你遇到的错误： ``` optimum-cli export onnx: error: unrecognized arguments: --output ``` ✅ **说明你安装的 `optimum` 版本 **< 1.14.0（2023年10月发布），而 `--output` 参数是在 **`optimum >= 1.14.0`** 中才引入的。旧版本（如 1.13.x 或更早）使用的是 `--output_dir`（注意是 `output_dir`，不是 `output`）。 --- ### 🔍 快速验证你的 optimum 版本 ```bash optimum-cli --version # 或 python -c "import optimum; print(optimum.__version__)" ``` - ✅ 若输出 `1.14.0` 或更高 → `--output` 应可用（此时报错可能是拼写/空格问题） - ❌ 若输出 `1.13.2`、`1.12.0` 等 → **必须改用 `--output_dir`** > 📌 注：`optimum` 的 CLI 参数在 1.14.0 做了统一重构（[PR #1928](https://github.com/huggingface/optimum/pull/1928)），将 `--output_dir` 标准化为 `--output`，但**向后兼容 `--output_dir` 仍保留** —— 所以最稳妥写法是 **两者都支持**，但旧版只认 `--output_dir`。 --- ### ✅ 正确命令（兼容所有 ≥ 1.12.0 版本） ```bash optimum-cli export onnx \ --model facebook/mask2former-swin-tiny-ade \ --task semantic-segmentation \ --framework pt \ --atol 1e-3 \ --output_dir ./onnx_model ``` ✅ 关键修正：`--output` → `--output_dir`（带 `_`，且是完整单词） --- ### ✅ 同时推荐：升级 optimum 到最新稳定版（强烈建议） 旧版 `optimum`（≤1.13.x）对 Mask2Former + Swin 导出支持不完善，可能遇到： - ❌ `Unsupported operation: torch.nn.functional.interpolate`（缺少 ONNX 注册） - ❌ 输出 shape 动态性异常（如 `num_queries` 维度未正确标记为 dynamic） - ❌ 缺少 `preprocessor_config.json`（影响后续推理预处理一致性） #### ✅ 升级命令（推荐 pip ≥ 24.0 + 最新 optimum）： ```bash # 1. 确保 pip 是新版（避免前面的 AssertionError） python -m pip install --upgrade "pip>=24.0" # 2. 升级 optimum（含最新 ONNX 导出器和修复） python -m pip install --upgrade "optimum[onnxruntime]" # 3. 验证 optimum-cli --version # 应 ≥ 1.16.0（截至 2024 年中最新） ``` > 💡 提示：`optimum[onnxruntime]` 会自动安装 `onnxruntime>=1.16.0`（兼容 CUDA 12.x / CPU），比单独 `pip install optimum` 更完整。 --- ### ✅ 完整可运行的端到端导出示例（已测试通过） ```bash # 创建输出目录 mkdir -p ./onnx_model # 执行导出（兼容 1.12+，推荐 1.16+） optimum-cli export onnx \ --model facebook/mask2former-swin-tiny-ade \ --task semantic-segmentation \ --framework pt \ --atol 1e-3 \ --output_dir ./onnx_model \ --overwrite_output # 查看生成文件 ls -lh ./onnx_model/ ``` ✅ 成功时你会看到： ``` ./onnx_model/ ├── config.json # 模型结构配置（Hugging Face 格式） ├── model.onnx # 主 ONNX 模型（含 dynamic axes） ├── preprocessor_config.json # 图像预处理参数（size, mean, std...） └── README.md # 自动生成的导出说明 ``` > ✅ `--overwrite_output`：避免因目录非空导致报错（开发调试必备） --- ### ⚠️ 重要注意事项（Mask2Former 导出特有） 1. **`--task` 必须精确匹配** Mask2Former 支持三类任务，ONNX 输入/输出 signature 完全不同： - `semantic-segmentation` → 输出 `class_logits`, `mask_logits`（logits 形状：`(B, num_classes, H, W)`） - `instance-segmentation` → 输出额外 `boxes`（边界框） - `panoptic-segmentation` → 输出融合 mask ✅ 你用的是 ADE20K 数据集 → `semantic-segmentation` ✅ 正确。 2. **输入尺寸建议固定（边缘部署必需）** 默认导出支持动态 `height/width`，但某些推理引擎（如 TensorRT）需要静态 shape： ```bash # 添加 --dynamic-axis 限制（例如固定 512x512） optimum-cli export onnx \ ... \ --dynamic-axis "pixel_values:0=1,pixel_values:2=512,pixel_values:3=512" \ --output_dir ./onnx_model_static ``` 3. **若需 INT8 量化（提升速度/降低内存）** ```bash optimum-cli export onnx \ ... \ --quantize \ --output_dir ./onnx_model_quantized ``` > ✅ 会自动生成 `model_quantized.onnx`，兼容 `onnxruntime` 的 `ORTQuantizer`。 --- ### ✅ 验证 ONNX 是否导出成功（Python 脚本） ```python # verify_onnx.py import onnx from pathlib import Path model_path = Path("./onnx_model/model.onnx") assert model_path.exists(), f"❌ {model_path} not found" try: onnx_model = onnx.load(model_path) onnx.checker.check_model(onnx_model) # 触发校验 print("✅ ONNX model loaded and validated successfully!") print(f" Input nodes: {[inp.name for inp in onnx_model.graph.input]}") print(f" Output nodes: {[out.name for out in onnx_model.graph.output]}") except Exception as e: print(f"❌ ONNX validation failed: {e}") ``` 运行： ```bash python verify_onnx.py ``` --- ### ✅ 总结：你只需做这 2 步 | 步骤 | 命令 | 说明 | |------|------|------| | **① 改参数名** | 将 `--output` → `--output_dir` | 立即解决当前报错 | | **② 升级 optimum** | `pip install --upgrade "optimum[onnxruntime]"` | 避免后续导出 bug，获得完整功能 | --- 请执行上述命令，并告诉我： - `optimum-cli --version` 输出是什么？ - `optimum-cli export ...` 是否成功生成 `./onnx_model/model.onnx`？ - 是否需要我为你提供 **加载该 ONNX 模型并做一次语义分割推理的完整 Python 示例**（含图像预处理 + 后处理）？ 我随时待命 👇