kanes·2 months ago

PyTorch `.pth` 转 ONNX：从模型训练到跨平台部署

在深度学习里，模型的格式决定了它的可用性。

如果你是 PyTorch 用户，你可能熟悉 .pth 文件，它用于存储训练好的模型。

但当你想在不同的环境（如 TensorRT、OpenVINO、ONNX Runtime）部署模型时，.pth 可能并不适用。这时，ONNX（Open Neural Network Exchange）就必不可少。

本文目录：

什么是 .pth 文件？
什么是 .onnx 文件？
为什么要转换？
如何转换 .pth 到 .onnx？
转换后的好处和潜在风险

1. 什么是 `.pth` 文件？

.pth 是 PyTorch 专属的模型权重文件，用于存储：

模型权重（state_dict）：仅保存参数，不包含模型结构。
完整模型：包含模型结构和权重，适用于直接 torch.save(model, "model.pth") 保存的情况。

在 PyTorch 中，你可以用以下方式加载 .pth：

import torch
from NestedUNet import NestedUNet  # 你的模型类

# 仅保存权重的加载方式
model = NestedUNet(num_classes=2, input_channels=3)
model.load_state_dict(torch.load("best_model.pth"))
model.eval()

.pth 文件只能在 PyTorch 运行的环境中使用，不能直接在 TensorFlow、OpenVINO 或 TensorRT 里运行。

2. 什么是 ONNX？

ONNX（Open Neural Network Exchange）是 一个开放的神经网络标准格式，它的目标是：

跨框架兼容：支持 PyTorch、TensorFlow、Keras、MXNet 等。
优化推理：可以用 ONNX Runtime 或 TensorRT 加速推理。
部署灵活：支持在 CPU、GPU、FPGA、TPU 等硬件上运行。

ONNX 文件是一个 .onnx 文件，它包含：

模型的计算图
算子（OPs）定义
模型权重

ONNX 让你可以在不同平台上运行同一个模型，而不必依赖某个特定的深度学习框架。

3. 为什么要转换 `.pth` 到 `.onnx`？

转换为 ONNX 主要有以下好处：

✅ 跨平台兼容

.pth 只能在 PyTorch 里用，而 .onnx 可以在 TensorRT、ONNX Runtime、OpenVINO、CoreML 等多种环境中运行。

✅ 推理速度更快

ONNX Runtime 使用图优化（Graph Optimization），减少计算冗余，提高推理速度。
TensorRT 可以将 ONNX 模型编译为高度优化的 GPU 代码，显著提高吞吐量。

✅ 支持多种硬件

.pth 主要用于 CPU/GPU，而 .onnx 可用于 FPGA、TPU、ARM 设备，如 安卓手机、树莓派、Jetson Nano 等。

✅ 更轻量级

PyTorch 运行时需要完整的 Python 解释器，而 ONNX 可以直接用 C++/C 代码运行，适用于嵌入式设备。

4. 如何转换 `.pth` 到 `.onnx`？

4.1 安装依赖

在转换前，确保你已安装 PyTorch 和 ONNX：

pip install torch torchvision onnx

4.2 编写转换代码

假设你有一个 NestedUNet 训练好的 .pth 文件，转换方式如下：

import torch
import torch.onnx
from NestedUNet import NestedUNet  # 你的模型文件

# 1. 加载 PyTorch 模型
model = NestedUNet(num_classes=2, input_channels=3, deep_supervision=False)
model.load_state_dict(torch.load("best_model.pth"))
model.eval()

# 2. 创建示例输入（确保形状正确）
dummy_input = torch.randn(1, 3, 256, 256)

# 3. 导出为 ONNX
onnx_path = "nested_unet.onnx"
torch.onnx.export(
    model, 
    dummy_input, 
    onnx_path,
    export_params=True,
    opset_version=11,  # 确保兼容性
    do_constant_folding=True,
    input_names=["input"], 
    output_names=["output"], 
    dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}}
)

print(f"✅ 模型已成功转换为 {onnx_path}")

4.3 验证 ONNX

安装 onnxruntime 并测试：

pip install onnxruntime

然后运行：

import onnxruntime as ort
import numpy as np

# 加载 ONNX
ort_session = ort.InferenceSession("nested_unet.onnx")

# 生成随机输入
input_data = np.random.randn(1, 3, 256, 256).astype(np.float32)
outputs = ort_session.run(None, {"input": input_data})

print("ONNX 推理结果：", outputs[0].shape)

5. 转换后的好处和潜在风险

5.1 好处

✅ 提高推理速度

ONNX Runtime 和 TensorRT 可以显著加速推理，尤其是在 GPU 上。

✅ 跨平台部署

.onnx 可用于 Windows、Linux、安卓、iOS、嵌入式设备。

✅ 减少依赖

直接用 ONNX Runtime 运行，不需要完整的 PyTorch 依赖。

5.2 可能遇到的问题

⚠ ONNX 可能不支持某些 PyTorch 操作

PyTorch 的某些自定义操作（如 grid_sample）可能在 ONNX 不支持，需要手动修改模型。

⚠ ONNX 的 Upsample 可能需要 align_corners=False

如果 Upsample(scale_factor=2, mode='bilinear', align_corners=True)，可能会导致 ONNX 兼容性问题，建议改为：
```
self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=False)
```

⚠ ONNX 在 CPU 上的推理可能比 PyTorch 慢

如果模型没有经过优化，ONNX 可能不会比 PyTorch 快，尤其是在 CPU 上。

⚠ TensorRT 需要额外优化

直接用 TensorRT 运行 ONNX 可能会报错，需要 onnx-simplifier:

pip install onnx-simplifier
python -m onnxsim nested_unet.onnx nested_unet_simplified.onnx

6. 对比

比较项	`.pth` (PyTorch)	`.onnx` (ONNX)
框架依赖	仅支持 PyTorch	兼容多框架
推理速度	较慢	更快（ONNX Runtime / TensorRT）
跨平台性	仅支持 PyTorch	可在多种设备上运行
部署难度	需要完整 Python	轻量级，适用于嵌入式