### 将机器学习或深度学习模型导出为ONNX格式 为了将训练好的模型转换并保存为 ONNX 格式，可以采用 `mmdeploy` 框架来实现这一过程。具体来说，在准备阶段需确保拥有正确的模型配置文件，即 `model_cfg` 文件，该文件应来自 mm 算法库中的相应位置，例如 `mmpretrain/configs/vision_transformer/vit-base-p32_ft-64xb64_in1k-384.py`[^1]。 #### 准备环境与依赖项安装 首先需要设置好 Python 环境，并通过 pip 安装必要的包： ```bash pip install mmdeploy mmdet mmpretrain onnxruntime ``` #### 导入所需模块 接着导入用于转换的工具类和其他辅助函数： ```python from mmdeploy.apis import torch2onnx # 转换API import mmcv # 多媒体计算视觉库 from mmcv.runner import load_checkpoint # 加载checkpoint权重 from mmdet.models import build_detector # 构建检测器实例 ``` #### 配置参数设定 定义一些基本变量，包括输入图片尺寸、输出路径以及使用的设备类型（CPU 或 GPU）等信息： ```python input_shape = (1, 3, 384, 384) # 输入张量形状 output_file = 'vit_base.onnx' # 输出文件名 device = 'cuda:0' # 使用GPU加速 ``` #### 创建模型实例并加载预训练权重 根据给定的配置创建一个未初始化的网络结构对象；随后利用之前提到过的 checkpoint 来填充其参数值： ```python cfg = mmcv.Config.fromfile('path/to/your/model_config.py') # 替换成实际路径 detector = build_detector(cfg.model).to(device) load_checkpoint(detector, 'path/to/checkpoint.pth', map_location=device) # 替换成实际路径 ``` #### 执行转换操作 最后调用 `torch2onnx()` 方法完成整个流程，此方法会接收上述构建完毕后的探测器作为主要输入之一： ```python with torch.no_grad(): detector.eval() dummy_input = torch.randn(input_shape).to(device) output_names = ['dets', 'labels'] torch2onnx( model=detector, img=dummy_input, work_dir='./work_dirs', deploy_cfg='configs/tensorrt/onnx_runtime_static.py', opset_version=11, show=False, verify=True, save_file=output_file ) ``` 以上就是使用 `mmdeploy` 工具链将基于 PyTorch 训练得到的目标检测或其他类型的神经网络模型转化为兼容性强且易于部署的 ONNX 表达形式的过程概述。