【AI】模型结构可视化工具Netron应用

随着AI模型的发展，模型的结构也变得越来越复杂，理解起来越来越困难，这时候能够画一张结构图就好了，就像我们在开发过程中用到的UML类图，能够直观看出不同层之间的关系，于是Netron就来了。
Netron支持神经网络、深度学习和机器学习网络的可视化。支持 ONNX, TensorFlow Lite, Core ML, Keras, Caffe, Darknet, MXNet, PaddlePaddle, ncnn, MNN 和 TensorFlow.js格式的可视化展示，同时还实验性的支持PyTorch, TorchScript, TensorFlow, OpenVINO, RKNN, MediaPipe, ML.NET,scikit-learn格式的展示。

1.安装运行

Netron支持在线和离线的操作，可以直接在网页上进行展示，
在线运行地址：https://netron.app/

也可以使用官方提供的本地安装文件进行安装，可以直接去github上下载最新版本的。
Github下载地址：https://github.com/lutzroeder/netron/releases/

2.使用

以网页版为例，进去页面之后发现界面很简单，直接点击Open Model就可以选择需要展示的模型结构了，我这边以YOLO V5的模型为例进行演示：

这里可以直观显示每一层结构
如果不习惯竖着看，可以点击左上角的菜单，选择横向展示


同时，我们看到菜单栏中还有显示Attributes、显示Weights等操作，可以根据自己需要进行选择显示。
最后，可以将网络结构图导出成图片文件，方便后续使用。

3.pt模型转onnx模型

由于Netron对pt模型的支持不是很好，如下图所示，同样是YOLO V5的模型，pt模型打开后长这个样子

可以说不是特别直观，所以我们可以考虑将pt模型转为onnx模型进行展示。这里我们也借鉴YOLO V5的官方代码：
首先要在当前环境下安装onnx包，这个直接使用pip安装即可

pip install onnx

然后可以执行下面的代码进行转换，运行代码需要三个参数：

• –weights：指定pt模型的位置
• –img-size：指定图像的大小
• –batch-size：一般采用默认值1

"""Exports a YOLOv5 *.pt model to ONNX and TorchScript formats

Usage:
    $ export PYTHONPATH="$PWD" && python models/export.py --weights ./weights/yolov5s.pt --img 640 --batch 1
"""
#首先pip install onnx
import argparse
import sys
import time

sys.path.append('./')  # to run '$ python *.py' files in subdirectories
sys.path.append('../') 
import torch
import torch.nn as nn

import models
from models.experimental import attempt_load
from utils.activations import Hardswish
from utils.general import set_logging, check_img_size

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='./yolov5s.pt', help='weights path')  # from yolov5/models/
    parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='image size')  # height, width
    parser.add_argument('--batch-size', type=int, default=1, help='batch size')
    opt = parser.parse_args()
    opt.img_size *= 2 if len(opt.img_size) == 1 else 1  # expand
    print(opt)
    set_logging()
    t = time.time()

    # Load PyTorch model
    model = attempt_load(opt.weights, map_location=torch.device('cpu'))  # load FP32 model
    labels = model.names

    # Checks
    gs = int(max(model.stride))  # grid size (max stride)
    opt.img_size = [check_img_size(x, gs) for x in opt.img_size]  # verify img_size are gs-multiples

    # Input
    img = torch.zeros(opt.batch_size, 3, *opt.img_size)  # image size(1,3,320,192) iDetection

    # Update model
    for k, m in model.named_modules():
        m._non_persistent_buffers_set = set()  # pytorch 1.6.0 compatibility
        if isinstance(m, models.common.Conv) and isinstance(m.act, nn.Hardswish):
            m.act = Hardswish()  # assign activation
        # if isinstance(m, models.yolo.Detect):
        #     m.forward = m.forward_export  # assign forward (optional)
    model.model[-1].export = True  # set Detect() layer export=True
    y = model(img)  # dry run

    # TorchScript export
    try:
        print('\nStarting TorchScript export with torch %s...' % torch.__version__)
        f = opt.weights.replace('.pt', '.torchscript.pt')  # filename
        ts = torch.jit.trace(model, img)
        ts.save(f)
        print('TorchScript export success, saved as %s' % f)
    except Exception as e:
        print('TorchScript export failure: %s' % e)

    # ONNX export
    try:
        import onnx

        print('\nStarting ONNX export with onnx %s...' % onnx.__version__)
        f = opt.weights.replace('.pt', '.onnx')  # filename
        torch.onnx.export(model, img, f, verbose=False, opset_version=12, input_names=['images'],
                          output_names=['classes', 'boxes'] if y is None else ['output'])

        # Checks
        onnx_model = onnx.load(f)  # load onnx model
        onnx.checker.check_model(onnx_model)  # check onnx model
        # print(onnx.helper.printable_graph(onnx_model.graph))  # print a human readable model
        print('ONNX export success, saved as %s' % f)
    except Exception as e:
        print('ONNX export failure: %s' % e)

    # CoreML export
    try:
        import coremltools as ct

        print('\nStarting CoreML export with coremltools %s...' % ct.__version__)
        # convert model from torchscript and apply pixel scaling as per detect.py
        model = ct.convert(ts, inputs=[ct.ImageType(name='image', shape=img.shape, scale=1 / 255.0, bias=[0, 0, 0])])
        f = opt.weights.replace('.pt', '.mlmodel')  # filename
        model.save(f)
        print('CoreML export success, saved as %s' % f)
    except Exception as e:
        print('CoreML export failure: %s' % e)

    # Finish
    print('\nExport complete (%.2fs). Visualize with https://github.com/lutzroeder/netron.' % (time.time() - t))