【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))